최근 추천 시스템(RS) 분야에서 생성형 모델링(generative modelling)을 통해 성능이 크게 향상되고 있습니다. 하지만 실제 추천에서는 단순히 관련성 높은 아이템을 넘어, 아이템 속성 제약이나 공정성(fairness)과 같은 여러 보조 목표를 동시에 만족하는 '슬레이트(slate, 아이템 목록)'를 구성해야 하는 복잡한 문제가 있습니다. 기존의 다중 목표 접근 방식들은 생성형 모델의 순차적 특성을 제대로 반영하지 못하거나, 대규모 시스템에 적용하기 어려운 모델 재훈련을 요구하는 한계가 있었습니다.
이러한 문제를 해결하기 위해 새로운 연구에서는 기존 모델을 수정하거나 재훈련할 필요 없이, 추론(inference) 시점에 적용되는 경량의 '디코딩 레이어(decoding layer)'를 제안했습니다. 이 레이어는 '확률적 원시-쌍대 근사(stochastic primal-dual approximation)' 방식을 통해 아이템을 순차적으로 선택하면서 관련성과 보조 목표 사이의 균형을 동적으로 조절합니다. 즉, 각 목표의 남은 제약 여유(constraint slack)에 따라 트레이드오프를 조정하며 최적의 슬레이트를 생성하는 방식입니다. 이 접근 방식은 온라인 제약 최적화 문제로 공식화되어, 제약 위반 및 후회(regret)에 대한 이론적 보장까지 제공합니다.
실제 대규모 온라인 A/B 테스트와 오프라인 실험 결과, 이 기법은 다중 목표 트레이드오프에서 일관된 개선을 보였습니다. 특히, 사용자 만족도(user satisfaction)에 전혀 손실 없이 보조 목표(auxiliary objectives)를 1.8% 향상시키는 성과를 달성했습니다. 이는 생성형 추천 시스템이 실제 서비스 환경에서 다양한 비즈니스 목표와 사용자 경험을 동시에 최적화할 수 있는 실용적인 길을 열었다는 점에서 큰 의미가 있습니다. 모델 재훈련 없이 적용 가능하다는 점은 대규모 시스템에서 효율적인 운영을 가능하게 합니다.