왓챠가 사용자의 취향에 다가가는 방법 (feat. CIKM)

문제 상황

• 시청 기록의 헤드·롱테일 불균형과 노출 효과로 인한 추천 모델의 인기 편향
• 코사인 유사도 기반 Sampled Softmax에서도 비인기 작품의 Recall@20이 인기 작품보다 크게 낮은 현상

원인 분석

• 코사인 점수 계산과 달리 학습 중 원본 임베딩 길이가 증가하며 인기도별 그래디언트 크기 차이 발생
• 인기작의 잦은 positive 등장으로 에폭별 누적 업데이트가 집중되는 학습량 불균형

해결 방법

• 매 업데이트 뒤 임베딩을 단위 길이로 정규화하는 L2 Projection 적용
• 사용자·작품 시청 수를 로그 스케일로 반영해 롱테일 positive의 학습 신호를 강화하는 Degree Prior ψ 적용
• 두 보정을 결합한 GD-SSM으로 업데이트 크기와 업데이트 횟수의 편향 경로 분리

성능/운영 포인트

• 왓챠 오프라인 실험에서 SSM 대비 전체 Recall@20 7.2%, NDCG@20 9.9% 개선
• 롱테일 Recall@20 39.0%, NDCG@20 61.4% 개선과 추천 커버리지 확대
• 별도 학습 파라미터·튜닝 하이퍼파라미터 없이 시청 기록 기반 ψ 사전 계산