이 요약은 AI가 원문을 분석해 생성했습니다. 정확한 내용은 원문 기준으로 확인하세요.
TL;DR
기존 추천 시스템은 클릭이나 시청 시간 같은 암시적 신호에 의존하여 장기적인 사용자 만족도를 놓치는 한계가 있었다. Meta는 이를 해결하기 위해 실제 사용자 설문 데이터를 직접 활용하는 UTIS(User True Interest Survey) 모델을 개발했다. 이 모델은 수집된 설문 응답을 바탕으로 기존 랭킹 모델의 예측값을 특징으로 사용하는 경량 정렬 레이어를 학습시킨다. 결과적으로 Facebook Reels에서 니치한 고품질 콘텐츠 노출이 늘어났으며 사용자 참여도와 유지율이 유의미하게 향상되었다.
배경
추천 시스템의 랭킹 퍼널 구조 이해, 멀티태스크 학습 및 지식 증류 개념, A/B 테스트 및 주요 참여 지표 지식
대상 독자
추천 시스템 및 랭킹 알고리즘을 설계하는 ML 엔지니어 및 데이터 과학자
의미 / 영향
단순 행동 로그 기반 추천의 한계를 극복하기 위해 사용자 인지 피드백을 시스템에 직접 통합하는 새로운 표준을 제시한다. 이는 대규모 서비스에서 데이터 희소성 문제를 해결하면서도 개인화 품질을 획기적으로 높일 수 있는 실전적인 아키텍처를 제공한다.
섹션별 상세
기존 추천 시스템은 시청 시간이나 좋아요와 같은 암시적 신호에 의존하지만 이는 사용자의 진정한 관심사를 완벽히 반영하지 못하는 노이즈를 포함한다. Meta의 연구에 따르면 효과적인 관심사 매칭은 단순한 주제 일치를 넘어 오디오, 제작 스타일, 분위기 등 다각적인 요소를 포함해야 한다. 이를 위해 사용자에게 직접 영상의 관심사 부합도를 묻는 측정 방식이 필요함이 확인됐다.
UTIS 모델은 매일 무작위로 선정된 사용자 세션에서 수집된 1~5점 척도의 설문 응답을 기반으로 학습된다. 이 모델은 대규모 멀티태스크 랭킹 모델의 출력값을 입력 특징으로 사용하는 경량 Perception Layer 아키텍처를 채택했다. 설문 데이터의 희소성 문제를 해결하기 위해 기존 이벤트 예측값을 활용하여 대규모 시스템에서도 사용자 인지 피드백을 일반화할 수 있도록 설계됐다.
학습된 UTIS 모델은 랭킹 퍼널의 여러 단계에 통합되어 작동한다. 최종 랭킹 단계인 LSR에서는 최종 가치 산정 공식의 추가 입력 특징으로 사용되어 진정한 관심사와 다른 지표 간의 균형을 맞춘다. 초기 단계인 Retrieval에서는 지식 증류 기법을 통해 사용자 관심사 프로필을 재구성하고 더 관련성 높은 후보군을 추출하는 데 활용된다.
오프라인 평가 결과 UTIS 모델은 기존 휴리스틱 방식 대비 정확도를 59.5%에서 71.5%로 향상시켰다. 1,000만 명 이상의 사용자를 대상으로 한 온라인 A/B 테스트에서는 높은 설문 평점이 5.4% 증가하고 낮은 평점은 6.84% 감소하는 성과를 거두었다. 또한 전체 사용자 참여도가 5.2% 증가하며 실제 서비스 품질 개선 효과가 입증됐다.
용어 해설
- Implicit Feedback
- — 클릭, 시청 시간, 공유 등 사용자가 직접 의도하여 남긴 평가는 아니지만 행동을 통해 간접적으로 드러나는 선호도 데이터이다. 추천 시스템의 주요 학습원이지만 노이즈가 많고 장기적인 만족도를 완벽히 대변하지 못하는 한계가 있다.
- Multi-Task Learning
- — 하나의 모델이 여러 개의 연관된 작업을 동시에 학습하여 공통된 특징을 공유하고 전체적인 성능을 높이는 기법이다. 페이스북의 랭킹 모델처럼 시청 시간 예측과 좋아요 예측을 동시에 수행할 때 효율적이다.
- Knowledge Distillation
- — 거대하고 복잡한 모델(Teacher)의 지식을 더 작고 효율적인 모델(Student)에게 전달하는 학습 기법이다. 추론 속도가 중요한 초기 랭킹 단계에서 복잡한 모델의 예측 성능을 유지하기 위해 사용된다.
- Precision and Recall
- — 모델의 성능을 평가하는 핵심 지표로, 정밀도는 모델이 정답이라고 예측한 것 중 실제 정답의 비율이며 재현율은 실제 정답 중 모델이 찾아낸 비율이다. 추천 시스템에서는 사용자가 실제로 좋아할 콘텐츠를 얼마나 정확히 골라내는지 측정하는 데 쓰인다.
- Ranking Funnel
- — 수백만 개의 후보 콘텐츠 중 사용자에게 보여줄 최종 몇 개를 선정하기 위해 여러 단계를 거치는 구조이다. 보통 후보군을 추리는 초기 단계(Retrieval)와 정밀하게 순위를 매기는 최종 단계(Ranking)로 구성된다.
기술
- UTIS Model
- Perception Layer
- Multi-task Learning
- Knowledge Distillation
활용 사례
- Facebook Reels 추천
- 개인화된 비디오 피드 구성
- 니치 콘텐츠 발굴 및 추천
AI 분석 전체 내용 보기
AI 요약 · 북마크 · 개인 피드 설정 — 무료
출처 · 인용 안내
원문 발행 2026. 01. 15.수집 2026. 02. 21.출처 타입 RSS
인용 시 "요약 출처: AI Trends (aitrends.kr)"를 표기하고, 사실 확인은 원문 보기 기준으로 진행해 주세요. 자세한 기준은 운영 정책을 참고해 주세요.
