Knowledge-Geometry Decoupling: Refreshable Pretrained Transfer for Streaming Recommendation

이 논문은 추천 시스템에서 사전학습 지식과 태스크 고유 학습을 분리해 실시간 갱신하면서도 성능을 유지하는 KGD 프레임워크를 제안했다.

이 논문은 한마디로 추천 시스템의 사전학습 모델을 계속 갱신하면서도 성능이 떨어지지 않게 만든 방법이다. 사용자 행동 패턴이 계속 변하기 때문에 기존 방식은 갱신할수록 성능이 깎이는데, 지식과 기하학(태스크 특유의 학습)을 분리된 파라미터로 관리해 이 충돌을 막았다. Shopee에 실배포되어 GMV를 1.75% 올렸다.

핵심 요약

• 행렬 다중 토큰 예측(BMTP)으로 세션 경계 너머의 의미 없는 전환을 필터링해 깨끗한 사전학습 데이터를 확보했다.
• 지식 인코더와 태스크 학습기를 분리된 파라미터로 운영해 갱신과 태스크 최적화가 서로 침범하지 않게 했다.
• 공개 벤치마크 8개에서 기존 대비 4~12% 향상을 보였다.
• Shopee 실서비스에 배포되어 GMV 1.75%, 광고 수익 1.53% 상승을 기록했다.
• 90일 연속 스트리밍 환경에서 기존 방식들은 성능이 정체된 반면 KGD는 우위를 유지했다.

논문 링크

외부 연구를 정리한 자료입니다. HDATF가 발표한 논문이나 제품 성능을 측정한 결과는 아닙니다.