카카오 추천팀, 토픽 모델링과 MAB 결합한 개인화 추천 기술 공개

카카오 추천팀은 토픽 모델링과 **Multi-Armed Bandit(MAB)**을 결합한 개인화 추천 프레임워크를 소개했습니다. 이 방식은 자연어 처리의 토픽 모델링 기법을 사용자-아이템 클릭 로그에 적용해 주제 벡터를 계산하고, 각 주제별로 할당된 MAB를 통해 실시간으로 최적화된 추천을 제공합니다.

MAB 도입의 주요 장점은 다음과 같습니다:

1. 실제 목표 학습: 대리 목표가 아닌 실제 클릭률 등 현업 KPI를 직접 최적화합니다.
2. 탐색(Exploration): 장기적인 보상을 고려해 사용자가 익숙하지 않지만 좋아할 수 있는 새로운 콘텐츠를 추천합니다.
3. 실시간성: 사용자 피드백이 모델에 즉시 반영되며, 업데이트 루프가 짧을수록 클릭률이 유의미하게 상승하는 실험 결과가 확인되었습니다.

작동 방식은 사용자의 주제 벡터를 기반으로 각 주제별 MAB의 추천 점수를 가중평균하여 최종 목록을 생성하고, 피드백 발생 시 해당 주제별 MAB의 베타 분포를 업데이트하는 구조입니다. 이 방법은 연산량이 적고 모델 크기가 작으면서도 다수의 사용자에게 개인화된 추천을 제공할 수 있다는 장점이 있습니다.