다중 시나리오 추천의 복잡함, 자동 정보 흐름 선택으로 간단하게 해결하다

초록

본 연구는 다양한 추천 시나리오와 여러 작업(예: 클릭, 구매)을 동시에 처리하는 모델의 복잡성과 정보 노이즈 문제를 해결하는 ‘AutoIFS’ 프레임워크를 제안합니다. LoRA 기술로 모델을 경량화하고, 성능 피드백 기반 자동 선택 네트워크로 핵심 정보 흐름만을 선별하여 효율성과 정확성을 동시에 높였습니다.

상세 분석

본 논문이 제안하는 AutoIFS 프레임워크의 기술적 핵심은 크게 두 가지로 요약됩니다. 첫째, LoRA(Low-Rank Adaptation)를 활용한 효율적 정보 분리 및 융합입니다. 기존 MSMTR 모델은 시나리오-공유, 시나리오-특화, 작업-공유, 작업-특화라는 네 가지 정보 단위를 복잡한 MoE(Mixture-of-Experts)나 MLP로 구현하며, 이들의 융합 과정이 모델 크기와 학습 비용을 급격히 증가시켰습니다. AutoIFS는 각 작업과 시나리오에 저랭크 행렬로 구성된 LoRA 어댑터를 부착하는 방식으로 이 네 정보 단위를 ‘분리’합니다. 이를 통해 전체 모델 파라미터를 대폭 절감하면서도, 각 정보 단위의 표현을 유연하고 직관적으로 결합할 수 있는 경량 아키텍처를 구현했습니다.

둘째, 성능 피드백 기반의 자동화된 정보 흐름 선택 메커니즘입니다. 기존 모델은 네 정보 단위 간 상호작용에서 발생하는 모든 정보 흐름(시나리오-공유 → 작업-공유 등 4가지)을 무조건적으로 융합했습니다. 이는 특정 시나리오-작업 조합에 있어 불필요하거나 유해한 노이즈를 유입할 수 있습니다. AutoIFS는 별도의 선택 네트워크를 도입하여, 입력 인스턴스와 현재 모델의 성능(예: 로스)을 바탕으로 각 정보 흐름의 중요도를 실시간으로 평가합니다. 평가된 중요도에 따라 단순한 프루닝 함수를 적용해 유효하지 않은 정보 흐름을 제거함으로써, 핵심 관계 정보의 영향력을 극대화하고 모델 성능을 개선합니다. 이는 복잡한 관계 공간 전체를 모델링하기보다, ‘필요한 관계만을 선별적으로 강화’하는 패러다임 전환을 의미합니다. 실험을 통해 제안 방법이 기존 SOTA 대비 우수한 성능을 보이면서도 모델 효율성이 크게 향상됨을 입증했습니다.