핵심 요약
기존 추천 시스템은 클릭이나 시청 시간 등 간접적인 참여 신호에 의존하여 장기적인 사용자 만족도를 놓치는 한계가 있었다. 메타는 이를 해결하기 위해 사용자에게 직접 관심도를 묻는 대규모 설문 시스템인 UTIS(User True Interest Survey) 모델을 도입했다. 이 모델은 설문 응답을 학습하여 사용자의 실제 취향을 예측하고, 이를 랭킹 시스템의 주요 피처로 활용함으로써 추천의 질을 높인다. 결과적으로 니치한 고품질 콘텐츠 노출이 늘어났으며, 사용자 참여도와 유지율이 유의미하게 향상되었다.
배경
추천 시스템(Recommendation Systems), 랭킹 알고리즘(Ranking Algorithms), 멀티태스크 학습(Multi-task Learning)
대상 독자
추천 시스템 엔지니어, 데이터 사이언티스트, 소셜 미디어 프로덕트 매니저
의미 / 영향
이 연구는 대규모 플랫폼에서 사용자 만족도를 높이기 위해 참여 지표 중심에서 사용자 인식 중심으로 패러다임을 전환해야 함을 시사한다. 특히 데이터 희소성 문제를 해결하며 설문 데이터를 실시간 랭킹에 성공적으로 통합한 사례로서 업계의 추천 알고리즘 설계에 중요한 참고가 될 것이다.
섹션별 상세
이미지 분석
사용자의 행동(Activity Learning)뿐만 아니라 설문을 통한 인식(Perception Learning)이 어떻게 랭킹 시스템에 다시 입력되어 추천 결과를 개선하는지 전체적인 흐름을 보여준다.
추천 시스템의 피드백 루프 다이어그램
사용자에게 영상이 관심사와 얼마나 일치하는지 5단계로 묻는 실제 UI를 보여주며, 데이터 수집 방식을 직관적으로 이해하게 돕는다.
페이스북 릴스 앱 내 실제 사용자 설문 화면 스크린샷
사용자 히스토리, 희소 및 밀집 피처들이 어떻게 결합되어 관심도와 즐거움을 예측하는지 기술적인 구조를 상세히 보여준다.
UTIS 모델의 Perception Layer 아키텍처 다이어그램
실무 Takeaway
- 클릭이나 시청 시간 같은 간접 지표만으로는 사용자의 진정한 만족도를 파악하기 어려우므로 직접적인 피드백 수집이 필수적이다.
- 희소한 설문 데이터를 기존의 풍부한 행동 데이터와 결합하는 Perception Layer 아키텍처를 통해 대규모 시스템에서도 효율적인 학습이 가능하다.
- 추천 시스템의 성능 개선을 위해 단순한 랭킹 피처 추가를 넘어, 초기 후보 추출 단계부터 사용자 관심사 프로필을 재구축하는 전방위적 접근이 효과적이다.
AI 요약 · 북마크 · 개인 피드 설정 — 무료