arXiv:2606.19690v1 cs.LG

웹 지능형 향상 시스템을 위한 다중 입도 어텐션 기반 강화학습 프레임워크

Multi-Granular Attention-Driven Reinforcement Learning Framework for Web Intelligent Enhancement Systems

Navin Chhibber, Deepak Singh, Anokh Kishore, Nikita Chawla, K. Anguraj

제출 2026-06-18

한국어 초록

최근 몇 년간, 웹 지능형 향상 시스템은 개인화되고 문맥을 인식하는 서비스를 제공하기 위해 이질적이고 동적인 웹 데이터에 점점 더 의존하고 있습니다. 그러나 기존의 기계 학습, 심층 학습, 강화학습 모델은 지속적으로 진화하는 웹 환경에서 의미적 이해, 적응성, 확장성 측면에서 어려움을 겪는 경우가 많습니다. 본 연구에서는 의미론적 그래프 모델링, 어텐션 메커니즘, 적응형 강화학습을 통합하여 이러한 문제를 해결하기 위해 다중 입도 어텐션 기반 강화 웹 지능형 향상 시스템(MGAR-WIES)을 제안합니다. 먼저, 구조화된, 반구조화된, 비구조화된 소스로 구성된 이질적인 웹 데이터를 수집하고 전처리하여 통합된 특징 표현을 생성합니다. 이러한 표현들은 동적인 의미론적 그래프로 변환되며, 여기서 엔티티와 그 관계는 지역적 관련성과 전역적 문맥 의존성을 모두 포착하기 위해 어텐션 메커니즘으로 향상된 그래프 임베딩을 사용하여 모델링됩니다. 이후, 적응형 다중 에이전트 강화학습 전략은 콘텐츠 추천, 내비게이션 최적화, 서비스 적응과 같은 개인화된 웹 행동을 최적화하기 위해 어텐션 인식 의미 상태를 활용합니다. 마지막으로, 지속적인 온라인 피드백을 통합하여 그래프 표현과 학습 정책을 실시간으로 업데이트함으로써 지속적인 적응성과 성능을 보장합니다. 제안된 MGAR-WIES는 기존 접근 방식과 비교했을 때 정확도(80%) 측면에서 더 나은 결과를 달성했습니다.

원문 초록

From the past few years, web intelligent enhancement systems increasingly rely on heterogeneous and dynamic web data to deliver personalized, context-aware services. However, traditional machine learning, deep learning, and reinforcement learning models often struggle with semantic understanding, adaptability, and scalability in continuously evolving web environments. In this research, a Multi-Granular Attention-based Reinforcement Web Intelligent Enhancement System (MGAR-WIES) is proposed to address the challenges by integrating semantic graph modeling, attention mechanisms, and adaptive reinforcement learning. Initially, heterogeneous web data comprising structured, semi-structured and unstructured sources are collected and preprocessed for generating unified feature representations. These representations are transformed into a dynamic semantic graph, where entities and their relationships are modeled by using graph embeddings enhanced by attention mechanisms for capturing both local relevance and global contextual dependencies. Subsequently, an adaptive multi-agent reinforcement learning strategy leverages the attention-aware semantic states to optimize personalized web actions like content recommendation, navigation optimization, and service adaptation. Finally, the continuous online feedback is further integrated to update graph representations and learning policies in real time by ensuring sustained adaptability and performance. The proposed MGAR-WIES acheived better results in terms of accuracy (80%) when compared with existing approaches.

제출 이력

확인된 버전만 표시합니다. 전체 제출 이력은 arXiv 원문에서 확인하세요.

  1. arXiv:2606.19690v1제출 시각 미확인

함께 살펴볼 논문

공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.

arXiv:2609.26218v1cs.IR공통 태그 Recommendation Systems, Graph Embedding

학술 출판 네트워크에 대한 시맨틱 접근법: OpenAlex 데이터 기반 문서 벡터 표현 및 하이브리드 구조적-시맨틱 융합

A Semantic Approach to the Academic Publishing Network: Document Vector Representations and Hybrid Structural-Semantic Fusion over OpenAlex Data

학술 출판 네트워크에 대한 구조적 그래프 분석은 엔티티 간의 위상학적 관계를 포착하지만 연구 저작물의 내용은 파악하지 못합니다. 본 연구는 기존 구조적 접근법을 바탕으로 시맨틱 층(layer)과 매개변수화된 구조적-시맨틱 융합을 통해 이를 보완합니다. 우리는 과학 문헌을 인용 정보 기반 벡터 임베딩(SPECTER2)으로 표현하고, 고유한 OpenAlex ID를 키로 하여 임베디드 벡터 데이터베이스에 저장함으로써 그래프 층과 직접 연결되도록 합니다. 또한 시맨틱 유사도(임베딩의 코사인 유사도)와 구조적 유사도(서지 결합)를 특정 태스크에 따라 값이 선택되는 조정 가능한 가중치(weight) 알파(alpha)로 결합하는 모듈형 후기 융합 함수를 정의합니다. VSB - Technical University of Ostrava 코퍼스를 대상으로 두 가지를 보여줍니다. 즉, 인용 정보 기반 임베딩은 TF-IDF 기준선(baseline)보다 전문가가 구축한 OpenAlex 주제 분류 체계와 더 잘 일치하며, 추천 활용 사례에서는 가용 데이터에 따라 구조적, 시맨틱 및 결합된 신호가 서로 다른 체계에서 정보를 전달한다는 점입니다. 여기서 하이브리드 융합은 보편적으로 더 우수한 방법이라기보다는 태스크에 맞추어 상호 보완적인 신호를 제어하기 위한 명시적 메커니즘입니다. 우리는 재현 가능한 워크플로와 함께 전체 접근법을 apnet 라이브러리의 오픈 소스 확장으로 공개합니다.

arXiv:2607.09954v1cs.GT공통 태그 Recommendation Systems, Multi-agent Reinforcement Learning

보안 제어 추천을 위한 지식 기반 다중 에이전트 프레임워크

A Knowledge-Based Multi-Agent Framework for Security Control Recommendation

온프레미스 IT 환경을 강화하는 작업은 충분한 사이버보안 전문 지식을 보유하지 못한 팀에게 매우 부담스러운 과제일 수 있다. 이와 관련하여, 전문 지식이 내재된 의사결정 지원 시스템(DSS)은 사용자가 목표를 달성할 수 있도록 보안 권고 사항을 안내함으로써 도움을 줄 수 있다. 본 연구는 다양한 보안 차원의 커버리지를 나타내는 최소한의 사용자 요구 사항을 입력받아 보안 제어 하위 패밀리를 추천하는 보안 DSS를 제안한다. 이 시스템은 잘 알려진 정보 보안(InfoSec) 및 학술 출처로부터 수집된 정제된 통합 데이터셋을 활용한다. 이 DSS는 다중 에이전트 영향 다이어그램(MAID) 모델에 기반한 비제로섬(non-zero-sum) 동시 게임으로 정의되며, 7개의 보안 차원 또는 에이전트에 걸친 결정 공간을 탐색하기 위해 후회 없는(no-regret) 온라인 학습을 사용하여, 보안 자원의 과소 및 과잉 프로비저닝을 최소화하면서 요구 사항에 가장 적합한 보안 제어 하위 패밀리를 최종적으로 도출한다. 본 연구는 다양한 데이터셋 크기에 대해 성능 및 정확도 등 여러 측면에서 검증되었다. SW로 구현 가능한 보안 제어의 약 65%만을 사용할 경우 1.2~35.7초 내에 99%의 탁월한 만족 커버리지 결과를 보여주었으며, 제어의 약 29%를 사용할 경우에는 0.8~13.8초 내에 73%~77%의 보다 보통 수준의 커버리지 결과를 나타냈다.

arXiv:2607.02539v2cs.SI공통 태그 Recommendation Systems

만족을 넘어서: 콘텐츠, 리뷰, 웰빙 간의 연관성 학습

Beyond Satisfaction: Learning Associations Between Content, Reviews, and Well-Being

추천 알고리즘은 사람들이 온라인에서 소비하는 것을 형성하지만, 주로 별점, 좋아요, 감성과 같은 사용자 만족의 신호에 맞추어 최적화된다. 이러한 신호가 순간적 선호를 넘어 사용자에게 무엇이 좋은지를 포착하는지는 대체로 검토되지 않았다. 웰빙은 만족을 넘어서는, 심리학에 기반한 대안적 목표를 제공한다. 본 연구는 이를 리뷰에 나타난 PERMA 다섯 측면의 즉각적 표현과 지속적 표현으로 조작화한다. 실증적으로, 즉각적인 긍정 정서와 몰입은 더 쾌락적(즐거움 지향)으로 군집을 이루는 반면, 관계, 의미, 성취, 그리고 지속적인 긍정 정서와 몰입은 더 행복주의적(의미 및 성장 지향)으로 나타난다. Goodreads 리뷰 1,370만 건과 도서 1만 6천 권의 내용을 분석하여, PERMA 표현이 만족 목표와 어떻게 다른지, 그리고 어떤 도서 내용 특징이 이와 연관되는지를 연구한다. 첫째, 만족 신호(별점과 리뷰 감성)는 즉각적인 쾌락적 웰빙과는 중간 정도의 상관을 보이나(r = .43-.50) 그 지속적 표현과는 상관이 더 낮고(r <= .28), 행복주의적 측면과는 거의 연관이 없다(r <= .09). 둘째, 도서 내용 특징은 만족 신호(|r| <= .15)보다 PERMA 측면과 더 강하게 연관된다(r 최대 .46). 즉각적 쾌락적 웰빙과 연관된 내용은 지속적 및 행복주의적 웰빙과 연관된 내용과 다르다. 3인칭 대명사와 과거 지향 언어는 즉각적 몰입과 양의 관계를 보이지만(d=1.14, 1.05) 모든 지속적 측면과는 음의 관계를 보이며(d 최저 -1.58, -1.32), 친사회적 언어와 성취 지향 언어는 각각 관계와 성취와 관련된다(d=.45, .96). 이러한 결과는 만족 신호가 사용자가 표현하는 웰빙의 일부만을 포착하며, 웰빙에 기반한 목표를 사용하면 플랫폼이 상당히 다른 콘텐츠를 추천하게 될 수 있음을 시사한다.

토론

이 논문과 연결된 포럼 글이 아직 없습니다.