earticle

영어

The recent exponential growth of academic publications and the expansion of interdisciplinary research have made it increasingly challenging for researchers to efficiently locate relevant papers. Traditional keyword-based search methods often fail to capture the multifaceted interests of researchers and exhibit limitations in recommendation accuracy. To overcome these challenges, AI-based academic paper recommendation systems are being actively developed, incorporating advanced techniques such as natural language processing (NLP), graph neural networks (GNN), reinforcement learning (RL), and large language models (LLM). This study provides an in-depth analysis of the evolution of AI-based paper recommendation systems, examining key technology trends, representative recommendation methods, and recent research cases. Furthermore, it proposes future directions for paper recommendation systems and discusses the potential for advancing personalized recommendation technologies, ultimately aiming to enhance academic research productivity.

한국어

최근 학술 논문의 급증과 학제 간 융합 연구의 확대는 연구자들에게 필요한 정보를 효율적으로 탐색하는 데 큰 어려움을 초래하고 있다. 기존의 키워드 기반 검색 방식은 다층적인 관심사 반영에 한계가 있으며, 추천의 정확성 또한 낮다. 이를 보완하기 위해 AI 기반 논문 추천 시스템이 활발히 개발되고 있으며, BERT, SciBERT, GPT와 같은 언어 모델, 그래프 신경망(GNN), 강화학습(RL) 등이 주요 기술로 적용되고 있다. 본 연구는 대표 시스 템인 Semantic Scholar의 의미 기반 추천, DBLP-GNN의 삼자 관계 그래프 모델, PubMed-MeSH 기반 필터링 방식 등을 중심으로 기술 동향과 알고리즘 구조를 분석한다. 또한 학문 분야별 특성을 고려한 추천 전략과 시스템 차별성을 비교하고, 향후 설명 가능성(Explainability)과 사용자 맞춤형 추천 고도화를 중심으로 한 발전 방향을 제시함으로써, 연구자 중심의 학술 정보 접근성을 향상시키는 데 기여하고자 한다.