하나의 모델, 두 시장: 입찰 정보 기반 생성형 추천

One Model, Two Markets: Bid-Aware Generative Recommendation

의미 기반 ID를 사용하는 생성형 추천 시스템(예: TIGER, Rajput et al., 2023)은 순차적 추천 분야에서 널리 채택되는 경쟁적인 패러다임으로 부상했습니다. 그러나 기존 아키텍처는 의미 기반 검색에만 최적화되어 있으며, 광고 수익 창출과 상업적 검색에서의 입찰 정보 반영과 같은 문제점을 해결하지 못합니다. 본 연구에서는 상업적 관련성과 수익 창출 목표를 생성된 시퀀스에 직접 통합하는 통합 프레임워크인 GEM-Rec을 제안합니다. 광고를 표시할지 여부에 대한 결정을 표시할 항목과 분리하기 위해 제어 토큰을 도입합니다. 이를 통해 모델은 상호 작용 로그에서 직접 유효한 배치 패턴을 학습할 수 있으며, 이는 과거 성공적인 광고 배치 패턴을 내재적으로 반영합니다. 또한, 실시간 가격을 처리하고, 추론 과정에 입찰 정보를 직접 주입하여 고가치 항목을 생성하도록 유도하는 입찰 정보 기반 디코딩 메커니즘을 개발했습니다. 본 연구에서는 이러한 접근 방식이 할당 모노토니티를 보장하며, 모델 재훈련 없이도 더 높은 입찰 정보가 광고가 표시될 확률을 약하게 증가시킨다는 것을 증명했습니다. 실험 결과는 GEM-Rec이 플랫폼이 의미적 관련성과 플랫폼 수익을 동적으로 최적화할 수 있도록 지원한다는 것을 보여줍니다.

Generative Recommender Systems using semantic ids, such as TIGER (Rajput et al., 2023), have emerged as a widely adopted competitive paradigm in sequential recommendation. However, existing architectures are designed solely for semantic retrieval and do not address concerns such as monetization via ad revenue and incorporation of bids for commercial retrieval. We propose GEM-Rec, a unified framework that integrates commercial relevance and monetization objectives directly into the generative sequence. We introduce control tokens to decouple the decision of whether to show an ad from which item to show. This allows the model to learn valid placement patterns directly from interaction logs, which inherently reflect past successful ad placements. Complementing this, we devise a Bid-Aware Decoding mechanism that handles real-time pricing, injecting bids directly into the inference process to steer the generation toward high-value items. We prove that this approach guarantees allocation monotonicity, ensuring that higher bids weakly increase an ad's likelihood of being shown without requiring model retraining. Experiments demonstrate that GEM-Rec allows platforms to dynamically optimize for semantic relevance and platform revenue.