비디오 콘텐츠에서 추출한 다양한 딥러닝 특징들의 상호보완성에 관한 연구

미디어 스트리밍의 보편화 이후, 여러 비디오 스트리밍 서비스들은 잠재적 수익을 창출하기 위해 지속적으로 새로운 비디오 콘텐츠를 확보하고 있다. 이에 따라 새로 추가된 콘텐츠는 적절한 사용자에게 효과적으로 추천될 수 있도록 체계적으로 관리되어야 한다. 본 논문에서는 다양한 딥러닝 특징이 비디오 추천에 미치는 잠재력을 탐색함으로써, 새로운 아이템의 콜드스타트 문제를 해결하고자 한다. 조사된 딥러닝 특징은 비디오 콘텐츠의 시각적 외관, 음성, 움직임 정보를 포착하는 특징들로 구성된다. 또한, 이러한 특징 모달리티들이 서로 보완하는 정보를 최대한 활용할 수 있도록 다양한 융합 방법을 탐색하고 평가하였다. 실세계 영화 추천 데이터셋을 활용한 실험 결과, 딥러닝 특징이 수작업으로 설계된 특징보다 우수한 성능을 보였다. 특히, 딥러닝 음성 특징과 액션 중심 딥러닝 특징을 활용한 추천 결과는 MFCC 및 최신 기술인 iDT 특징보다 뛰어났다. 또한, 다양한 딥러닝 특징을 수작업 특징과 텍스트 메타데이터와 결합한 경우, 단지 딥러닝 특징들만을 결합한 경우보다 추천 성능이 상당히 향상됨을 확인하였다.