3. 인사이트 

1. 문제 인식 

정보 검색 시, 의미 기반 검색을 위해 자연어를 Feature Vector로 변환하는 Embedding 모델은 검색 Core 기술로 사용됩니다. 그러나 범용 임베딩(General Embedding) 모델은 금융처럼 도메인 특화된 분야의 고유의 의미적 특성을 충분히 반영하지 못합니다. 또한 특히 한국어와 같이 low-resources 환경에서 용어 불일치, 번영 과정에서의 의미 왜곡, 그리고 영어 중심 학습 데이터의 편향으로 인해 표현력의 한계가 더욱 두드러집니다. 

금융 Embedding 모델을 서비스에 적용하며 다음 3가지 문제 의식을 기반으로 연구를 수행했습니다. 

• 한계 1 : 금융 언어 특성으로 인한 의미적 손실 
    금융 텍스트는 일반적인 범용 도메인과 상이하게 ① 높은 금융 전문 지식을 요구하는 고유 용어, ② 시기에 따라 의미가 변화하는 시간적 민감성, ③ 깊은 맥락 의존적 해석을 요구합니다. 또한 한국어 특유의 문화적 뉘앙스 차이도 발생할 수 있습니다. 예를 들어, “견조한 성장” vs “강력한 성장”은 모두 영어로 “Strong growth” 로 변환되지만, 실제 금융 맥락에서는 서로 상이한 의미를 지닙니다. 이러한 의미적 손실은 한국어 금융 환경에서 검색 결과 왜곡, 요약/분류 판단 오류로 이어집니다. 
  
  
• 한계 2 : 영어 중심의 학습 데이터의 편향 
    현재 대부분의 SOTA(State-of-the-Art) Embedding 모델은 일반적인 영어 Corpus 기반으로 학습되어 있어, 한국어 금융 문장 Feature를 반영할 학습 데이터가 매우 제한되어 있습니다. 이로 인해 용어 커버리지 부족, 도메인 지식 미반영, 영어-한국어 간 Semantic Alignment의 품질이 저하되고, 번역 과정에서 의미 왜곡과 개념 불일치 문제가 발생하고 있습니다. 
  
  
• 한계 3 : 성능 검증을 위한 Evaluation Benchmark의 부족 
    기존 Embedding 성능 평가 시 사용되는 MTEB, FinMTEB Benchmark는 General한 분야의 영어 중심 구성으로, 금융 분야의 한국어 문서를 평가하기에 적절한 기준을 제공하지 못합니다. 금융 텍스트의 세밀한 의미 차이, 실시간 맥락 변화, 영어–한국어 간 교차 언어 표현의 정렬 문제 등을 효과적으로 측정하고 개선할 수 있는 체계가 부족하여 정량적, 정성적 성능 검증 및 실 적용 검증이 불가합니다. 

2. 제안 방법 

본 연구는 금융 특화 도메인의 영어–한국어 Semantic Alignment를 강화하기 위한 Benchmark 구축 및 이중 언어(Bi-lingual) Embedding 모델 개발을 목표로 진행했습니다. 

제안 1. KorFinMTEB & KorFinSTS Benchmark 

본 연구는 영어 번역 데이터에 의존하지 않고, Native 한국어 기반의 금융 문서 (① 금융&경제 뉴스, ② 투자 리서치 보고서, ③ 기업 공시, ④ 법률 규제 문서)를 직접 수집 및 정제하여 Benchmark를 구축했습니다. TWICE 는 한국어-영어 Cross-lingual Semantic Alignment의 한계 극복을 위해 Classification/ Retrieval/ Reranking/ Clustering/ Summarization등 7개 Task, 26개 데이터셋으로 구성하여 KorFinMTEB을 구축했습니다. NMIXX 는 미세 의미 변화 평가를 위해 STS(Semantic Textual Similarity) 평가를 구조화 하여 ① 시간 변화(Temporal Variation), ② 관점 프레이밍 (Perspectival Framing), ③ 구조적 형식성 (Structural Formality & Consistency), ④ 규칙 기반 의미 (Rule-based Semantics) 4가지 의미 변동 축을 중심으로 KorFinSTS를 설계했습니다. 

제안 2. NMIXX : Neural eMbeddings for Cross-lingual eXploration of Finance 

금융 문장 의미 표현력과 Cross-lingual Semantic Alignment(영·한 의미 정렬)를 동시에 강화한 Embedding 모델을 학습하기 위해 18.8K의 Triplet (Paraphrase / Semantic Hard Negative / Bi-lingual Alignment Pair)을  구성하여 대조 학습(Contrastive Learning)을 수행했습니다. 

3. 인사이트 

  본 연구는 한국어 금융 텍스트 환경에서 Native 데이터 수집 → 평가 Benchmark 구축 → 금융 도메인 특화 임베딩 모델 개발 → 오픈소스 공개로 이어지는 재사용 가능한 Framework를 제시합니다. 

TWICE 연구에서는 Retrieval, STS, Summarization, Classification과 같이 문장 의미 분해가 핵심인 과제에서 KorFinMTEB평가 수행 시 번역 기반(Trans Eng-to-Ko)은 한국어 기반(Native Kor) 대비 5~8% 성능 격차를 보였습니다. 이는 도메인에서 요구되는 미세 의미 구분·관점 차이 인식·문체적 다양성 처리 능력을 충분히 반영하지 못해 모델 성능이 과대평가되는 구조적 문제가 존재함을 밝혔습니다.

NMIXX 연구에서는 선행 연구의 문제 인식을 바탕으로 금융 문장의 시간 변화· 관점· 형식성· 규칙 기반 의미의 네 차원으로 구성된 KorFinSTS Benchmark를 설계하여 기존에 포착하지 못한 의미적 층위를 정량화했습니다. 또한 Cross-lingual Alignment 강화 Embeding 모델을 학습 및 개발함으로써 한국·영어 금융 문서를 연결할 수 있는 가능성을 확인했습니다. 실험 결과, FinSTS와 KorFinSTS에서 각각 10%, 22%의 성능 향상을 하나, General STS의 성능 저하를 발견할 수 있었습니다. 이는 모델 capacity 기반의 도메인 specialization–generalization trade-off가 실증적으로 확인된 것으로, 향후 사용자 요구에 맞춰 도메인 특화 모델과 범용 모델을 선택적으로 활용할 수 있음을 시사합니다. 

본 연구는 의미 기반 검색·문서 추천·요약 등 실제 서비스 적용 가능성을 검증했으며, 향후 금융을 시작으로 법률·의료·행정 등 전문 용어 비중이 높고 저자원, 문맥 의존성이 강한 도메인으로 확장 기반을 마련해 KT의 AI 경쟁력 확보에 기여할 것으로 기대됩니다.

M-LLM3REC: A Motivation-Aware User-Item Interaction Framework for Enhancing Recommendation Accuracy with LLMs (Lining Chen, Qingwen Zeng)

1. 문제 인식 

전통적인 추천 시스템은 사용자의 과거 행동 데이터(Interaction History)에 주로 의존해 개인화 추천을 수행해 왔습니다. 그러나 이러한 방식은 데이터가 부족한 data-sparse 또는 cold-start 상황에서 추천 품질이 급격히 저하되는 근본적인 한계를 갖고 있습니다. 최근에는 LLM을 활용해 사용자 프로필을 보완하거나 가상 상호작용을 생성하는 시도들이 등장했지만, 대부분 겉으로 표현된 텍스트 정보나 표면적 유사성(semantic similarity)에만 집중해, 사용자 행동의 근본적인 이유를 포착하지 못했습니다.

본 논문은 기존 접근 방식의 한계를 해결하기 위해, 사용자의 행동 이면에 존재하는 ‘동기(Motivation)’를 추출하고 이를 추천 시스템의 핵심 표현으로 활용하는 새로운 관점을 제시합니다. 즉, 사용자가 어떤 아이템을 선택했는지보다 왜 선택했는지를 모델링하는 것이 이번 연구의 핵심입니다. 이를 통해 희소 데이터 환경에서도 더 정교하고 일관된 추천이 가능함을 실험으로 입증합니다.

2. 제안 방법: M-LLM³REC

M-LLM³REC는 Motivation-aware User-Item Interaction Framework로, LLM을 활용해 사용자 내재 동기를 표현하고 추천에 활용하는 새로운 구조를 제안합니다. 세 가지 핵심 구성 요소로 이루어져 있습니다.

(1) MOPE (Motivation-Oriented Preference Extraction)

• 사용자가 어떤 아이템을 선택했는지에 대한 기록을 LLM에게 입력하여, “그 선택을 하게 된 이유(동기)가 무엇인지”를 추출하는 과정입니다. 즉, 단순히 “A 상품을 좋아한다”가 아니라 “왜 그 상품을 좋아했는지”를 텍스트 형태로 뽑아내는 단계라고 볼 수 있습니다.
  → 이 방식은 적은 데이터만 있어도 사용자의 성향을 잘 파악할 수 있다는 장점이 있습니다.

(2) MOTE (Motivation Trait Enrichment)

• MOTE는 MOPE에서 추출된 개별 동기들을 다시 더 큰 범주의 성향(Trait)으로 묶어주는 단계입니다. 여러 행동 원인을 하나의 상위 성향으로 정리하여, 사용자의 일관된 ‘핵심 성격’(User Identity)을 표현하는 단계입니다.
  → 사용자의 행동 이유들을 더 일반적이고 재사용 가능한 성향으로 바꿔줍니다.

(3) MAR (Motivation-Aware Retrieval)

• Trait 정보를 아이템의 의미적 특성(category, purpose 등)과 비교·정렬하여 추천을 최종 생성하는 단계입니다. 과거 방식이 “과거에 비슷한 아이템을 봤으니 또 비슷한 것을 추천한다”였다면, 여기서는 “사용자의 동기·성향과 이 아이템의 특성이 잘 맞는가?” 라는 기준으로 추천을 수행합니다.
  → 사용자의 심리적 동기와 아이템의 본질적 특성을 연결해주는 역할을 합니다.

3. 인사이트: KT 서비스 적용 가능성

이번 연구가 던지는 핵심 메시지는 단순합니다. 사용자의 겉보기 행동만 보고 추천을 만드는 시대는 끝났으며, 행동의 ‘이유’를 모델링해야 한다는 것입니다. 이 철학은 KT의 다양한 AI 기반 서비스에도 직접적으로 확장 가능합니다

• 고객 상담·지원 챗봇: 고객과의 대화를 표면적으로 처리하는 기존 방식에서 벗어나, 고객의 질문 자체보다 질문 뒤에 있는 의도와 목적을 파악해 능동적으로 해결 경로를 제안하는 챗봇을 구현할 수 있습니다. 모델이 대화 흐름을 분석해 필요한 정보를 먼저 묻거나 적절한 해결 단계를 스스로 구성함으로써, 단순 응답 제공이 아닌 ‘목적 기반 문제 해결 챗봇’으로 발전시키는 데 활용할 수 있습니다.
• 고객 맞춤형 혜택 추천 강화: 고객이 특정 서비스를 선택한 이유를 LLM이 추론해 이를 간단한 성향(Trait)으로 정리하고, KT의 다양한 상품 특성과 매칭하여 보다 자연스럽고 설득력 있는 추천을 만들 수 있습니다. 이를 통해 단순 행동 기반이 아닌, 고객의 실제 목적과 선호에 맞춘 동기 중심 개인화 추천이 가능해집니다. 

3.2 시간 기반 관심 매칭을 활용한 추천 모델링

Is This News Still Interesting to You? Lifetime-aware Interest Matching for News Recommendation (Seongeun Ryu, Yunyong Ko, Sang-Wook Kim)

1. 문제 인식 

기존 뉴스 추천 연구는 사용자·뉴스 표현과 관심사 매칭 고도화에 집중해 왔지만, 뉴스 도메인은 영화, 쇼핑, 음악 등 다른 추천 영역과 달리 콘텐츠의 유효 기간이 짧고 시간 민감성이 높은 특성을 가진다는 것을 충분히 반영하지 못했습니다. MIND 데이터셋 기준, 클릭된 뉴스의 80%가 뉴스 발행 시간 기준 48시간 내에 이루어진다는 점은 뉴스 소비가 본질적으로 시간 중심적임을 보여줍니다. 본 논문은 기존 방법론들이 다루지 않았던 시간적 요인을 두 가지 핵심 문제(C1, C2)로 정의합니다.

• (C1) Leveraging age of news in click history. 
  뉴스의 유효성은 “발행 시점”이 아니라 “실제 클릭까지의 경과 시간”으로 드러나지만, 기존 모델은 후보 뉴스의 발행 시간만 고려했습니다.
• (C2) Varying lifetime across topics and users.
  뉴스의 유효기간은 주제와 사용자 특성에 따라 크게 달라질 수 있습니다. 스포츠 뉴스는 수시간 내 소멸하는 반면, 여행 정보 뉴스는 며칠 이상 유지되기도 하며, 동일한 주제라도 사용자마다 차이가 존재하기도 합니다. 그러나 기존 연구들은 모든 뉴스에 대해 고정적인 유효기간을 가정해왔습니다.

LIME은 “뉴스가 언제 클릭되었는가”, “사용자·주제별 lifetime은 어떻게 다른가”를 동시에 고려하는 시간 인식(time-aware) 추천 프레임워크입니다.

2.제안 방법 

LIME (Lifetime-aware Interest Matching for nEws Recommendation)은 총 3가지의 시간 정보 학습 모듈로 구성된 model-agnostic 프레임워크입니다.

• Age-aware news modeling: user-topic lifetime을 고려한 news encoding
  뉴스의 age(발행 후 클릭까지의 시간)와 사용자가 주제에 대해 관심을 유지하는 기간인 User-Topic Lifetime을 함께 사용하여, 뉴스의 상대적 시간 정보를 encoding 합니다. 이는 뉴스 콘텐츠 임베딩과 결합하여, 사용자-주제 맥락에서 유효한 시점의 뉴스 표현을 생성합니다.
• Lifetime-aware user modeling: 후보 뉴스 특성을 기반으로 한 user encoding
  후보 뉴스의 topic embedding을 query로 사용해 주제·시간적으로 가까운 클릭 뉴스에 더 높은 가중치를 부여함으로써 사용자의 semantic + temporal preference를 모두 반영합니다.
• Freshness-guided interest matching: 후보 뉴스의 Freshness 기반 matching
  후보 뉴스의 age와 user-topic lifetime 차이(Freshness)를 활용해 시간적으로 가치가 떨어진 뉴스는 점수에서 자연스럽게 페널티가 적용되도록 합니다.

3. 인사이트: KT 서비스 적용 가능성

LIME은 사용자 관심의 시간적 변화까지 학습하는 AI가 추천 품질을 얼마나 향상시킬 수 있는지를 잘 보여줍니다. 이는 KT의 다양한 서비스에도 직접적인 시사점을 제공합니다.

• 고객 문의의 ‘관심 지속 시간’을 이해하는 고객 상담 AI
    LIME의 사용자–주제 lifetime 개념은 고객이 특정 문제를 얼마나 지속적으로 인지하고 있는지 파악하는 데 중요한 역할을 할 수 있습니다. 이를 활용하면 고객 상태를 더 정확하게 이해하고, 문제 재발 가능성 예측·우선 응대·맞춤형 상담 전략 수립 등 상담 품질 전반을 향상시킬 수 있습니다.
• 미디어/콘텐츠 추천 서비스: “지금” 보기에 적합한 콘텐츠 추천
    미디어 소비는 시간에 따라 관심이 변화하는 도메인입니다. LIME의 시간적 맥락을 고려한 추천 모델링을 기반으로, 사용자가 특정 장르나 프로그램에 대해 얼마나 오랫동안 관심을 유지하는지, 그리고 그 관심이 지속 중인지·감소 중인지를 반영한다면, 사용자의 시청 흐름에 맞춘 추천, 적절한 재노출 타이밍 조절 등 다양한 측면에서 서비스 경쟁력이 강화될 것입니다.

이번 CIKM 2025 참석은 데이터베이스, 정보검색, 지식 관리라는 전통적 분야부터 LLM·추천·그래프 등 최신 트렌드까지 한 자리에서 조망할 수 있었던 매우 의미 있는 경험이었습니다. 연구의 흐름이 빠르게 진화하고 있음을 체감했으며, 단순한 데이터·모델 결합을 넘어 더 깊은 문제를 다루는 연구들이 특히 인상적이었습니다. 저희가 발표한 연구들 또한 여러 연구자들과 논의하며 새로운 관점을 얻을 수 있었고, 앞으로의 연구 방향을 고민하는 데 큰 도움이 되었습니다.

또한 글로벌 연구자들과 직접 교류하며 저희 연구 및 다양한 분야의 연구를 바탕으로 KT가 나아가야 할 기술 방향성에 대해 다시 한번 고민하는 계기가 되었습니다. CIKM에서 얻은 인사이트는 단순히 모델 성능 향상뿐 아니라, 어떤 데이터를 어떻게 해석하고, 어떤 방식으로 표현하며, 이를 실제 환경에서 어떤 문제 해결로 연결할 것인가라는 근본적인 질문을 다시 생각하게 만들었습니다. CIKM에서 얻은 인사이트를 바탕으로, 앞으로도 AI 기술을 고민하고, 현업에 적용 가능한 실질적 연구로 이어갈 수 있도록 지속적으로 정진하겠습니다.