Uniboost: 가치 정렬을 통한 전역 조정으로 공정하고 효율적인 트래픽 할당

Uniboost: Global Coordination with Value Alignment for Fair and Efficient Traffic Allocation

인터넷 서비스의 급속한 발전에 따라 추천 시스템은 필수적인 요소가 되었습니다. 특히, 혼합(재순위화) 단계는 다양한 비즈니스 목표에 따른 트래픽 할당에서 중요한 역할을 합니다. 그러나 기존 접근 방식은 종종 결합된 할당 계획, 점수 인플레이션 및 해석 가능성 부족과 같은 문제를 안고 있습니다. 이러한 문제점을 해결하기 위해, 우리는 통합적인 트래픽 할당 프레임워크인 Uniboost를 제안합니다. Uniboost는 추상 모델의 점수를 명시적인 비즈니스 의미를 가진 기준 지표에 맞춰 조정하는 후처리 값 정렬 메커니즘을 도입하여 해석 가능성을 크게 향상시킵니다. 또한, 독립적인 선형 부스팅 패러다임을 사용하여 복잡한 가중치 방식을 분리함으로써 각 계획의 기여도를 정확하게 파악할 수 있도록 합니다. 우리는 온라인 A/B 테스트 및 심층 데이터 분석을 통해 Uniboost의 효과를 검증했으며, 세 가지 주요 결과를 확인했습니다. 1) 가중 점수의 전체적인 가중치를 줄이면 의도치 않은 비즈니스 간섭을 효과적으로 완화하여 보다 효율적인 미세 수준의 트래픽 할당 전략을 제공합니다. 2) 사후 분석 및 집계된 대시보드를 통해 직관적이고 거시적인 통찰력을 얻어 전체 트래픽 할당 메커니즘 설계에 활용할 수 있습니다. 3) 제안하는 "실제 완료 점수(Effective Completion Score)"는 쉽게 구할 수 있는 후처리 지표로서 콘텐츠 추천 파이프라인의 안정적인 기준을 제공합니다. 종합적으로, 우리의 실험 결과는 Uniboost가 미세 수준에서 트래픽 할당 효율성과 추천 성능을 향상시킬 뿐만 아니라 시스템 반복을 위한 거시적인 지침도 제공한다는 것을 보여줍니다. 따라서 본 연구는 대규모 산업용 추천 시스템에 대한 효율적이고 제어 가능한 트래픽 규제 솔루션을 제공합니다.

With the rapid evolution of internet services, recommendation systems have become indispensable. In particular, the blending (re-ranking) stage plays a pivotal role in allocating traffic across diverse business objectives. However, existing approaches often suffer from coupled allocation plans, score inflation, and a lack of interpretability. To address these challenges, we propose Uniboost, a unified traffic allocation framework. Uniboost introduces a posterior value alignment mechanism that calibrates abstract model scores to anchor metrics with explicit business semantics, significantly enhancing interpretability. Furthermore, it employs an independent linear boosting paradigm to decouple complex weighting schemes, enabling precise attribution of each plan's contribution. We validate the effectiveness of Uniboost through online A/B tests and in-depth data analysis, demonstrating three key findings: 1) Reducing the overall weight of weighted scores effectively mitigates unintended business interference, yielding a more efficient micro-level traffic allocation strategy; 2) Post-hoc analyses and aggregated dashboards provide intuitive, macro-level insights that guide the design of the overall traffic allocation mechanism; 3) The proposed "Effective Completion Score" serves as an easily obtainable post-metric that offers a reliable anchor for content recommendation pipelines. Collectively, our experiments show that Uniboost not only improves traffic allocation efficiency and recommendation performance at the micro level but also provides macro-level guidance for system iteration. Thus, this work provides an efficient and controllable traffic regulation solution for large-scale industrial recommendation systems.