효율적이고 확장 가능한 추천을 위한 경량 표현 학습

지난 수십 년 동안 추천 시스템은 미디어 스트리밍 및 전자상거래와 같은 다양한 온라인 서비스의 핵심 구성 요소로 자리 잡았다. 알고리즘, 평가 방법 및 데이터셋 분야의 최근 발전으로 인해 최첨단 기술 수준이 지속적으로 향상되고 있다. 그러나 이러한 기법들이 인터넷 규모에까지 확장될 수 있도록 하기 위한 여전히 많은 연구 과제가 남아 있다.온라인 광고는 대규모 추천 시스템을 테스트할 수 있는 독특한 환경을 제공한다. 매일 수십억 명의 사용자가 수백만 개의 제품과 실시간으로 상호작용하며, 이와 같은 시나리오를 다루는 시스템은 대규모에서 신뢰성 있게 작동해야 한다. 본 연구에서는 복잡성, 확장성, 성능 사이의 새로운 균형을 달성하는 효율적인 모델(LEP, Light-weight Encoder-Decoder)을 제안한다. 구체적으로, 대규모 행렬 분해(Matrix Factorization)와 경량 임베딩 미세 조정(lightweight embedding fine-tuning)을 결합함으로써 대규모 환경에서도 최첨단 성능을 달성할 수 있음을 보여준다. 또한, 인터넷 규모에서 두 달간 운영된 시스템 아키텍처의 자세한 설명을 제공하며, 표준 하드웨어를 사용해 수십억 명의 사용자에게 수억 개의 아이템을 몇 밀리초 내에 제공할 수 있음을 입증한다.