기술 요약: Ocean4Rec

문제 정의

산업용 비디오 온 디맨드 (VOD) 추천 시스템은 사용자 만족도를 향상시키기 위해 더 풍부한 콘텐츠 이해가 필요합니다. 대규모 언어 모델 (LLM) 은 특징 추출 및 후보 점수 매기기를 위한 고급 추론 능력을 제공하지만, 이를 요청 시 서비스 경로에 직접 통합하면 상당한 운영상의 과제가 발생합니다. 구체적으로, 요청 단위 LLM 추론은 프롬프트 구성, 토큰 생성, 모델 호출, 출력 파싱, 그리고 폴백 처리를 포함합니다. 대용량이고 지연 시간에 민감한 환경에서 이러한 작업들은 처리량 계획, 꼬리 지연 제어, 용량 격리, 그리고 예측 가능한 시스템 운영을 복잡하게 만듭니다. 핵심 문제는 온라인 LLM 호출의 지연 시간과 안정성 리스크를 초래하지 않으면서 LLM 에서 도출된 콘텐츠 통찰력을 활용하는 방법입니다.

방법론: Ocean4Rec

Ocean4Rec 은 LLM 추론을 온라인 서비스 경로에서 분리하는 재순위화 계층을 제안합니다. 이 시스템은 "오프라인에서 구체화하고, 온라인에서 점수 매기기" 원칙에 따라 작동하며, OCEAN(개방성, 성실성, 외향성, 친화성, 신경증) 성격 분류법을 스키마 제약 콘텐츠 표현으로 활용합니다.

1. 오프라인 항목 프로파일링

• 프로세스: Google Gemini 2.5 Pro 와 같은 LLM 을 오프라인 주석 도구로 사용하여 VOD 메타데이터 (제목, 줄거리, 설명, 장르) 를 처리합니다.
• 출력: 각 자격을 갖춘 항목은 OCEAN 점수를 나타내는 5 차원 정수 벡터, 신뢰도 점수, 그리고 짧은 추론 문자열과 함께 매핑됩니다.
• 검증: 파이프라인은 생성된 레코드의 형식과 범위를 검증합니다. 메타데이터가 누락되거나 LLM 출력이 유효하지 않은 항목은 낮은 신뢰도의 중립적 폴백 프로파일을 부여받아 기본 추천 시스템에서 자격을 유지하도록 합니다.

2. 사용자 취향 프로파일링

• 구성: 사용자 프로파일은 정적이지 않으며, 프로파일링된 항목과의 최근 암시적 상호작용 (클릭, 심층 링크) 에서 파생된 동적 벡터입니다.
• 집계: 사용자의 OCEAN 벡터 ($z_u$) 는 소비된 항목의 OCEAN 벡터 ($q_i$) 의 시간 감가중 평균입니다.
• 감쇠: 상호작용은 지수 반감기 감쇠 함수 ($w_{time}(a) = 0.5^{a/h}$) 를 사용하여 가중치를 부여받으며, 여기서 $a$는 상호작용의 나이를 일 단위로, $h$는 반감기 (보고된 구현에서는 90 일) 를 나타냅니다. 이는 사용자 선호도의 시간적 역동성을 포착합니다.

3. 요청 시 재순위화

서비스 시점에 시스템은 기본 생성기 (예: NCF 또는 LightGCN) 로부터 점수가 매겨진 후보 목록 (상위 1000 개) 을 검색합니다. LLM 은 호출되지 않습니다. 재순위화 점수 $S(u, i)$는 세 가지 구성 요소의 선형 결합입니다:
$$S(u, i) = \alpha B(u, i) + \beta P(u, i) + \gamma R(i)$$

• $B(u, i)$: 기본 추천 시스템 점수 (최소 - 최대 정규화됨).
• $P(u, i)$: OCEAN 호환성 항으로, 사용자 벡터 $z_u$와 항목 벡터 $q_i$ 간의 피어슨 상관관계를 계산하여 $[0, 1]$로 잘라내고 변환한 값입니다.
• $R(i)$: 콘텐츠 출시 나이에 기반한 카탈로그 최신성 항입니다.
• 폴백: 사용자나 항목에 유효한 OCEAN 프로파일이 없는 경우, OCEAN 가중치 ($\beta$) 는 기본 점수 ($\alpha$) 에 재할당되어 시스템이 기본 정렬로 우아하게 저하되도록 합니다.

주요 기여

이 논문은 RecSys 산업 트랙에 세 가지 구체적인 기여를 합니다:

1. 오프라인 LLM 구체화 패턴: 요청 시 LLM 호출 없이 산업용 재순위화기에 LLM 에서 도출된 OCEAN 콘텐츠 프로파일을 통합하는 패턴을 설명하여 서비스 경로의 예측 가능성을 유지합니다.
2. 동일 공간 표현: 항목이 메타데이터에서 프로파일링되고 사용자가 소비된 항목 프로파일의 시간 감가중 집합으로 표현되는 통합된 정의를 제시하여, 학습된 정렬 없이 직접 호환성 점수 매기기를 가능하게 합니다.
3. 시간적 홀드아웃 평가: NCF 및 LightGCN 생성기를 사용하여 익명화된 삼성 스마트 TV VOD 로그에서 동일한 후보에 대한 시간적 홀드아웃 오프라인 평가를 보고하며, 모든 경험적 주장을 이러한 특정 설정으로 한정합니다.

결과

평가 작업은 2026 년 3 월 31 일까지의 훈련 데이터 (시간적 홀드아웃) 를 사용하고 2026 년 4 월 1 일부터 27 일까지 평가한 삼성 스마트 TV VOD 환경의 익명화된 로그에서 수행되었습니다.

• 기선 대비 성능:
  • NCF 생성기: Ocean4Rec 은 더 강력한 "Base+Recency" 기선 대비 NDCG@20 을 7.6% 향상시켰습니다. HR@20 향상은 결론이 나지 않았습니다.
  • LightGCN 생성기: Ocean4Rec 은 "Base+Recency" 대비 NDCG@20 을 61.5% 향상시켰으며, HR@20 은 67.3% 향상시켰습니다.
• 구성 요소 분석: "Base+OCEAN" 구성 요소 단독은 혼합된 결과를 보였습니다 (HR 은 향상시키지만 때로는 Base 대비 NDCG/MRR 을 낮춤). 이는 OCEAN 이 기본 관련성과 최신성 신호 모두와 결합될 때 가장 효과적임을 나타냅니다.
• 2 차 진단: 공공 데이터셋 (Amazon-Books, Yelp) 에서의 메타데이터 전용 Persona4Rec 구현체와의 비교는 경쟁력 있는 결과를 보였으나, 논문은 아키텍처 차이 (예: 진단 시 기본 점수 융합 부재) 로 인해 이러한 비교는 직접적인 정면 대결 기선이 아닌 건전성 확인 (sanity checks) 에 불과하다고 명시합니다.

중요성과 주장

이 논문은 Ocean4Rec 을 보편적 해결책이 아닌, 요청 시 LLM 없는 서비스 경로의 배포 가능성 장점을 유지하는 제한된 보조 콘텐츠 - 취향 기능으로 위치시킵니다.

• 운영 안정성: 주요 중요성은 아키텍처적입니다. 프롬프트 구성, 토큰 생성, 모델 호출의 변이성을 중요한 서비스 루프에서 제거하여 예측 가능한 지연 시간과 처리량을 보장합니다.
• 해석 가능성: 밀집 임베딩과 달리, 5 차원 OCEAN 공간은 운영자에게 항목이 왜 승격되거나 강등되는지 진단할 수 있는 검사 가능한 특징 집합을 제공합니다.
• 개인정보 보호 및 거버넌스: 이 시스템은 사용자 행동 데이터를 LLM 입력 (LLM 은 항목 메타데이터만 봄) 과 엄격히 분리합니다. 사용자 OCEAN 벡터는 심리적 라벨이 아닌 내부 추천 기능으로 처리되며, 프로파일 보관 및 노출 모니터링을 위한 구체적인 거버넌스 통제가 권장됩니다.
• 겸손한 범위: 저자들은 결과가 오프라인 포인트 추정치임을 명시적으로 밝힙니다. 온라인 A/B 테스트 영향, 측정된 지연 시간 절감, 또는 비즈니스 결과 개선 (예: 유지율) 을 주장하지 않으며, 전체 시스템 비용은 카탈로그 크기 및 배치 주기 등 측정되지 않은 요인에 달려 있다고 지적합니다. 이 작업은 산업 환경에서 오프라인 LLM 구체화의 타당성에 대한 증거로 기능합니다.