업비트, 국제정보검색학회서 개인화 뉴스 추천 연구논문 발표

블루밍비트 뉴스룸

간단 요약

두나무는 대규모언어모델(LLM) 기반의 개인화 뉴스 추천 시스템 연구 논문을 국제 정보검색학회 SIGIR 2025에서 발표했다고 밝혔다.
이번 연구는 실제 사용자 데이터 대신 가상 이용자를 활용하는 LAUS 프레임워크를 제시해 기존 방식 대비 개인정보 침해 우려를 줄였다고 전했다.
LAUS는 기존 제로샷 방식보다 성과와 효율성을 높였으며, 실제 데이터 기반 모델과 유사한 성능을 기록했다고 밝혔다.

업비트 운영사 두나무는 자사 머신러닝(ML)팀의 개인화 뉴스 추천 연구 논문이 국제 정보검색학회 'SIGIR 2025'에 채택돼 메인 컨퍼런스에서 발표를 진행했다고 16일 밝혔다.

올해 SIGIR의 메인 컨퍼런스는 이달 13일부터 18일까지 이탈리아 파도바에 위치한 센트로 콩그레스에서 진행된다. 박충원 두나무 머신러닝팀 연구원은 지난 14일 컨퍼런스에서 두나무가 개발한 개인화 뉴스 추천 시스템 연구 성과를 직접 발표했다.

논문 제목은 '대규모언어모델(LLM) 기반 사용자 시뮬레이터: 실제 사용자 상호작용 없이 뉴스 추천 모델을 학습하기 위한 방법론'이다. 해당 논문에는 실제 사용자 데이터 없이 LLM이 생성한 가상 이용자를 토대로 뉴스를 추천하는 방안이 담겼다.

구체적으로 두나무는 논문에서 기존 뉴스 추천 방식의 이용자 의존도를 해소할 수 있는 프레임워크 'LAUS(LLM As User Simulator)'를 제시했다. 기존 뉴스 추천 방식은 모델 학습을 위해 클릭 로그, 뉴스 선호도 등의 사용자 데이터를 수집해 대규모 개인정보 침해 우려 등의 문제가 있었다는 게 두나무 측의 설명이다.

LAUS는 실제 사용자 데이터 대신 가상 이용자를 생성해 학습 데이터를 만든다. 이번 연구 결과 LAUS는 기존 뉴스 추천 방식인 '제로샷(zero-shot)' 방식 대비 높은 성과를 보였고 지연 시간도 짧게 유지하는 것으로 확인됐다. 영어 등 다양한 언어권의 뉴스 추천 시스템 비교평가에서 실제 사용자 데이터로 학습된 모델과 유사한 수준의 성능을 보이기도 했다.

박 연구원은 "개인화 뉴스 추천 시스템 품질은 이용자가 원하는 정보를 얼마나 정확히 제공하는가와 직결돼 서비스 만족도를 높이는 핵심 요소"라며 "이번 연구로 고객 정보보호와 운영 효율성을 높이면서 보다 정교한 추천 서비스를 제공할 수 있는 기반을 마련했다"고 말했다.