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 2
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.