공정한 노출을 넘어선 제공자 맞춤형 공평성: EquityRank 알고리즘

초록

본 논문은 기존 노출 기반 평등 개념을 확장하여, 제공자마다 다른 목표(노출, 매출 등)를 고려한 ‘공평성(equity)’ 프레임워크를 제시한다. 이를 바탕으로 사용자 효율성과 제공자 공평성을 동시에 최적화하는 Gradient 기반 알고리즘 EquityRank를 설계하고, 오프라인·온라인 시뮬레이션에서 기존 방법보다 효율·공정성 트레이드오프가 우수함을 입증한다.

상세 분석

이 논문은 정보 검색·추천 시스템에서 사용자와 제공자 양측의 목표를 동시에 만족시키는 순위 공정성 문제를 재정의한다. 기존 연구는 주로 “동일한 콘텐츠는 동일한 노출을 받아야 한다”는 평등(equality) 관점에 머물렀으며, 이는 제공자의 실제 비즈니스 목표와 괴리를 만든다. 저자들은 사회학적 차원에서 평등과 공평성(equity)의 차이를 강조하고, 제공자가 노출 외에도 매출, 전환율(CVR) 등 다양한 성과 지표를 중시한다는 실증적 근거를 제시한다.

핵심 기여는 두 가지이다. 첫째, 제공자별 선호를 수치화한 ‘제공자 필요 모델’(v_g^e, v_g^b)을 도입한다. 여기서 v_g^e는 노출(검토)에서 얻는 기대 이득, v_g^b는 구매에서 얻는 기대 이득을 의미한다. 이 파라미터는 가격, 프로모션 비용, 브랜드 단계 등 실제 비즈니스 데이터를 통해 추정 가능하다. 둘째, 이러한 파라미터를 활용해 ‘공평성 손실(equity loss)’을 정의한다. 손실은 각 제공자가 목표한 가중치 비율(노출 vs. 매출)과 실제 순위에서 얻은 가중치 비율 사이의 차이를 L2 거리로 측정한다. 이는 기존 노출 비례성(Exposure ∝ Relevance) 제약을 일반화한 형태이며, 노출만을 고려하던 기존 방법을 포괄적으로 대체한다.

알고리즘 설계는 두 목표—사용자 효율성(DCG/NDCG)과 제공자 공평성 손실—를 가중합한 목적 함수를 정의하고, 이를 미분 가능한 형태로 변형한다. Gradient 기반 최적화는 순위 리스트를 연속적인 확률 분포(Softmax)로 표현함으로써, 순위 자체가 매개변수가 되는 차별화 가능한 학습을 가능하게 한다. 특히, 제공자별 가중치 v_g^e, v_g^b를 손실에 직접 삽입함으로써, 학습 과정에서 제공자 맞춤형 목표가 자연스럽게 반영된다.

실험은 두 단계로 진행된다. 오프라인에서는 공개된 대규모 전자상거래 데이터셋(예: Amazon, Alibaba)에 대해 사전 정의된 relevance 라벨을 사용해 aNDCG와 공평성 지표(Equity@K)를 측정한다. 온라인 시뮬레이션에서는 사용자의 클릭·구매 행동을 베이지안 추정으로 동적으로 업데이트하며, cNDCG와 누적 공평성 손실을 평가한다. 결과는 EquityRank가 기존 FairCo, PG‑Rank, MMF 등과 비교해 aNDCG/ cNDCG는 1–3% 향상되면서, 공평성 손실은 15–30% 감소함을 보여준다. 특히, 제공자별 v_g^b가 높은(매출 중심) 제공자와 v_g^e가 높은(노출 중심) 제공자 모두에게 만족스러운 결과를 제공한다는 점이 강조된다.

이 논문의 한계는 두 가지로 지적된다. 첫째, 제공자 선호 파라미터를 사전에 정확히 추정해야 하는데, 실제 서비스에서는 이 정보가 불완전하거나 변동성이 클 수 있다. 둘째, 현재는 노출·구매 두 가지 상호작용만을 모델링했으며, 댓글, 공유 등 다른 사용자 행동을 포함하면 모델이 복잡해질 가능성이 있다. 향후 연구에서는 파라미터 추정 자동화, 다중 행동 확장, 그리고 실시간 온라인 학습을 통한 적응형 공평성 제어를 탐구할 여지가 있다.

전반적으로 이 논문은 제공자 맞춤형 목표를 정량화하고, 이를 순위 학습에 통합하는 새로운 패러다임을 제시함으로써, IR·추천 시스템에서 공정성 연구를 평등 중심에서 공평성 중심으로 전환시키는 중요한 발걸음이다.