본 논문에서는 국제학술대회 참가자를 위한 개인화 된 정보추천서비스를 제안한다. 국제학술대회에서는 많은 논문들이 동시에 여러 세션으로 구성되어 발표되고 여러 연구관련 활동들이(예를 들어, 튜토리얼, 산업계토론, 공동연구논의 등) 짧은 기간 동안 이루어지므로 발표되는 논문들을 일일이 확인하고 그 발표에 참여하기가 쉽지 않다. 또한 학술대회의 정보 추천은, 기존의 영화, 책, 음악 등의 상품추천과 달리, 이미 정해진 해당 연구관련 커뮤니티가 대회 참가자들 및 발표자들을 중심으로 구성되어 있으므로 보다 명확한 소셜네트워크 기반추천 서비스가 가능하다. 본 논문에서는 각 학술대회에서 발표되는 논문들의 내용은 무엇인지, 참가자들이 어떤 논문에 관심을 가지는지, 그리고 각 참가자들이 다른 참가자들과의 맺은 소셜네트워크 등의 정보를 통해 발표에 참여할 만한 논문들을 추천하였다. 특히, 실제 운용되고 있는 국제학술대회 정보시스템, Conference Navigator를 이용하여, 여러 학술논문 관련 추천서비스를 비교 실험하였다. 기존의 Collaborative filtering 추천 알고리듬뿐만 아니라 학술대회참가자들의 소셜네트워크 기반 추천 서비스를 제공하였으며 연구결과 Cold-start 사용자들에게 특히 소셜네트워크 기반추천이 가장 좋은 결과를 보여주었다.
The Paper Explores The Problem Of Recommending Talks To Attend At International Research Conferences. When Researchers Participate In Conferences, Finding Interesting Talks To Attend Is A Real Challenge. Given That Several Presentation Sessions And Social Activities Are Typically Held At A Time, And There Is Little Time To Analyze All Alternatives, It Is Easy To Miss Important Talks. In Addition, Compared With Recommendations Of Products Such As Movies, Books, Music, Etc. The Recipients Of Talk Recommendations (i.e. Conference Attendees) Already Formed Their Own Research Community On The Center Of The Conference Topics. Hence, Recommending Conference Talks Contains Highly Social Context. This Study Suggests That This Domain Would Be Suitable For Social Network-Based Recommendations. In Order To Find Out The Most Effective Recommendation Approach, Three Sources Of Information Were Explored For Talk Recommendation-Whateach Talk Is About (Content), Who Scheduled The Talks (Collaborative), And How The Users Are Connected Socially (Social). Using These Three Sources Of Information, This Paper Examined Several Direct And Hybrid Recommendation Algorithms To Help Users Find Interesting Talks More Easily. Using A Dataset Of A Conference Scheduling System, Conference Navigator, Multiple Approaches Ranging From Classic Content-Based And Collaborative Filtering Recommendations To Social Network-Based Recommendations Were Compared. As The Result, For Cold-Start Users Who Have Insufficient Number Of Items To Express Their Preferences, The Recommendations Based On Their Social Networks Generated The Best Suggestions.
