짧은 동영상 랭킹을 위한 장기 가치 예측 프레임워크

초록

본 논문은 짧은 동영상 추천 시스템의 랭킹 단계에서 장기 가치(LTV)를 정확히 예측하기 위해 위치 편향을 정량화하는 PDQ 모듈, 다차원 귀속 학습 모듈, 그리고 저자 기반 교차 시계열 모델을 제안한다. 오프라인 실험과 대규모 A/B 테스트를 통해 기존 지표 대비 LTV 향상과 단기 목표와의 안정적인 트레이드오프를 입증한다.

상세 분석

이 연구는 산업 현장에서 흔히 마주하는 세 가지 핵심 문제—위치 편향, 귀속 모호성, 시간 범위 제한—를 체계적으로 해결한다는 점에서 큰 의의를 가진다. 첫 번째 기여인 Position‑aware Debias Quantile(PDQ) 모듈은 페이지별로 동일한 노출 환경을 정의하고, 슬라이드 타임을 등분위수(quantile) 레이블로 변환함으로써 기존의 위치 특성을 입력 피처로 사용하는 방식보다 학습 신호를 강화한다. 등분위수 기반 정규화는 연속적인 값 예측을 0‑1 구간의 이산 레이블로 전환해 추정 난이도를 낮추면서도, 페이지·포지션 내부의 상대적 순위를 보존한다는 장점이 있다. 또한, zero‑slide 상황을 동적으로 처리하기 위해 시작 등분위수 인덱스를 도입한 점은 실제 데이터의 censoring 특성을 반영한 실용적인 설계라 할 수 있다.

두 번째 기여인 다차원 귀속 모듈은 기존의 단순 누적 시청시간 방식이 갖는 인과관계 혼란을 해소한다. 컨텍스트 의존성, 행동 유사성, 콘텐츠 친화성 등 5가지 세부 신호를 연속적인 가중치 c∈