본 논문은 실세계 추천 시스템(RS)에서 다중 관심사 모델링의 핵심 문제점을 해결하기 위해 새로운 검색 프레임워크인 SPARC(Soft Probabilistic Adaptive Retrieval Model via Codebooks)를 제안합니다. 기존 방법의 한계점인 고정된 관심사와 수동적인 매칭 전략을 극복하기 위해, Residual Quantized Variational Autoencoder (RQ-VAE)를 활용하여 사용자 행동에 따라 동적으로 변화하는 이산적인 관심사 공간을 구축하고, 전체 관심사 공간에 대한 확률 분포를 예측하는 확률적 관심사 모듈을 도입합니다. 이를 통해 온라인 추론 시 "수동적 매칭"에서 "능동적 탐색"으로 패러다임을 전환하여 새로운 관심사 발견을 효과적으로 증진시킵니다. 수천만 명의 일일 활성 사용자를 보유한 산업 플랫폼에서의 A/B 테스트 결과, 사용자 시청 시간 +0.9%, 페이지뷰 +0.4%, PV500(24시간 내 500 PV 도달한 신규 콘텐츠) +22.7% 향상 등의 성과를 보였으며, Amazon Product 데이터셋을 이용한 오프라인 평가에서도 Recall@K 및 NDCG@K 지표가 향상되는 것을 확인했습니다.
