여러 컨텐츠 유형에 대한 랭킹 (Multinomial Blending) @Amazon Music

Ranking Across Different Content Types: The Robust Beauty of Multinomial Blending

음악, 팟캐스트, 비디오 등 서로 다른 콘텐츠 타입을 하나의 랭킹 슬레이트에 섞어 배치하는 것은 기존 LTR 모델로는 구조적 한계가 있음
콘텐츠 타입마다 이용 빈도·보상 신호가 다르기 때문에 클릭 같은 단기 지표를 최적화하면 fast 콘텐츠(음악)가 과도하게 노출되고 팟캐스트 같은 slow 콘텐츠는 점점 사라지는 악순환
고려할 수 있는 해결책들은
- Diversity-aware LTR/MMR :
  - 슬롯을 하나씩 채우면서 LTR 점수 + diversity 점수를 높이는 방향으로 후보를 선택
  - 노출 비율을 직접 보장하지 못함, 매번 재튜닝이 필요(운영 불안정), 파라미터 해석 불가
    - 보통 lambda * LTR score + (1-lambda) * diversity score 이런 식으로 가는데 lamdba를 어떻게 정할 건지의 문제
- Reward shaping/수동 오버라이드
  - 그냥 정해진 규칙 e.g. 슬롯3에는 무조건 팟캐스트 하나
  - 운영 복잡도 증가, 개인화 훼손, off-policy 평가 왜곡 문제(실제 서빙될 때는 다른 아이템이 강제로 삽입된다든지)

![[multinomial-blending.png|450]]

콘텐츠 타입 단위 확률 분포를 먼저 정의하고, 랭킹 생성 시 다음을 반복 (슬롯이 다 찰 때까지):
- 확률 p_c에 따라 콘텐츠 타입 c를 샘플링
- 해당 타입 내에서 가장 점수가 높은 아이템을 선택 (같은 타입 내부의 LTR 순서는 그대로 보존)
p_c는 콘텐츠 타입 c가 슬레이트 평균에서 차지해야 하는 노출 비율이기 때문에 개인화 요소는 아님.
- e.g. 평균적으로 슬레이트의 20%는 팟캐스트가 들어가도록 보장하겠다.
- baseline 랭커가 이미 충분한 slow-content 노출을 주면(개인화 상으로 팟캐스트가 충분히 나오면) MB를 아예 적용하지 않는 lower-bound MB 변형을 제안하기도 했음
이 방식은 파라미터 p_c가 해석가능하고, 노출 비율이 스코어 분포나 모델 재학습 여부에 거의 영향받지 않아 안정적.

시나리오: 음악 + 팟캐스트를 하나의 슬레이트에 랭킹
비교 대상: 수동 오버라이드(기존) vs MMR vs MB
- MB: 팟캐스트 청취 시간 +18.82%, 전체 engagement +2.23%
- MRR: 팟캐스트 청취 시간 +13.57%, 전체 engagement +2.76%
두 방법 모두 파레토 개선을 달성했지만, 운영 단순성·안정성·확장성 때문에 MB가 최종 채택됨