산업용 추천 시스템의 사전 순위 매기기 단계는 효율성과 효과 사이의 근본적인 갈등에 직면합니다. Target Attention (TA)와 같은 강력한 모델은 순위 매기기 단계에서 복잡한 특징 상호 작용을 포착하는 데 탁월하지만, 높은 계산 비용으로 인해 단순한 벡터 곱 모델에 의존하는 사전 순위 매기기에는 적합하지 않습니다. 이러한 차이는 전체 시스템의 성능 병목 현상을 초래합니다. 이러한 간극을 해소하기 위해 본 논문에서는 새로운 사전 순위 매기기 프레임워크인 TARQ를 제안합니다. 생성 모델에서 영감을 얻은 TARQ의 핵심 혁신은 잔차 양자화를 통해 TA에 근사한 아키텍처를 사전 순위 매기기에 적용하는 것입니다. 이를 통해 TA의 모델링 성능을 처음으로 지연 시간이 중요한 사전 순위 매기기 단계에 적용하여 정확성과 효율성 간의 새로운 최첨단 절충안을 확립할 수 있습니다. Taobao에서의 광범위한 오프라인 실험과 대규모 온라인 A/B 테스트는 TARQ의 순위 매기기 성능 개선을 보여줍니다. 결과적으로, 우리의 모델은 프로덕션에 완전히 배포되어 매일 수천만 명의 활성 사용자에게 서비스를 제공하고 상당한 비즈니스 개선을 가져왔습니다.
시사점, 한계점
•
시사점:
◦
TA의 강력한 모델링 성능을 사전 순위 매기기 단계에 적용하여 정확성과 효율성 간의 새로운 최첨단 절충안을 제시.
◦
대규모 온라인 A/B 테스트를 통해 실제 환경에서의 성능 개선을 검증하고, 상당한 비즈니스 개선 효과를 달성.
◦
수천만 명의 활성 사용자에게 서비스를 제공하는 실제 배포 성공 사례 제시.
•
한계점:
◦
잔차 양자화를 통해 TA를 근사하는 방법의 일반화 성능 및 한계에 대한 추가적인 연구 필요.
◦
다양한 추천 시스템 환경에 대한 적용 가능성 및 일반화 성능에 대한 추가적인 실험 필요.
◦
특정 비즈니스 환경(Taobao)에 최적화된 모델이므로 다른 환경에서의 성능은 추가적인 평가가 필요.
