🤖 AI

Bridging the Semantic-Collaborative Gap: An Asymmetric Graph Architecture for Cold-Start Item Recommendation

이 논문은 콘텐츠 인코더를 훈련하여 상호작용 이력에 의존하지 않고 고유한 특징을 협업 필터링 인지 임베딩 공간으로 직접 매핑함으로써 새로운 아이템과 디바이스에 대한 즉각적인 검색을 가능하게 함으로써, Tubi의 추천 시스템 내 콜드 스타트 문제를 해결하는 비대칭 그래프 아키텍처인 Shallow-RHS를 제안한다.

원저자: Anh Truong, John Trenkle, Yuanbo Chen, Honghong Zhao, Abdullah Alchihabi, Effy Fang, Michael Tamir

게시일 2026-06-05

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Anh Truong, John Trenkle, Yuanbo Chen, Honghong Zhao, Abdullah Alchihabi, Effy Fang, Michael Tamir

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

문제의 핵심: 동네에 나타난 "새로운 친구"

거대한 도서관(Tubi)을 상상해 보세요. 여기에는 수백만 권의 책(영화와 TV 프로그램)이 있습니다. 이 도서관의 추천 시스템은 마치 당신이 이전에 읽은 책을 바탕으로 당신이 무엇을 좋아할지 정확히 아는 매우 똑똑한 사서와 같습니다. 이 사서는 당신의 기록을 알고 있기 때문에 책을 추천하는 데 아주 능숙합니다.

하지만 문제는 이것입니다: 완전히 새로운 책이 도착하면 어떻게 될까요?

사서는 이 책을 본 적이 없습니다. 아직 아무도 이 책을 읽지 않았습니다. 사서는 "누가 무엇을 읽었는지"에 의존하기 때문에, 이 새로운 책을 어떻게 추천해야 할지 알 방법이 없습니다. 이것이 바로 "콜드 스타트(Cold Start)" 문제입니다. 이 책은 '상호작용 기록'이 없기 때문에 서가에 놓여 있지만, 누구에게도 보이지 않는 상태로 머물게 됩니다.

새로운 도서관 회원(새로운 기기)의 경우에도 같은 문제가 발생합니다. 새로운 사람이 들어오면, 사서는 그가 누구인지 아직 모르기 때문에 그가 무엇을 좋아할지 추측할 수 없습니다.

해결책: 특화된 두 팀 체제

Tubi의 저자들은 이 "새로운 친구" 문제를 해결하기 위해 Shallow-RHS라고 불리는 새로운 시스템을 구축했습니다. 이 시스템을 "새로운 친구" 문제를 해결하기 위해 함께 협력하는 두 명의 팀이라고 생각하면 됩니다.

1. 좌측 팀 (LHS): "사회적 탐정"

이 팀원은 사람에 대한 전문가입니다.

작동 방식: 이들은 사용자의 기록을 살펴봅니다. "오, 이 사람은 지난주에 액션 영화 A와 코미디 B를 봤구나. 그리고 SF 영화 C도 봤네."
마법 같은 기술: 이들은 "메시지 전달(Message Passing)"이라는 기술을 사용합니다. 마치 도서관을 돌아다니며 비슷한 취향을 가진 다른 사람들과 대화를 나누는 것과 같습니다. 이들은 군중이 무엇을 좋아하는지에 대한 단서를 모읍니다.
결과: 이들은 사회적 행동과 기록을 바탕으로 사용자에 대한 매우 상세한 프로필을 만듭니다.

2. 우측 팀 (RHS): "얕은 관찰자"

이 팀원은 콘텐츠에 대한 전문가이지만, 엄격한 규칙이 하나 있습니다: 사람들에게 말을 걸어서는 안 됩니다.

제약 사항: 보통의 추천 시스템은 사람들이 어떤 영화를 봤는지를 통해 영화에 대해 학습하려고 합니다. 하지만 새로운 영화의 경우, 아직 아무도 그 영화를 보지 않았습니다! 그래서 이 팀원은 오직 영화 자체의 특징만을 보도록 강제됩니다.
관찰 대상: 제목, 장르, 배우, 줄거리 요약, 그리고 심지어 AI를 사용하여 스토리를 이해하는 대본까지 살펴봅니다.
목표: 이들은 단 한 명의 시청자도 보지 못한 상태에서도, "사회적 탐정"이 이해하고 있는 '사람들이 좋아하는 것'과 일치하도록 영화를 설명하는 법을 배워야 합니다.

왜 이것이 "비대칭적(Asymmetric)"인가요?
이것은 마치 한 파트너(사용자)는 많은 단계가 포함된 복잡한 루틴(기록)을 수행하고 있는 반면, 다른 파트너(새로운 영화)는 가만히 서서 자신의 설명을 적은 표지판을 들고 있는 춤과 같습니다. 시스템은 영화가 아직 자신만의 스텝을 가지고 있지 않더라도, 두 파트너가 완벽하게 함께 춤을 출 수 있도록 학습합니다.

"마법의 다리": 미지의 것을 알려진 것으로 연결하기

시스템이 훈련되면, 새로운 영화를 즉시 처리할 수 있습니다. 과정은 다음과 같습니다:

번역: 새로운 영화가 도착하면, "얕은 관찰자"는 그 영화의 설명을 읽고 이를 하나의 "코드"(임베딩)로 변환합니다.
대리 이웃: 시스템은 이 새로운 코드를 보고 질문합니다. "이 새로운 것과 가장 닮은 오래되고 인기 있는 영화는 무엇인가?"
- 비유: 이름 없는 새로운 밴드가 노래를 연주한다고 상상해 보세요. 시스템은 그 밴드를 모르지만, 이렇게 말합니다. "이 노래는 1990년대 유명 밴드의 히트곡과 똑같이 들리는데?"
추천: 시스템은 그 1990년대 히트곡을 좋아했던 사람들에게 이 새로운 노래를 추천합니다.
- 이것을 **암시적 그래프 완성(Implicit Graph Completion)**이라고 합니다. 시스템은 새 영화가 오래된 인기 영화들과 연결되어 있다고 가정함으로써, 실제 조회수가 발생할 때까지 기다리지 않고도 즉시 추천될 수 있도록 합니다.

새로운 사용자 해결하기 (기기 콜드 스타트)

논문은 또한 시청 기록이 없는 새로운 도서관 회원(새로운 기기) 문제를 해결했습니다.

전략: 사서가 당신을 모른다면, 당신의 인구통계학적 정보를 봅니다.
비유: 만약 어떤 사람이 빨간 모자를 쓰고 축구공을 들고 들어온다면, 사서는 "아, 이 사람은 아마도 이 동네의 축구 팬이겠구나"라고 가정합니다.
시스템은 새로운 사용자를 "코호트(집단)"(연령, 위치, 기기 유형 등에 기반한 그룹)로 묶고, 그 그룹의 나머지 사람들이 보통 좋아하는 콘텐츠를 추천합니다.

결과: 효과가 있을까요?

팀은 수억 명의 사용자를 보유한 Tubi에서 이 시스템을 실제 환경에서 테스트했습니다. 그들은 몇 달에 걸쳐 시스템을 점진적으로 개선하며 실험을 진행했습니다:

1단계: 이 새로운 "두 팀" 체제로 전환하는 것만으로도 새로운 영화가 더 빨리 노출되었습니다.
2단계: 시스템에 더 나은 설명(예산, 평점 등 더 많은 메타데이터와 더 나은 AI 요약)을 제공하자 성능이 더욱 향-상되었습니다.
3단계: 누락된 데이터 수정(모든 영화가 완전한 설명을 갖도록 함)은 시스템이 영화를 훨씬 더 정확하게 이해하는 데 도움을 주었습니다.
4단계: 설명하기 가장 어려운 "롱테일(Long Tail)" 콘텐츠를 위해 고급 AI를 사용하여 공백을 메우자 최종적인 상승 효과를 얻었습니다.

결과:

시청량 증가: 사람들이 전반적으로 더 많은 콘텐츠를 시청했습니다.
빠른 홍보: 새로운 영화가 즉시 적절한 사람들에게 추천되었기 때문에 훨씬 더 빠르게 인기를 얻었습니다.
더 나은 첫인상: 새로운 사용자(새로운 기기)들은 시스템이 그룹 데이터를 사용하여 그들의 관심사를 정확히 예측했기 때문에 첫 추천에 더 만족했습니다.

요약

이 논문은 비대칭성을 사용하여 새로운 영화를 추천하고 새로운 사용자를 환영하는 스마트한 방법을 설명합니다. 시스템의 한쪽은 인간의 행동으로부터 배우고, 다른 한쪽은 엄격하게 콘텐츠의 설명으로부터 배웁니다. 시스템이 "콘텐츠 설명"을 "사람들이 원하는 것"으로 번역하는 법을 배우도록 강제함으로써, 그들은 영화가 무엇인지와 사람들이 보고 싶어 하는 것 사이의 간극을 메워 브랜드 뉴 아이템을 즉시 추천할 수 있게 됩니다.

기술 요약: 비대칭 그래프 아키텍처를 통한 시맨틱-협업 간극 해소

문제 정의
본 논문은 Tubi의 프로덕션 환경 내 대규모 스트리밍 추천 시스템에서 발생하는 콜드 스타트(cold-start) 문제를 다룹니다. 핵심 문제는 협업 필터링(CF) 모델이 관측된 사용자-아이템 상호작용에 의존하여 표현(representation)을 학습하기 때문에, 새로 추가된 콘텐츠(엣지가 0인 노드)와 새로 활성화된 기기에는 의미 있는 임베딩이 존재하지 않는다는 점입니다. 표준 그래프 기반 모델은 상호작용 이력이 없는 노드에 신호를 전파할 수 없기 때문에 여기서 한계를 보입니다.

저자들은 이를 기기( $D$ )와 콘텐츠( $C$ )로 구성된 시간적 이분 그래프(temporal bipartite graph) 상의 귀납적 그래프 완성(inductive graph-completion) 문제로 정의합니다. 시스템은 다음과 같은 엄격한 서빙 제약 조건을 직면합니다:

신규 콘텐츠는 상호작용 이력이 쌓일 때까지 기다리지 않고, 인제스션(ingestion) 즉시 독립적인 임베딩을 가져야 합니다.
임베딩은 근사 최근접 이웃(ANN) 검색에 적합해야 합니다.
솔루션은 쌍별 유사도 점수 산출이나 콜드 아이템을 위한 서브그래프 구축에 의존할 수 없습니다(이는 관측된 엣지를 필요로 하기 때문입니다).

목표는 고유한 콘텐츠 시맨틱(semantics)을 협업 임베딩 공간의 구조와 정렬하는 특징 기반 매핑(feature-based mapping)을 학습하여, "시맨틱-협업 간극(semantic-collaborative gap)"을 효과적으로 메우는 것입니다.

방법론: Shallow-RHS 아키텍처
저자들은 시간적 링크 예측을 위해 설계된 비대칭 투 타워(two-tower) 아키텍처인 Shallow-RHS를 제안합니다. 이 아키텍처는 콜드 스타트 아이템에 대한 일반화 성능을 보장하기 위해 엄격한 비대칭성을 강제합니다:

좌측(LHS) - 디바이스 타워(Device Tower): 이 타워는 고유한 디바이스 특징(예: 기기 유형, 국가, 인구통계학적 정보)과 디바이스의 과거 시청 컨텍스트( $N_{<t}(d)$ )에 대한 **시간적으로 유효한 메시지 패싱(message passing)**을 결합하여 쿼리하는 디바이스를 인코딩합니다. 이는 이웃 콘텐츠 노드로부터 정보를 집계하여 고차 협업 신호를 포착합니다.
우측(RHS) - 콘텐츠 타워(Content Tower): 이 타워는 그래프 측면에서 의도적으로 얕게(shallow) 설계되었습니다. 이는 오직 고유 특징(메타데이터, 분류 체계, 스크립트/시놉시스에서 추출한 LLM 기반 시맨틱 임베딩)만을 사용하여 타겟 콘텐츠를 인코딩합니다. 결정적으로, 다음 사항들을 제외합니다:
- ID 기반 임베딩.
- 콘텐츠 측면의 서브그래프.
- 이웃 집계(neighbor aggregation).
- 상호작용으로부터 유도된 표현(representation).

이러한 제약은 콘텐츠 인코더( $f_{\theta_c}$ )가 고유한 특징으로부터 협업 인지적(CF-aware) 임베딩 공간으로 직접 매핑되는 함수를 학습하도록 강제합니다. 이 함수는 오직 특징에만 의依赖하므로, "웜(warm)" 콘텐츠(이력이 있는 콘텐츠)와 "콜드(cold)" 콘텐츠(이력이 없는 콘텐츠) 모두에 적용 가능합니다.

대리 이웃을 통한 암시적 그래프 완성
학습 후, 시스템은 콜드 콘텐츠를 위해 암시적 그래프 완성(implicit graph completion) 절차를 수행합니다:

학습된 콘텐츠 인코더가 새로 인제스션된 콜드 타이틀에 대한 임베딩을 생성합니다.
학습된 공간 내의 임베딩을 바탕으로 근사 최근접 이웃(ANN) 인덱스를 구축합니다.
각 콜드 타이틀에 대해, 코사인 유사도를 기반으로 상위 $M$ 개의 **"웜 대리 이웃(warm surrogate neighbors)"**을 검색합니다.
이 대리 이웃들은 행동적 프록시(behavioral proxies) 역할을 하여, 관측된 상호작용 그래프를 수정하지 않고도 콜드 타이틀이 웜 타이틀과 함께 노출될 수 있도록 합니다.

디바이스 콜드 스타트 확장
동일한 표현 완성 원칙이 새로운 디바이스에도 적용됩니다. 새로운 디바이스는 시청 이력이 없으므로, 시스템은 웜 디바이스들을 인구통계학적 코호트(cohort)로 클러스터링합니다. 새로운 디바이스의 경우, 인구통계학적 특징으로부터 코호트 할당을 추론하고, 코호트 수준의 평균 임베딩을 해당 디바이스의 초기 표현으로 할당합니다. 이를 통해 CF-aware 콘텐츠 인덱스에 대한 즉각적인 검색이 가능해집니다.

주요 기여

귀납적 그래프 완성 정식화: 콜드 스타트 추천을 관측된 그래프 구조에 의존하는 것이 아니라, 제로 엣지 노드를 위한 특징 기반 임베딩 함수를 학습하는 문제로 재정의했습니다.
Shallow-RHS 아키텍처: 콘텐츠 타워가 상호작용 그래프와 분리되어 인코더가 새로운 아이템에도 일반화될 수 있도록 하는 비대칭 링크 예측 모델입니다.
암시적 그래프 완성: 합성된 엣지 없이도 누락된 이웃을 운영할 수 있도록 콜드 콘텐츠를 웜 대리 이웃과 연결하는 런타임 절차를 제공합니다.
사전 지식(Priors)을 통한 디바이스 콜드 스타트: 인구통계학적 코호트 사전 지식을 사용하여 디바이스에 대한 표현 완성 원칙을 확장했습니다.
프로덕션 검증: 실제 스트리밍 환경에서 대규모 온라인 실험을 통해 접근 방식의 효용성을 입증했습니다.

실험 결과
저자들은 Tubi의 프로덕션 시스템 내에서 총 시청 시간(TVT) 및 콜드 스타트 특정 지표를 측정하는 일련의 단계적 온라인 A/B 테스트를 실시했습니다:

단계 1 (시맨틱-to-CF 교체): 순수 시맨틱 베이스라인을 Shallow-RHS로 교체했을 때 글로벌 TVT +0.10% 상승 및 콜드 타이틀 프로모션 속도 13% 증가를 달-성했습니다.
단계 2 (메타데이터 및 캘리브레이션): 특징 커버리지(장르, 예산, 인기 신호)를 풍부하게 하고 프로모션 로직을 캘리브레이션한 결과 TVT +0.16% 상승을 기록했습니다.
단계 3 (특징 완성): 주요 속성의 결측치를 더욱 줄임으로써 가장 높은 성과인 글로벌 TVT +0.42% 상승을 달성했으며, 이는 제로 엣지 일반화를 위한 특징 품질의 중요성을 강조합니다.
단계 4 (대리 완성): 타겟 오디언스 기술자(descriptor)를 추가하고 롱테일 타이틀을 위한 LLM 임베딩을 폴백(fallback)으로 사용함으로써 추가적인 +0.17% 상승을 얻었습니다.
디바이스 콜드 스타트: 코호트 기반 디바이스 검색 전략은 적격 시청 일수(qualified view days) +0.29%, 일일 TVT +0.39%, 홈 페이지 전환율 **+0.43%**를 개선했습니다.

유사도 분포 분석 결과, Shallow-RHS는 콜드 스타트 아이템의 유사도를 (순수 CF의 낮은 유사도 영역이나 순수 시맨틱의 중립적 영역에서) 우측으로 치우친 높은 유사도 분포로 이동시켰으며, 이는 성공적인 협업 행동 정렬을 나타냅니다.

의의
본 논문은 콜드 스타트 추천이 효과적으로 암시적 그래프 완성 작업으로 다뤄질 수 있음을 주장합니다. 웜 상호작용으로부터 CF-aware 시맨틱 임베딩 함수를 학습함으로써, 시스템은 새로운 콘텐츠와 디바이스에 대해 즉각적으로 유효한 표현을 생성할 수 있습니다. 본 연구의 의의는 사이드 정보(side-information) 사전 지식을 사용하여 누락된 그래프 표현을 재구성하는 실질적인 프레임워크를 제공함으로써, 상호작용 데이터가 축적되기를 기다리지 않고도 프로덕션 규모의 시스템에서 콜드 스타트 엔티티를 위한 즉각적이고 고품질의 검색을 가능하게 한다는 점에 있습니다.