Decoupled Temporal Encoding for Generative Recommendation
이 논문은 광범위한 시간적 패턴을 위한 개인화된 매크로 시간 모듈과 밀집된 국소 상호작용을 위한 시간 게이트형 마이크로 순차 모듈이라는 두 가지 상호 보완적인 모듈을 통해 아이템 순서로부터 시간적 역동성을 분리함으로써 기존 방법들을 개선하는 생성형 추천을 위한 경량 프레임워크인 디커플드 템포럴 인코딩(Decoupled Temporal Encoding, DTE)을 제안한다.
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
디지털 세상에서 추천 시스템은 우리가 다음에 무엇을 보고, 사고, 먹을지를 제안하며 우리 일상의 조용한 큐레이터 역할을 수행합니다. 수년 동안 이러한 시스템은 서열을 이해하는 데 탁월한 트랜스포머(Transformer)라고 알려진 강력한 유형의 인공지능에 의존해 왔습니다. 사용자의 이력을 하나의 이야기로 생각해보십시오. 시스템은 사람이 상호작용한 아이템들의 각 장(chapter)을 읽어 다음 장이 무엇일지 추측합니다. 이야기를 이해하기 위해서 AI는 단순히 무엇이 일어났는지뿐만 아니라, 언제, 그리고 어떤 순서로 일어났는지도 알아야 합니다. AI에게 이러한 순서 감각을 가르치기 위한 표준적인 방법들은 언어 모델에서 빌려온 것으로, 리스트의 모든 아이템을 문장 속의 단어처럼 단순한 시퀀스의 한 단계로 취급했습니다. 그러나 현실 세계에서의 인간 행동은 단순한 목록보다 훨씬 더 복렴합니다. 그것은 시계, 달력, 그리고 일상의 리듬에 의해 형성됩니다. 점심시간의 허기, 주말의 쇼핑 습관, 또는 갑작스러운 세일에 대한 반응은 모두 표준적인 방법들이 단순한 사건의 순서와 함께 포착하기 어려워하는 시간적 패턴들입니다.
알리바바의 라작스 네트웍스 테크놀로지(Rajax Network Technology) 연구진은 타오바오(Taobao) 앱의 음식 배달 및 즉시 유통 서비스라는 고압적인 환경 속에서 작업하며, 이러한 시스템이 시간을 이해하는 방식에 간극이 있음을 발견했습니다. 그들은 사용자 행동이 흔히 서로 뒤엉리는 두 가지 뚜렷한 힘에 의해 구동된다는 점을 관찰했습니다. 한 가지 힘은 광범하고 거시적인 시간의 맥락입니다. 즉, 화요일이라는 사실, 점심시간이 다가왔다는 사실, 혹은 특정 상점이 갑작스러운 트래픽 급증을 겪고 있다는 사실 등입니다. 다른 한 가지 힘은 밀접하고 즉각적인 행동의 순서입니다. 예를 들어 사용자가 몇 분 사이에 국수 가게를 클릭하고, 음료를 클릭한 다음, 디저트를 클릭하는 것과 같은 사실입니다. 기존 시스템들은 이 두 가지 신호를 하나의 통합된 채널을 통해 AI에 전달하려 했는데, 이는 마치 바람의 속도만 측정하고 비는 무시함으로써 폭풍을 설명하려는 것과 같았습니다. 이러한 접근 방식은 모델이 하루의 일반적인 분위기와 사용자가 그 순간에 내리는 구체적이고 빠른 선택들을 구분하는 것을 어렵게 만들었습니다.
이를 해결하기 위해 연구진은 '디커플드 템포럴 인코딩(Decoupled Temporal Encoding, 분리된 시간 인코딩)'이라 불리는 새로운 프레임워크를 개발했습니다. AI가 시간과 순서를 동일한 출처로부터 학습하도록 강요하는 대신, 그들은 조화롭게 작동하는 두 개의 별도 경량 모듈을 구축했습니다. 그들이 '매크로-템포럴 인코더(macro-temporal encoder)'라고 부르는 첫 번째 모듈은 거시적인 관점에 집중합니다. 이 모듈은 시간대, 요일, 그리고 마지막 상호작용 이후 경과된 시간 등을 AI에게 알려주기 위해 압축된 신호를 주입합니다. 이를 통해 모델은 금요일 오후 7시에 저녁 식사를 주문하는 사용자가 월요일 낮 12시에 점심을 주문하는 사용자와는 다른 마음가짐을 가지고 있을 가능성이 높다는 것을 이해할 수 있습니다. 두 번째 모듈인 '마이크로-시퀀셜 인코더(micro-sequential encoder)'는 미세한 세부 사항을 처리합니다. 이 모듈은 게이트키퍼 역할을 하며, 타임스탬프만으로는 정보가 흐릿해질 정도로 상호작용이 매우 빠르게 일어날 때만 개입하여 사건의 엄격한 순서를 강조합니다. 만약 사용자가 짧은 시간 내에 여러 아이템을 연달아 클릭한다면, 이 모듈은 AI가 단순히 사건들이 근접해서 일어났다는 사실에만 주목하는 것이 아니라, 그 클릭들의 정밀한 순서에 주의를 기울이도록 보장합니다.
연구진은 이 접근 방식을 타오바오 앱의 수십억 건의 상호작용이 담긴 방대한 데이터셋과 비디오 추천을 위한 공개 벤치마크에서 테스트했습니다. 결과는 이 두 가지 유형의 시간 정보를 분리하는 것이 사용자가 다음에 무엇을 원할지 예측하는 시스템의 능력을 유의미하게 향향시킨다는 것을 보여주었습니다. 오프라인 테스트에서 새로운 방식은 이전의 모든 최첨단 모델들을 능가하며 클릭 예측의 정확도를 높이고 오류를 줄였습니다. 결정적으로, 연구진은 사용자가 규칙적인 점심 주문과 같이 명확하고 반복적인 행동 패턴을 보이거나 상호작용이 매우 밀집되어 있을 때 이 시스템이 가장 잘 작동한다는 것을 발견했습니다. AI의 내부 어텐션(attention) 패턴 분석을 통해, 시스템이 즉각적인 순서의 흐름을 놓치지 않으면서도 이러한 주기적인 습관을 강화하는 법을 배웠음을 확인했습니다.
이 연구의 진정한 시험대는 연구진이 이 시스템을 타오바오 앱의 실제 트래픽에 배포했을 때 찾아왔습니다. 수백만 명의 실제 사용자를 대상으로 한 엄격한 3주간의 실험에서, 새로운 방식은 측정 가능한 비즈니스 개선을 가져왔습니다. 시스템 응답 시간에 미미한 지연만을 추가하면서도 클릭률(CTR)을 1.8% 높였고, 천 회 노출당 수익(RPM)을 3.0% 증가시켰습니다. 이러한 성과가 일관되게 나타나고 시스템이 안정적으로 유지됨에 따라, 회사는 2026년 1월 상고우(Shangou) 광고 추천 시스템의 트래픽 100%에 이 업데이트를 적용했습니다. 이 배포는 시간의 광범한 맥락을 구체적인 행동의 순서로부터 분리함으로써, 추천 시스템이 인간 삶의 복잡하고 리드미컬한 본질에 더 부합하게 되어, 단순히 시의적절할 뿐만 아니라 진정으로 개인화된 제안을 제공할 수 있음을 입증합니다.
연구 분야의 논문에 파묻히고 계신가요?
연구 키워드에 맞는 최신 논문의 일일 다이제스트를 받아보세요 — 기술 요약 포함, 당신의 언어로.