라이브스트리밍 추천에서 항목 ID의 콜드 스타트 문제를 해결하기 위해 후보측 항목 ID를 완전히 제거한 FLUID 프레임워크를 제안했다. 짧은 영상과 라이브스트림에 공동 훈련된 크로스 도메인 멀티모달 인코더로 이산 계층적 코드(LUCID)를 생성하고, 온라인 증분 훈련 안정화를 위한 단계적 웜업을 적용했다. 10억 명 이상의 사용자 기반 실 서비스 배포에서 시청 시간 +0.55%, 콜드 스타트 조회수 +2.05%의 성과를 거뒀다.
- •라이브스트리밍 특유의 콜드 스타트 문제를 해결하기 위해 후보측 항목 ID를 완전 제거한 FLUID 프레임워크 제안
- •짧은 영상·라이브스트림 공동 훈련 크로스 도메인 멀티모달 인코더로 이산 계층적 코드(LUCID) 생성
- •ID 없는 설계에 슬라이스·룸 수준 LUCID를 독립 토큰으로 주입하고 단계적 움업으로 온라인 증분 훈련 안정화
- •10억 명 이상 사용자 기반 실 서비스에서 시청 시간 +0.55%, 콜드 스타트 조회수 +2.05% 유의미한 온라인 성과
FLUID: From Ephemeral IDs to Multimodal Semantic Codes for Industrial-Scale Livestreaming Recommendation
- 1.FLUID: 라이브스트리밍 추천에서 아이템 ID를 완전히 제거하고 멀티모달 의미 코드(LUCID)로 대체한 최초 산업 규모 프레임워크
- 2.콜드스타트 문제 해결: 방송 수십 분 내 아이템 ID가 학습 안 되는 라이브스트리밍 특유의 난제를 멀티모달 인코더로 극복
- 3.글로벌 10억+ 사용자 기반 배포 결과: 품질 시청 시간 +0.55%, 콜드스타트 룸 조회수 +2.05% 향상 달성
- 4.단계적 웜업과 슬라이스/룸 수준 LUCID 토큰 독립 주입 설계로 온라인 증분 학습 안정성 확보
왜 중요한가?
ID 기반 협업 필터링의 근본적 한계를 멀티모달 의미 표현으로 대체한 것은 추천 시스템 패러다임 전환의 가능성을 실증하며, 특히 콜드스타트가 심각한 라이브 커머스·스트리밍 플랫폼에 즉각 적용 가능한 성과다.
본문 미리보기
arXiv:2605.21832v1 Announce Type: new Abstract: Modern recommender systems rely heavily on ID-based collaborative filtering: each item is represented by a unique ID embedding that accumulates collaborative signals from user interactions. Livestreaming recommendation, however, faces a unique challenge in this paradigm: a live room typically broadcasts for only tens of minutes, so its item ID remains poorly learned in a persistent cold-start state and ID-centric ranking models fail to generalize.
전체 내용이 궁금하다면?
원문을 직접 읽어보세요
