Core Concepts
검색 기반 모델의 성능 향상과 실시간 추천 시스템에의 적용을 위해 검색 기반 지식을 효율적으로 활용하는 프레임워크를 제안한다.
Abstract
이 논문은 클릭률 예측을 위한 검색 기반 모델의 문제점을 해결하기 위해 Retrieval-Oriented Knowledge (ROK) 프레임워크를 제안한다.
ROK는 두 단계로 구성된다:
검색 기반 지식 구축 단계:
기존 검색 기반 모델(예: RIM)을 사전 학습하여 검색 결과를 저장한다.
검색 결과를 모방할 수 있는 지식 베이스를 설계한다. 이 지식 베이스는 특징 수준의 임베딩과 인스턴스 수준의 인코더로 구성된다.
지식 증류와 대조 학습을 통해 지식 베이스를 최적화한다.
지식 활용 단계:
구축된 지식 베이스를 다양한 클릭률 예측 모델에 통합한다.
인스턴스 수준과 특징 수준의 두 가지 방식으로 지식을 활용한다.
이를 통해 ROK는 검색 기반 모델의 성능을 유지하면서도 실시간 추천 시스템에 적용 가능한 수준의 추론 효율성을 달성한다. 실험 결과, ROK는 기존 검색 기반 모델을 능가하는 성능을 보이며, 다양한 클릭률 예측 모델과 호환성이 뛰어나다.
Stats
검색 기반 모델의 추론 시간 복잡도는 O(N log N)으로 매우 비효율적이다.
ROK의 추론 시간 복잡도는 O(1)로 상수 시간에 수행할 수 있다.
ROK는 DIEN 모델에 통합되었을 때 Tmall 데이터셋에서 AUC가 9.40% 향상되었다.
ROK는 DIN 모델에 통합되었을 때 Alipay 데이터셋에서 AUC가 5.83% 향상되었다.
Quotes
"검색 기반 모델의 비효율적인 추론 단계로 인해 산업 현장에 적용하기 어려운 문제가 있다."
"ROK는 검색 기반 모델의 성능을 유지하면서도 실시간 추천 시스템에 적용 가능한 수준의 추론 효율성을 달성한다."