핵심 요약
KREAM은 MINER 기반 멀티-관심도 모델의 hubness를 해결하기 위해 Centering(서빙 시 유저 무관 성분 차감)과 Bias 분리(item bias) 기법을 도입하고, 카테고리 규제 및 다양성 후처리로 후보 분포를 안정화했습니다. 오프라인 지표에서 hub 지표와 과노출 상품 수가 크게 감소했고, 온라인 지표에서도 상위 노출 분포가 고르게 변했습니다.
구현 방법
- Centering: 학습 후 상품별 평균 점수를 서빙에서 차감
- Bias 분리: 학습 로짓에 b(i) 적용, 추론 시 제거
- 다양성 후처리/카테고리 규제 병행
- 지면 적용: 카테고리 지면 클릭 6.6% 상승, 무한 스크롤 상위 10개 클릭 23% 하락
주요 결과
- 오프라인: hub 지표 약 64–66% 감소, 과노출 상품 수 약 73–89% 감소, recall 약 3~4% 하락
- 온라인: 상위 100개 노출 점유율 62% 감소, 고유 노출 수 25% 증가, 클릭 약 5% 감소
