본 논문은 다중 경로를 사용해야 하는 현대 네트워크 환경에서 데이터 전송 효율을 향상시키기 위한 새로운 혼잡 제어 알고리즘인 동적 대역폭 인식 혼잡 제어(DBAC)를 제안한다. 전통적인 단일 경로 TCP는 한계가 있어 다중 경로 TCP(MPTCP)가 여러 경로를 동시에 활용하여 대역폭을 극대화하고 전송 신뢰성을 향상시키지만, MPTCP는 경로 특성의 비대칭성으로 인해 고속 장거리 네트워크에서 성능 저하를 겪는다. 이를 해결하기 위해 DBAC는 BDP가 큰 경로에는 TCP CUBIC을, 일반 경로에는 LIA를 결합하여 자원 활용과 공정성을 최적화한다. 실험 결과, DBAC는 자원활용과 전송 성능을 크게 향상시켜, 기존 LIA가 20% 미만의 대역폭을 사용하는 것에 비해 높은 BDP 경로에서 80% 이상의 대역폭을 효과적으로 사용하는 것으로 나타났다.

지능형 로봇의 사용자는 다양한 이유로 로봇의 상태 정보가 필요하다. 이러한 지능형 로봇의 상태 정보는 지능형 로봇을 구성하는 기능 에이전트의 상태 정보를 조합하여 생성할 수 있다. 하지만 기존 지능형 로봇 시스템은 1) 지능형 서비스 로봇의 상태 정보 생성을 위해 필요한 에이전트 상태 정보를 생성하지 않거나, 각기 다른 방법으로 생성하고 있어 이를 일괄적으로 수집할 수 없다. 또한 2) 복수의 사용자가 같은 정보를 요청하면 이를 여러 번 수집하여 데이터 중복성 문제가 발생하였고, 3) 한 가지 통신 방법만을 지원하여 사용자가 원하는 통신 방법을 제공하지 못한다는 한계점을 가지고 있다. 본 논문에서는 이러한 한계점을 해결하기 위한 지능형 서비스 로봇을 위한 멀티 에이전트 모니터링 시스템을 제안한다. 이 모니터링 시스템은 1) 기능 에이전트의 행위 수행에 따라 상태 정보를 생성하게 함으로써, 에이전트 상태 정보를 단일화된 방법으로 생성 및 수집할 수 있다. 또한 2) 모니터링 시스템이 사용자의 모니터링 수요에 따라 필요한 데이터를 한 번씩만 수집하여 데이터 중복성 문제를 해결하며, 3) 사용자가 원하는 통신 방법을 지원하는 프록시를 통해 상태 정보를 전달하여 통신 방법에 대한 호환성을 제공한다. 우리는 실험을 통해 이 모니터링 시스템이 다양한 통신 방법을 활용하여 여러 사용자에게 지능형 로봇의 상태 정보를 전달하는 것을 확인할 수 있었다.

모바일 기기와 네트워크 인프라의 성장은 음악 산업에 상당한 변화를 초래하였다. 온라인 스트리밍 서비스의 등장으로 시공간의 제약 없이 음악 청취가 가능해졌고 소비자의 음악 창작과 공유 활동의 증가로 방대한 양의 음원 데이터가 축적되었다. 이로써 사용자의 취향에 맞는 추천을 위해 사용자의 행동 데이터를 기반으로 한 개인 맞춤형 음악 추천 모델이 활발히 연구되고 있다. 그러나 신규 사용자의 경우, 데이터가 부족하여 적절한 추천이 어려운 콜드 스타트 현상을 초래할 수 있다. 본 연구에서는 플레이리스트를 활용하여 음원 메타데이터를 Song sentence로 정의하고, 고차원 벡터 공간에 임베딩하여 유사도를 계산한 추천 알고리즘을 제안한다. 성능 평가 결과 가수, 장르, 작곡가, 작사가, 편곡가, 시대, 계절, 감정, 태그 리스트를 모두 활용한 제안하는 음원 추천 알고리즘이 가장 높은 성능을 보임을 알 수 있었다. 제안하는 추천 알고리즘은 사용자의 과거 행동 데이터에 기반한 추천 시스템이 아닌 음원이 자체적으로 보유한 정보에 근거하기 때문에 콜드 스타트 현상과 더불어 정보 편식 현상을 보완하여 사용자에게 보다 편리한 음악 감상 경험을 제공할 수 있을 것으로 기대된다.

깃허브에서 문서 저장소들은 다양한 작업을 수행하는 데 도움이 되는 정보들을 공유하기 위해서 쓰인다. 인기 있는 문서 저장소는 저장소를 관리하고 확장하는 데 도움을 주는 기여자들을 끌어들이는 데 유리하다. 따라서 문서 저장소의 관점에서 사용자들의 관심을 받는 전략을 세우기 위해서 인기 문서 저장소의 특징을 자세히 이해하는 것이 중요하다. 그 특징을 알아보기 위해서 깃허브 문서 저장소를 연구했다. 깃허브에 있는 문서 저장소 566개를 무작위로 수집하고 수집한 문서 저장소들의 주제를 수동으로 분류했다. 별점을 토대로 문서 저장소들을 인기 문서 저장소 집단과 비인기 문서 저장소 집단으로 구분했다. 그런 다음 인기 문서 저장소 집단이 가진 주제들을 추출하고, 인기 문서 저장소 집단과 비인기 문서 저장소 집단이 가지는 README 파일 특징의 차이를 통계적으로 조사했다. 그 결과로 연구 대상 문서 저장소 집단에 23가지 인기 주제가 있다는 것을 찾았다. 또한 인기 문서 저장소와 비인기 문서 저장소 사이에 5가지 README 특징 차이가 있다는 것을 찾았다. 이 연구 결과는 깃허브에서 어떤 문서 저장소가 인기 문서 저장소가 될 수 있는지를 나타낸다.

최근 성인 독서량은 지속적으로 감소하는데 비해 영상 콘텐츠 소비가 증가하고 있다. 이에 따라 새로운 사용자에 대한 선호도 및 행동 패턴에 대한 정보가 없고 새로운 도서에 대한 사용자 평가나 구매 정보가 부족해 콜드 스타트 문제와 데이터 희소성 문제가 발생하고 있다. 본 논문에서는 영상물 콘텐츠 기반 도서 하이브리드 추천 시스템을 제안하였다. 제안하는 추천 시스템은 영상물의 콘텐츠를 활용하여 콜드 스타트 문제와 데이터 희소성 문제를 해결할 수 있을 뿐만 아니라, 전통적인 도서 추천 시스템에 비해 성능이 향상됨을 보여주었다. 또한 장르, 줄거리, 평점 정보 등 사용자 취향 정보까지 모두 반영한 개인 맞춤형 추천 결과를 제시하였다.

추천 시스템은 기업의 매출 증가로 이어질 만큼 핵심적인 역할을 하기에 추천 시스템에 대한 연구는 과거부터 다양한 접근법과 모델들이 연구되어왔다. 그러나 이러한 다양성으로 인해 추천 시스템의 종류 또한 복잡하게 구성되고 있어 추천 모델을 선택하는 데 어려움이 따른다. 따라서 본 연구는 추천 시스템에서 적절한 추천 모델 선택의 어려움을 해결하고자, 다양한 추천 모델을 구분하는 통합적인 기준을 제공하고, 통일된 환경에서 이들의 성능을 비교 평가하였다. 실험은 MovieLens와 Coursera 데이터셋을 활용하였으며, 선형 모델(ADMM-SLIM, EASER, LightGCN)과 비선형 모델(Caser, BERT4Rec)을 HR@10과 NDCG@10 지표를 통해 성능을 평가하였다. 본 연구는 연구진과 실무자들에게 데이터셋 특성과 추천 상황에 맞는 최적의 모델을 선택하는 데 유용한 정보를 제공할 것이다.