노출을 넘어: 비선형 시간‑수입 함수로 순위 공정성 최적화

초록

본 논문은 아이템 제공자의 효용을 단순 노출이 아닌 시간‑수입 함수로 모델링하고, 이를 기반으로 “소득 공정성(Income Fairness)”을 정의한다. 기존 노출‑공정성 기법이 소득 공정성을 보장하지 못함을 실험으로 확인하고, 현재 시점의 소득 증가율을 활용한 2차 테일러 전개 기반 최적화 알고리즘인 DIDRF를 제안한다. 오프라인·온라인 모두에서 제안 방법이 최신 기법을 능가함을 입증한다.

상세 분석

이 논문은 순위 시스템에서 제공자 측 공정성을 평가할 때 노출(exposure)만을 proxy로 삼는 기존 접근법의 한계를 정확히 짚어낸다. 노출은 위치에 따라 결정되지만, 실제 제공자 수입은 시간, 지역, 이벤트 등 복합적인 컨텍스트에 따라 비선형적으로 변한다는 점을 강조한다. 이를 위해 저자들은 “소득 함수(income function)”를 도입해, 특정 노출이 주어졌을 때 시간‑t에서 발생하는 기대 수입 vₗ(d) = fₜ(E(d, l)) 형태로 정의한다. 여기서 fₜ는 시간에 따라 달라지는 비선형 매핑이며, 주기적(예: 식당의 피크 타임) 혹은 이벤트‑드리븐(예: 속보) 형태를 모두 포괄한다.

소득 공정성은 두 아이템 d₁, d₂에 대해 vₗ(d₁)/R(d₁) = vₗ(d₂)/R(d₂) 가 성립하도록 요구한다. 즉, 아이템의 관련성(relevance)과 기대 소득이 비례해야 한다는 의미다. 단일 랭킹이 아니라 여러 라운드에 걸친 누적 소득과 누적 관련성의 비례 관계를 만족하는 “누적 소득 공정성(amortized income fairness)”도 정의하여 현실적인 시나리오를 반영한다.

기존 노출‑공정성 알고리즘(예: 선형 프로그래밍 기반, 정책 그라디언트, 차분 가능한 PL 모델)은 노출을 직접 최적화 목표에 포함시키지만, 소득 함수가 비선형이면 노출을 균등하게 배분해도 소득 불균형이 발생한다. 실험에서는 이러한 불일치를 정량화하고, 기존 방법이 소득 공정성 지표에서 크게 뒤처지는 것을 확인한다.

제안된 DIDRF(Dynamic‑Income‑Derivative‑aware Ranking Fairness) 알고리즘은 현재 시점 t에서의 소득 증가율 ∂vₜ/∂E 를 계산하고, 이를 2차 테일러 전개를 통해 근사한다. 구체적으로, 목표 함수 L = λ·(user effectiveness) – (1–λ)·(income fairness loss) 를 정의하고, ∂L/∂score 를 구해 순위 점수를 직접 업데이트한다. 이 과정에서 노출‑소득 매핑의 미분값이 그라디언트에 반영되므로, 시간‑의존적 비선형 관계를 효율적으로 학습한다. 오프라인 실험에서는 다양한 공개 랭킹 데이터셋에 인위적으로 시간‑수입 함수를 부여하고, 온라인 시뮬레이션에서는 사용자 클릭 피드백을 통해 실제 소득을 추정한다. 결과는 모든 설정에서 DIDRF가 NDCG와 소득 공정성 모두에서 기존 최첨단 방법을 능가함을 보여준다.

또한, 저자들은 알고리즘의 수렴 특성, 파라미터 λ에 따른 효율성-공정성 트레이드오프, 그리고 소득 함수 형태(주기적 vs. 이벤트‑드리븐)에 따른 민감도 분석을 수행한다. 특히, 소득 함수가 급격히 변하는 경우에도 DIDRF는 2차 근사 덕분에 안정적인 업데이트를 유지한다는 점이 강조된다. 이 논문은 순위 공정성 연구에 새로운 평가 기준과 최적화 프레임워크를 제공함으로써, 실시간 광고, 뉴스 피드, 지역 기반 서비스 등 시간‑민감한 비즈니스에 직접 적용 가능함을 시사한다.