Hugging Face 논문AI · 머신러닝

딥러닝 하나로 추천 순위 정렬부터 다채널 조합까지

원제 OneTrans-GSR: A Generative Slate Ranking Paradigm Unifying Reranking and Mix-Ranking with One Autoregressive Transformer

추천 39댓글 2Feng Cheng, Yu-Hsuan Huang, Fengyi Wang 외
Key Point

추천 시스템의 최종 노출 목록을 생성하는 방식을 손수 작성한 규칙에서 통합 생성형 모델로 전환함으로써 거래액과 효율을 동시에 높이는 실제 성과를 보였기 때문이다.

핵심 요약

  • 산업용 추천 시스템에서 후보 점수 매기기 이후 최종 노출 목록을 조립하는 재정렬과 다채널 혼합(상품, 쇼츠, 라이브, 광고 카드)을 손수 작성한 규칙과 저용량 전문 모델로 처리했던 방식의 한계를 지적했다.
  • 기존 방식은 도메인 지식을 담고 있지만 추가 데이터와 연산 활용이 제한적이고, 후보 조합 공간을 제약하며, 목표 균형을 수동 조정으로 결정한다는 문제가 있다.
  • OneTrans-GSR은 재정렬과 혼합 정렬을 통합한 학습 문제로 재정의한 단일 디코더 기반 정책으로, 전체 목록(slate)을 생성형 방식으로 끝까지 만든다.
  • 학습 과정에서 보상 모델이 완성된 목록을 평가하고 강화학습으로 목록 수준과 장기 목표에 유도하며, 디코딩 중에는 사업 제약을 명시적으로 적용한다.
  • 오프라인 평가에서 보상 모델과 정책 연산이 증가하면서 목록 품질이 일관되게 향상되었고, 대규모 산업용 추천 시스템에 배포되어 이질적 콘텐츠 유형을 통합 목록 내에서 혼합했다.
  • 온라인 A/B 테스트에서 사용자당 총거래액(GMV/u) 2.63%, 광고주 가치 2.06%, 재구매율 2.03% 증가, 재정렬과 혼합 정렬 단계의 전체 지연시간 13% 감소 결과를 얻었다.
  • 논문은 이를 목록 생성의 패러다임 전환으로 평가하며, 수작업 휴리스틱에서 일반화된 학습 정책으로 나아가 추가 알고리즘 최적화와 연산 중심 개선의 확장 가능한 경로를 제시한다고 주장한다.
AI 요약 안내

AI가 한국어로 정리한 내용입니다. 정확한 정보는 원문을 확인해 주세요.

요약 원칙 ↗