개인화 추천 시스템의 혁신: 이웃 목록 기반 생성적 재순위 지정(NLGR) 모델

본 기사는 개인화 추천 시스템의 재순위 지정 문제를 해결하기 위해 제안된 NLGR 모델을 소개합니다. NLGR은 이웃 목록을 활용한 생성적 재순위 지정 방법으로, 기존 방법의 한계점을 극복하고 Meituan 플랫폼에 실제 적용되어 효과를 입증했습니다.

온라인 서비스의 홍수 속에서, 개인화 추천 시스템은 사용자 경험을 좌우하는 핵심 요소로 자리 잡았습니다. 하지만 최적의 추천 결과를 도출하기 위한 여정은 험난합니다. 수많은 후보 아이템 중 사용자에게 가장 적합한 아이템을 찾는 것은 마치 바늘에서 짚을 찾는 것과 같습니다. 이러한 과정에서 재순위 지정(reranking) 은 필수적인 역할을 수행합니다. 초기 순위 목록을 재배열하여 최적의 결과를 얻는 것이죠.

기존의 접근 방식들은 평가자-생성자(evaluator-generator) 패러다임을 활용했습니다. 생성자는 가능한 아이템 조합을 만들고, 평가자는 그 중 최고의 조합을 선택하는 방식입니다. 하지만 이 방법은 두 가지 주요 문제에 직면합니다. 첫째, 평가자와 생성자의 목표 불일치로 인해 생성자는 최적의 조합을 찾기보다는 단순히 노출 분포에 맞추는 경향이 있습니다. 둘째, 아이템을 하나씩 생성하는 방식은 후속 아이템 정보를 무시하여 최적성을 달성하기 어렵습니다.

왕 슐리 등 연구진은 이러한 문제를 해결하기 위해 이웃 목록을 활용한 생성적 재순위 지정(NLGR) 모델을 제안했습니다. NLGR은 생성자의 성능을 향상시키는 데 초점을 맞춥니다. 핵심 아이디어는 **'이웃 목록(neighbor lists)'**을 활용하여 생성자의 학습 과정을 개선하는 것입니다. 이웃 목록은 조합 공간에서 유사한 아이템들의 집합으로, 생성자는 이웃 목록의 상대적인 점수를 인지하여 최적화 방향을 찾아냅니다. 또한, 새로운 샘플링 기반 비자동회귀 생성 방법을 제안하여 생성자가 현재 목록에서 다른 이웃 목록으로 유연하게 이동할 수 있도록 합니다.

NLGR은 공개 및 산업용 데이터 세트에 대한 광범위한 실험을 통해 그 효과가 입증되었으며, Meituan 음식 배달 플랫폼에 성공적으로 배포되었습니다. 이는 NLGR이 단순한 이론적 모델을 넘어 실제 서비스 개선에 기여할 수 있음을 보여주는 중요한 결과입니다. NLGR은 개인화 추천 시스템의 새로운 지평을 열고, 더욱 정확하고 효율적인 추천 시스템 구축에 기여할 것으로 기대됩니다. 앞으로 NLGR 모델의 발전과 다양한 분야에의 적용이 기대됩니다.