라이브 스트리밍 추천의 다중 목표 최적화

이 요약은 AI가 원문을 분석해 생성했습니다. 정확한 내용은 원문 기준으로 확인하세요.

TL;DR

라이브 스트리밍 추천은 시청·채팅·팔로우·결제가 서로 다른 시점에 발생하고 사용자 집단별 상호작용 편향도 커서 즉시 반응만으로 순위를 학습하기 어렵습니다. 이 연구는 delayed window로 늦게 나타나는 피드백을 수집하고, 신선한 신호와 지연 신호를 결합하는 다중 모델에 세그먼트 인지 타기팅과 MMoE를 더했습니다. MMoE는 관련 목표를 공동 학습하면서 독립 모델 대비 파라미터를 41.9% 줄였고, 온라인 A/B 테스트에서 전체 DAV 0.09%, capped ARPU 0.56% 상승을 기록했습니다. 신규·저참여 시청자 타기팅은 DAV를 0.15% 추가로 높였으며, Twitch 모바일 라이브 피드에서도 긍정적 사용자 채널 상호작용이 1.12% 증가했습니다.

빠른 이해

새로운 점

신선한 행동 신호와 지연된 행동 신호를 결합하고 사용자 세그먼트별 순위 목표를 조정하면서 MMoE로 모델 규모까지 줄인 라이브 스트리밍 추천 구조입니다.

핵심 메커니즘

시청·채팅·팔로우·결제처럼 발생 시점이 다른 사용자 행동을 delayed window로 수집한 뒤, 신선한 신호와 지연 신호를 다중 모델에 입력합니다. 세그먼트 인지 타기팅 모듈은 사용자 생애주기와 참여 수준에 맞춰 순위 점수를 조정하고, MMoE는 관련된 여러 예측 목표를 공유 전문가와 목표별 게이트로 공동 계산합니다. 그 결과 추천 요청을 낮은 지연으로 처리하면서 파라미터 수를 독립 모델 대비 41.9% 줄이고 DAV·팔로우·ARPU를 함께 최적화합니다.

핵심 수치

전체 DAV 증가: +0.09%- 온라인 A/B 테스트
고참여 시청자 capped ARPU 증가: +0.56%- 온라인 A/B 테스트
신규·저참여 시청자 DAV 추가 증가: +0.15%- Viewer-segment targeting 적용 결과
MMoE 적용 후 전체 DAV 증가: +0.08%- MMoE enhancement 결과
MMoE 적용 후 신규 팔로우 증가: +0.27%- MMoE enhancement 결과
Twitch 모바일 라이브 피드 긍정적 상호작용 증가: +1.12%- 클릭·팔로우·좋아요 기준

섹션별 상세

라이브 스트리밍 추천의 지연 신호 문제

라이브 스트리밍 추천에서는 사용자 행동이 드물고 즉시 관측되지 않으며, 시청자마다 시청·채팅·팔로우·결제 행동이 동시에 발생해 전자상거래처럼 단일한 순서로 정리하기 어렵습니다. 연구진은 즉시 반응만 수집하는 대신 피드백 수집 구간을 뒤로 확장하는 delayed window를 도입해 늦게 나타나는 행동 신호까지 학습에 포함했습니다. 이후 신선한 신호와 지연 신호를 결합하는 다중 모델 구조로 추천 점수를 계산했습니다. 이 방식은 여러 행동 목표가 서로 다른 시간 지연을 가진 라이브 환경에서 사용자 반응을 더 넓게 포착하기 위한 기반이 됩니다.

사용자 생애주기별 순위 최적화

동일한 추천 점수 기준을 모든 시청자에게 적용하면 신규 사용자와 높은 참여도를 이미 보이는 사용자의 차이를 반영하기 어렵습니다. 세그먼트 인지 타기팅 모듈은 사용자 생애주기와 참여 수준에 따라 순위 점수의 최적화 방식을 다르게 적용해 집단별 목표를 조정했습니다. 온라인 A/B 테스트에서 전체 Daily Active Viewers는 0.09% 증가했고, 신규·저참여 시청자에 대한 타기팅을 추가하자 DAV가 0.15% 더 상승했습니다. 이는 추천 시스템의 평균 성과뿐 아니라 특정 사용자 집단의 활성화도 별도 목표로 관리할 수 있음을 나타냅니다.

MMoE 기반 다중 목표 예측

시청, 팔로우, 좋아요처럼 서로 연관된 목표를 독립 모델로 학습하면 모델이 중복되고 파라미터 부담이 커집니다. Multi-gate Mixture-of-Experts는 여러 전문가 모델을 공유하고 목표별 게이트가 필요한 조합을 선택해 관련 목표를 공동으로 계산합니다. 독립 모델 대비 파라미터 수를 41.9% 줄였으며, MMoE 적용 뒤 전체 DAV는 0.08%, 신규 팔로우는 0.27% 증가했습니다. 낮은 지연으로 순위 요청을 처리하도록 구성해 여러 사업 목표와 다양한 사용자 집단을 함께 다루는 확장 가능한 구조를 마련했습니다.

Twitch 모바일 피드에서의 검증

제안한 다중 모델 구조가 주 사용 사례를 넘어 다른 라이브 피드에도 적용되는지 Twitch 모바일 라이브 피드에서 추가로 시험했습니다. 추천 순위 요청에 신선한 신호와 지연 신호를 함께 입력하고, 여러 목표를 공동 최적화한 결과 클릭·팔로우·좋아요로 구성된 긍정적 사용자 채널 상호작용이 1.12% 증가했습니다. 주 실험에서는 고참여 시청자의 상한 적용 Average Revenue Per User도 0.56% 높아졌습니다. 이 결과는 시청 활성도와 참여·수익 지표를 동시에 고려하는 추천 구조가 서비스와 사용자 집단을 확장하면서도 운영될 가능성을 뒷받침합니다.

용어 해설

지연 피드백(Delayed Feedback): — 사용자 행동이 발생한 직후가 아니라 일정 시간이 지난 뒤 관측되는 추천 시스템의 학습 신호입니다. 라이브 스트리밍에서는 시청, 팔로우, 채팅, 결제처럼 행동별 지연이 달라 즉시 반응만 수집하면 실제 선호를 놓칠 수 있습니다.
세그먼트 인지 타기팅(Segment-aware Targeting): — 사용자의 생애주기나 참여 수준에 따라 추천 점수와 최적화 목표를 다르게 적용하는 방식입니다. 신규·저참여 시청자와 기존 고참여 시청자의 행동 특성이 다르다는 점을 반영해 집단별 추천 성과를 조정합니다.
다중 게이트 전문가 혼합 모델(Multi-gate Mixture-of-Experts): — 여러 예측 목표를 함께 학습하면서 각 목표와 입력에 맞는 전문가 모델의 조합을 게이트가 선택하는 구조입니다. 독립 모델을 각각 운영하는 대신 목표 간 상관관계를 공유해 파라미터 수와 추론 부담을 줄입니다.
일일 활성 시청자(Daily Active Viewers): — 하루 동안 라이브 스트리밍 콘텐츠를 시청한 활성 사용자 수를 나타내는 지표입니다. 이 연구에서는 추천 순위 변경이 실제 시청자 활동 증가로 이어졌는지 온라인 A/B 테스트에서 DAV 변화를 측정하는 데 사용했습니다.
상한 적용 사용자당 평균 매출(capped Average Revenue Per User): — 사용자별 매출에 상한을 적용한 뒤 평균을 계산한 수익성 지표입니다. 일부 고액 사용자의 영향이 전체 결과를 과도하게 좌우하지 않도록 제한한 값으로, 고참여 시청자 집단의 수익 변화를 평가하는 데 쓰였습니다.

기술

Multi-objective ranking
Delayed window
Multi-model architecture
Segment-aware targeting
Multi-gate Mixture-of-Experts (MMoE)
Online A/B testing
Recommender systems
Multitask learning

언급된 리소스

논문Multi-objective ranking for live-streaming: Balancing fresh and delayed signals with segment-aware targeting