오늘의 연구는 어떤 논문에서 시작할까 — 집현전의 연구자 페르소나 기반 논문 추천
집현전 논문 추천을 검색 기능이 아니라 연구자가 오늘 무엇을 읽을지 결정하도록 돕는 연구 워크플로로 해석한 설계 기록. OpenClaw/SOUL 개인화 가설, 로컬 기준선, 날짜별 추천 기록의 경계를 함께 다룬다.
논문을 많이 읽는 연구자에게 어려운 질문은 “무엇을 검색할까”보다 “오늘은 무엇부터 읽을까”에 가깝다. 검색창은 이미 충분히 많은 답을 돌려준다. 문제는 답이 너무 많고, 어제의 관심사와 오늘의 연구 질문이 조금씩 달라진다는 데 있다.
집현전, 논문 탐색·리뷰를 돕는 연구 워크플로 서비스의 추천 문제는 여기서 출발했다. 만들고 싶었던 것은 검색창을 조금 더 똑똑하게 만드는 기능이 아니라, 사용자가 남겨 온 북마크, 메모, 딥리뷰의 흔적을 읽고 오늘의 연구 세션을 시작할 만한 논문 후보를 먼저 좁혀 주는 장치였다.
독자가 이 글에서 보게 될 흐름은 단순하다. 집현전은 사용자의 연구 흔적을 바탕으로 오늘 볼 만한 논문 카드를 만들고, 그 추천 목록을 날짜별 기록으로 남기며, 외부 개인화 추천이 없을 때도 보수적 기준선으로 빈 화면을 피한다. 즉 추천은 정답지가 아니라 다음 읽기 결정을 돕는 연구 세션의 입구다.
다만 이 글은 “최고의 추천 모델을 만들었다”고 주장하지 않는다. 안정적으로 구현된 경계는 OpenClaw가 만든 추천 기록을 검증해 사용자별·날짜별 알림과 카드 경험으로 연결하는 부분이다. User SOUL, 후보군 전체 재정렬, 행동 기반 장기 개선은 OpenClaw 쪽 개인화 가설이거나 앞으로 검증해야 할 연구 질문이다.
이 글에서 쓰는 핵심 용어도 먼저 짧게 정리해 둔다.
- OpenClaw: 집현전 바깥에서 사용자 연구 흔적을 읽고 개인화 추천 기록을 만드는 상위 파이프라인.
- User SOUL: 사용자별로 갱신되는 Markdown 연구 맥락 메모. 완성된 취향 점수가 아니라 연구자 페르소나 가설이다.
- 관점: 같은 후보 논문을 keyword 기준, SOUL 기준처럼 서로 다른 방식으로 정렬한 결과.
- 추천 기록: 특정 사용자와 날짜에 고정된 추천 결과 파일. 나중에 평가할 수 있는 스냅샷이다.
그림 1은 이 글 전체의 지도를 먼저 보여준다. 왼쪽은 연구자의 신호, 가운데는 OpenClaw의 개인화 가설, 오른쪽은 집현전이 실제 서비스 경험으로 고정하는 추천 기록과 카드다.
그림 1. OpenClaw 기반 개인화 논문 추천 브리지. 집현전이 안정적으로 맡는 경계는 OpenClaw 추천 기록을 검증해 사용자별·날짜별 추천 목록과 병합된 추천 카드로 노출하는 부분이다. Profile/SOUL 갱신, keyword 관점과 SOUL 관점의 후보군 전체 재정렬, 장기 피드백 루프는 OpenClaw 쪽 개인화 가설이거나 앞으로 행동 로그와 연결해 검증해야 할 연구 경계로 둔다.
첫 번째 흐름: 추천을 연구 워크플로 문제로 다시 쓰기
논문 추천은 쇼핑 추천이나 뉴스 추천과 다르다. 연구자는 논문을 클릭했다고 해서 곧바로 만족한 것이 아니고, 북마크했다고 해서 결론을 낸 것도 아니다. 어떤 논문은 오늘은 지나쳤지만 다음 주 실험 설계에서 중요해질 수 있고, 어떤 논문은 제목만 보고 저장했지만 실제 연구 방향과는 멀 수 있다.
그래서 집현전이 맞혀야 하는 것은 “사용자가 좋아할 논문 하나”가 아니다. 더 중요한 것은 오늘의 연구 행동으로 이어질 가능성이 있는 후보 집합이다. 한 편은 지금 쓰는 방법론을 보강해야 하고, 한 편은 놓친 관련 연구를 메워야 하며, 또 한 편은 너무 익숙한 경로 밖의 새 가능성을 열어야 한다.
현재 설계가 마주한 연구 문제는 세 가지다.
| 연구 문제 | 연구자에게 나타나는 모습 | 이번 설계의 답 |
|---|---|---|
| 콜드 스타트(cold start) | 북마크가 적거나 연구 흔적이 아직 얇다 | 최근 논문과 설명 가능한 보수적 기준선으로 빈 화면을 피한다 |
| 약한 피드백(implicit feedback) | 클릭, 검색, 저장, 메모가 모두 불완전한 선호 신호다 | 단발 행동보다 반복되는 연구 궤적을 본다 |
| 다양성과 새로움(diversity / novelty) | 점수만 높이면 이미 보던 주제만 반복될 수 있다 | keyword 관점과 SOUL 관점을 나란히 남겨 비교한다 |
이 선택은 화려하지 않지만 초기 연구 추천 시스템에는 중요하다. 사용자 수와 행동 로그가 충분하지 않을 때는 “비슷한 사용자가 읽은 논문”보다 “이 연구자가 반복해서 붙잡아 온 질문과 방법론”이 더 신뢰할 수 있는 출발점이기 때문이다.
추천의 대상은 취향이 아니라 연구자 페르소나다
이 추천 시스템이 바라보는 사용자는 단순히 논문을 소비하는 독자가 아니다. 연구자는 여러 논문을 모아 하나의 질문을 다듬고, 어제의 메모를 오늘의 실험으로 바꾸며, 관심 없어진 방향을 의식적으로 내려놓는 사람이다.
예를 들어 같은 “Graph Neural Network”라는 키워드를 검색하더라도 어떤 사람은 이론적 표현력을 보고, 어떤 사람은 추천 시스템 응용을 보고, 또 다른 사람은 도시 이동성 데이터에서의 편향 문제를 본다. 키워드는 같아도 연구자가 실제로 찾는 다음 논문은 다르다.
따라서 개인화의 단위도 키워드 목록만으로는 부족하다. 집현전이 다루고 싶은 것은 사용자의 연구 페르소나다. 추천은 “당신은 이런 논문을 좋아할 것”이라고 단정하기보다, “오늘의 연구 흐름에서는 이 후보들을 먼저 검토해볼 만하다”고 제안해야 한다.
User SOUL은 연구 정체성을 기록하는 작은 메모다
User SOUL은 신비한 취향 점수나 완성된 개인화 모델이 아니다. OpenClaw 쪽에서 사용자별로 유지하도록 설계한 작은 Markdown 연구 프로필에 가깝다. 여기에는 장기 연구 질문, 선호하는 방법론, 반복적으로 돌아오는 관심사, 피하고 싶은 방향, 당분간 낮출 키워드, 변경 이력 같은 정보가 담길 수 있다.
중요한 점은 SOUL을 고정 프롬프트가 아니라 계속 갱신되는 연구 메모로 다룬다는 것이다. 사용자가 최근 시스템 구현 논문보다 평가 방법론 논문을 반복해서 저장한다면, SOUL은 단순히 키워드를 추가하는 것이 아니라 “이 사용자가 지금 어떤 연구 판단을 준비하고 있는가”를 다시 요약하는 방향으로 바뀌어야 한다.
예를 들어 최근 GNN fairness 논문을 여러 편 저장한 사용자가 있다고 하자. keyword 관점은 “graph fairness benchmark”처럼 명시적으로 겹치는 논문을 올릴 수 있다. SOUL 관점은 “평가 편향을 다루는 방법론 논문”처럼 키워드는 덜 겹치지만 연구 질문을 이어 줄 후보를 올릴 수 있다. 두 결과가 겹치면 안정적인 관심 후보이고, 다르면 지금의 연구 맥락을 어떻게 해석할지에 대한 실험 신호가 된다.
SOUL은 초개인화를 위한 장기 메모리이지만, 동시에 조심해야 할 개인 연구 흔적이기도 하다. 집현전은 원문 SOUL을 서비스 로그나 블로그에 그대로 노출하지 않는다. OpenClaw가 만든 추천 기록의 사용자 ID, 날짜, 관점 구조를 검증한 뒤 필요한 추천 카드 정보만 가져오는 쪽에 초점을 둔다.
두 번째 흐름: OpenClaw는 개인화 가설을 비교하는 엔진이다
OpenClaw/AutoResearchClaw는 집현전 바깥에서 동작하는 상위 추천 파이프라인이다. 큰 흐름은 프로필 만들기 → SOUL 갱신 → 후보 논문 수집 → 여러 관점으로 재정렬 → 추천 기록 쓰기에 가깝다.
OpenClaw의 가치는 “LLM이 점수를 매긴다”보다 “같은 후보군을 서로 다른 개인화 가설로 비교할 수 있다”에 있다. keyword 관점은 명시적으로 드러난 관심사와 방법론을 압축한다. SOUL 관점은 장기 연구 정체성과 최근 방향 전환을 더 서사적으로 반영한다.
기술적으로는 후보군 전체 재정렬(listwise reranking)을 사용한다. 후보 하나하나에 독립적으로 점수를 묻는 방식은 이미 필터링된 논문들이 모두 좋아 보일 때 점수가 쉽게 부풀 수 있다. 반면 후보군 전체 재정렬은 같은 묶음 안에서 상대적 우선순위를 묻게 한다. 연구자에게 필요한 것도 절대 점수 하나가 아니라, 오늘의 제한된 시간 안에서 무엇부터 볼지에 대한 순서다.
다만 이 글은 SOUL이 keyword보다 더 낫다고 주장하지 않는다. 현재 단계에서 OpenClaw의 A/B 모드는 같은 후보군을 서로 다른 개인화 가설로 읽어 보는 실험 장치다. 관점별 순위와 추천 이유, 점수 통계는 기본 관측값으로 남기고, OpenClaw 추천 기록이 제공하는 경우 겹침이나 억제 신호까지 함께 비교할 수 있다. 실제 유용성은 며칠 이상의 추천과 후속 연구 행동을 연결해 보아야 판단할 수 있다.
로컬 추천기는 보수적 기준선이다
모든 사용자에게 충분한 개인화 신호가 있는 것은 아니다. 북마크가 적거나 OpenClaw 결과가 없는 경우에는 집현전 안의 로컬 추천기가 동작한다. 이 추천기는 연구적 새로움의 핵심이라기보다 서비스가 빈손으로 멈추지 않게 하는 보수적 기준선이다.
로컬 추천기는 북마크 제목, 주제, 메모, 저장한 논문 제목에서 관심 어휘를 만들고, 후보 논문의 제목·초록·저자·카테고리와 겹치는 정도를 본다. 여기에 최신성 보너스와 PDF, DOI, arXiv 같은 접근 가능성 신호를 작게 더한다. 이미 사용자가 저장한 논문은 추천에서 제외한다.
이 방식은 임베딩 기반 의미 검색이나 학습 기반 랭킹이 아니다. 대신 설명 가능하고, 데이터가 적은 단계에서도 안전하게 동작한다. 사용자가 남긴 신호가 충분하지 않으면 “아직 개인화 신호가 적어 최근 수집 논문을 우선 추천했습니다”라고 말할 수 있다.
따라서 로컬 기준선은 OpenClaw/SOUL과 경쟁하는 핵심 모델이 아니라, 콜드 스타트와 외부 시스템 실패를 견디기 위한 안전망이다. 이 안전망이 있어야 OpenClaw는 더 과감한 개인화 실험을 하더라도 서비스 전체의 추천 경험을 깨뜨리지 않는다.
세 번째 흐름: 추천을 매일의 연구 기록으로 고정한다
사용자에게 보이는 효과부터 말하면, 오늘의 추천 목록은 하루 동안 흔들리지 않는 연구 기록이어야 한다. 추천을 요청할 때마다 새로 계산하면 UI는 느려지고, 같은 날에도 볼 때마다 목록이 달라질 수 있다. 그러면 나중에 “어떤 후보를 보여줬고, 사용자가 무엇을 열었는지”를 평가하기 어렵다.
그래서 집현전은 추천 결과를 사용자별·날짜별 추천 기록으로 남긴다.
data/recommendations/{user_id}/{YYYY-MM-DD}/raw.json
알림 API는 추천을 새로 계산하지 않고 날짜별 저장소의 최신 추천 기록을 읽는다. 이 선택은 연구적으로도 중요하다. 추천을 매일의 스냅샷으로 고정하면, 나중에 PDF 열기, 관련 검색, 북마크, 딥리뷰 생성 같은 반응을 그날의 추천 후보와 연결해 평가할 수 있다.
외부에서 들어온 추천 기록은 그대로 믿지 않는다. path-safe한 사용자 ID인지, 날짜와 관점 구조가 맞는지, 제목이 있는 item이 있는지 검증한 뒤에만 서비스 디렉터리에 둔다. 개인화가 강해질수록 노출 경계는 더 엄격해야 한다.
여러 관점의 추천은 한 논문 카드로 모은다
OpenClaw 추천 기록은 keywords, soul, narrative처럼 여러 관점을 담을 수 있다. 같은 논문이 여러 관점에서 반복 추천될 수도 있다. 이것을 그대로 노출하면 사용자는 같은 논문을 여러 장의 카드로 보게 된다.
그래서 집현전은 같은 논문을 하나의 카드로 묶고, 어떤 관점에서 왜 추천되었는지를 카드 안에 보존한다. 이 병합은 단순한 UI 정리가 아니다. “이 논문이 keyword 기준에서도, SOUL 기준에서도 걸렸다”는 사실 자체가 연구자에게는 신호가 될 수 있다. 반대로 한 관점에서만 나온 논문은 익숙한 방향 밖의 후보일 수 있다.
카드의 다음 행동도 이 관점에서 제한했다. 사용자는 PDF를 열어 검토하고, 제목으로 관련 검색을 이어 가고, 원문 링크를 확인한다. 추천의 목적은 화면 안에서 점수를 소비하게 하는 것이 아니라, 다음 연구 행동으로 넘어가게 하는 것이다. 그리고 이 행동들은 즉시 정답 라벨이 아니라, 이후 추천 기록과 함께 해석해야 할 약한 연구 신호로 남는다.
평가는 클릭보다 긴 연구 흐름을 봐야 한다
논문 추천의 품질은 클릭률 하나로 판단하기 어렵다. 연구자는 오늘 논문을 열지 않았더라도 내일 읽을 수 있고, 읽지 않았더라도 나중에 관련 연구 정리에 필요할 수 있다. 반대로 클릭은 했지만 초록만 보고 닫았을 수도 있다.
평가는 세 층위로 나눠 볼 수 있다.
- 오프라인 품질: 이미 북마크한 논문을 다시 추천하지 않았는지, 같은 논문이 중복 카드로 나타나지 않는지, 사용자 관심 토큰과 후보 논문이 어느 정도 연결되는지 확인한다.
- 현재 카드 행동: PDF 보기, 관련 검색, 원문 열기 같은 행동이 추천 이후에 일어났는지 본다.
- 긴 연구 세션: 추천이 북마크 전환, 메모 작성, 딥리뷰 생성, 커리큘럼 추가, 네트워크 그래프 탐색 같은 더 긴 작업으로 이어졌는지 연결해 본다.
이 관점에서 그림 2는 성능 결론이 아니라 평가 설계를 보여준다. 추천을 날짜별 기록으로 고정해야 서로 다른 관점의 추천이 어떤 후속 행동으로 이어졌는지 나중에 비교할 수 있다.
그림 2. 매일의 추천을 검증 가능하게 만드는 평가 설계. 집현전은 추천 결과를 사용자별·날짜별 로그로 고정해, 같은 후보군이 keyword 관점과 SOUL 관점에서 어떻게 달라지는지 나중에 비교할 수 있게 한다. PDF 열기, 관련 검색, 원문 열기 같은 현재 행동과 북마크 전환, 메모 작성, 심층 리뷰 생성 같은 장기 행동은 자동 보정이 끝났다는 신호가 아니라, 다음 추천 실험을 평가하고 보정할 수 있게 해주는 관측 신호다.
특히 앞으로 중요한 과제는 다양성과 새로움의 균형이다. 점수만 높이면 이미 보던 주제의 비슷한 논문이 상위권을 차지한다. 하지만 연구자에게는 익숙한 축을 깊게 파는 논문과, 다른 방법론이나 인접 분야를 열어 주는 논문이 함께 필요하다.
이 글이 주장하지 않는 것
이 추천 시스템은 아직 완성된 개인화 모델이 아니다. 로컬 추천기는 북마크·메모 기반 토큰 겹침과 최신성·출처 보너스를 결합한 기준선이고, OpenClaw/SOUL은 더 풍부한 개인화 가설을 실험하는 단계다.
SOUL이 keyword보다 더 좋은지, 어떤 사용자에게 유용한지, 새로움을 얼마나 높여야 하는지는 아직 장기 반응 데이터가 필요하다. 따라서 지금 주장할 수 있는 것은 “최고의 논문 추천 모델을 만들었다”가 아니다. 더 정확한 주장은 다음과 같다.
집현전은 연구자의 흔적을 매일의 추천 기록으로 고정하고, OpenClaw의 연구자 페르소나 기반 추천과 로컬 기준선을 하나의 알림 경험으로 연결했다.
그림 3. 개인화 추천 실험의 주장 경계. 안정적으로 구현된 것은 사용자별·날짜별 기록, 검증된 가져오기, 중복 카드 병합, 재현 가능한 추천 로그 같은 운영 경계다. 키워드 관점과 SOUL 연구 맥락 메모는 같은 후보군을 다르게 해석해 보는 개인화 가설이며, SOUL이 항상 우월하다거나 최고 추천 모델이라는 주장은 아직 장기 반응 데이터로 검증되지 않았다. 보수적 로컬 기준선은 초기 사용자와 외부 API 불가 상황에서도 결과 없음 상태를 완화하는 비교 기준이자 안전장치다.
이 차이를 분명히 해야 한다. 추천 알고리즘은 계속 바뀔 수 있다. 하지만 사용자별 날짜 기록, 검증된 가져오기, 관점 병합, 다음 연구 행동으로 이어지는 알림 경험은 앞으로 더 정교한 추천 모델을 실험하기 위한 안정적인 경계가 된다.
앞으로의 연구 질문
첫째, SOUL이 실제로 어떤 사용자에게 유용한지 관찰해야 한다. keyword 관점과 SOUL 관점이 얼마나 겹치는지, 서로 다른 후보가 어떤 후속 행동으로 이어지는지, SOUL의 억제 키워드가 과도하게 후보를 줄이지는 않는지 봐야 한다.
둘째, 콜드 스타트를 더 정직하게 다뤄야 한다. 북마크가 적은 사용자에게 최근 논문을 보여주는 것은 빈 화면보다 낫지만, 충분한 개인화는 아니다. 가입 직후 관심 분야를 고르는 온보딩이나, 최근 검색어를 임시 신호로 사용하는 방법을 검토할 수 있다.
셋째, 다양성과 새로움의 균형을 조정해야 한다. 추천 상위권 안에 방법론 논문, 최신 논문, 서베이 논문, 인접 분야 논문을 어떻게 섞을지 별도의 재정렬 문제가 남아 있다.
넷째, 개인 연구 흔적의 프라이버시를 계속 유지해야 한다. SOUL은 강력한 개인화 신호이지만, 그만큼 민감한 연구 맥락이다. 원문 SOUL이나 raw 추천 JSON을 노출하지 않고, 필요한 최소 정보만 서비스 경험으로 전달하는 경계가 중요하다.
맺음말
좋은 논문 추천은 연구자의 생각을 대신하지 않는다. 대신 이미 남긴 흔적을 읽고, 오늘의 질문을 시작할 만한 후보를 좁혀 준다. 집현전의 추천 알림은 논문 목록의 정답지가 아니라 연구 세션의 입구다.
이번 설계에서 OpenClaw와 SOUL은 그 입구를 더 개인적인 것으로 만들기 위한 실험이다. 동시에 로컬 기준선과 날짜별 추천 기록은 이 실험이 실패해도 서비스가 안정적으로 후퇴할 수 있게 한다.
아직 해결할 문제는 많다. 약한 피드백, 콜드 스타트, 점수 보정, 프라이버시, 다양성과 새로움의 균형은 모두 남아 있다. 하지만 추천을 모델 점수의 문제가 아니라 연구 워크플로의 문제로 보면 다음 단계가 분명해진다. 우리는 더 많은 논문을 보여주는 것이 아니라, 연구자가 오늘 읽을 이유가 있는 논문을 더 잘 고르는 방향으로 가야 한다.