SIGIR 2024 후기 by Minjin Choi 

23 July 2024 

저희 연구실에서는 SIGIR 2024 에서 아래 논문을 발표하게 되어 미국 워싱턴 D.C.에 다녀오게 되었습니다.

Minjin Choi, Hye-young Kim, Hyunsouk Cho, Jongwuk Lee. 2024. Multi-intent-aware Session-based Recommendation. The 47th International ACM SIGIR Conference on Research and Development in Information Retrieval.

[About Conference]

Submission Statistics

이번 SIGIR에는 총 791편의 Full papers와 362 편의 Short papers가 발표되었고, Acceptance Rate은 각각 20%, 24% 였습니다.

SIGIR 2023과 비교할 때, Short papers의 논문 수가 613편에서 362편으로 많이 줄었습니다.

Full & short Papers by Topic

Full paper와 Short paper의 주제 별 경향도 약간은 달랐습니다.

Full paper에서는 Recommendation Systems (RecSys)의 제출 수가 458 편으로 가장 다수를 차지하였습니다.

반면, Short paper에서는 RecSys의 제출수는 164 편으로 2순위로 내려가고 대신, ML&NLP가 가장 다수를 차지하였습니다. 

학회를 참여하며 느낀 점들

이번 SIGIR 2024를 참석하며 느꼈던 점을 간단히 정리하면 다음과 같습니다.

• [Recommendation Systmes] 

  • user-item interaction 만 활용하는 연구 (Collaborative filtering, sequential recommendation) 들은 여전히 연구되고 있으나, 확실히 줄고 있는 추세로 보입니다.

  • Side information, Multi-modal, Cross-domain, LLM 등 다른 정보를 활용하거나 더 어려운 문제를 푸는 경우가 많아지는 것 같습니다.

  • 기존에 많이 연구된 주제 (e.g., sequential recommendation) 보다 조금 더 새로운 주제 (e.g., multi-modal recommendation)는 주제 자체로 조금 더 참신하게 바라봐 주는 것 같습니다.

• [Information Retrieval] 

  • Dense retrieval 개선하는 건 힘들어 보이고, RAG, GenIR등 LLM 접목하려는 시도에 확실히 관심이 많아 보였습니다.

  • 이 덕분인지 검색 논문 자체의 비중은 작년보다 더 늘어난 느낌입니다.

Oral & Poster Sessions (Selected)

저의 연구 주제와 관련하여,  주의 깊게 보았던 논문들은 아래와 같습니다. 

• Generative IR & Generative RS: 최근 LLM의 높은 성능을 검색이나 추천시스템에 활용하고자 하는 연구들이 많이 진행되고 있고, 그 중 하나의 방향이 문서 혹은 아이템의 식별자(ID)를 정의하여, LLM이 식별자를 직접적으로 생성하게 하는 방법들입니다. 

  • Generative Retrieval via Term Set Generation

  • Planning Ahead in Generative Retrieval: Guiding Autoregressive Generation through Simultaneous Decoding

  • IDGenRec: LLM-RecSys Alignment with Textual ID Learning

  • OpenP5: An Open-Source Platform for Developing, Training, and Evaluating LLM-based Recommender Systems

• Multimodal RS: 기존에 많이 활용되던 평점이나 클릭, 리뷰 등에서 벗어나, 이미지나 텍스트 기반의 메타데이터 등을 활용하여 아이템에 대해 더 잘 표현하고자 하는 연구들도 최근 많이 진행되고 있습니다.

  • UGNCL: Uncertainty-Guided Noisy Correspondence Learning for Efficient Cross-Modal Matching

  • M3oE: Multi-Domain Multi-Task Mixture-of Experts Recommendation Framework

  • Content-based Graph Reconstruction for Cold-start Item Recommendation

• RS with Neg Feedback: 기존에 무시되던  Negative Feedback (skip, low rating 등)을 활용하여 사용자의 선호를 더 잘 파악하고자 하는 연구 또한 최근 많이 진행되고 있는 것 같습니다.

  • NFARec: A Negative Feedback-Aware Recommender Model

  • SIGformer: Sign-aware Graph Transformer for Recommendation

[D.C. Memories]