지속적으로 정렬되는 LLM 쿼리 생성을 통한 실시간 트렌드 예측

Real-Time Trend Prediction via Continually-Aligned LLM Query Generation

저 트래픽 검색 환경에서의 트렌딩 뉴스 탐지는 근본적인 콜드 스타트 문제를 안고 있습니다. 이는 검색 쿼리 수가 부족하여 시스템이 새로운 또는 장기 트렌드를 식별하는 것을 방해합니다. 키워드 빈도 또는 쿼리 급증에 의존하는 기존 방법은 이러한 희소 환경에서 본질적으로 느리고 비효율적이며, 실제 사용자의 관심 변화에 뒤쳐집니다. 본 논문에서는 뉴스 콘텐츠로부터 직접 검색 쿼리를 생성하여 사용자가 쿼리를 입력하기를 기다리는 대신 실시간 트렌드 예측 프레임워크인 RTTP를 소개합니다. RTTP는 게시물을 검색 스타일 쿼리로 변환하고, 참여도 및 콘텐츠 제작자의 권위를 사용하여 이를 평가하는 지속적 학습 LLM(CL-LLM)을 활용하여 검색 볼륨이 형성되기 전에 초기 트렌드를 파악합니다. 추론 성능 저하 없이 적응력을 확보하기 위해, 우리는 온-정책의 안정성과 오프-정책의 새로운 학습을 결합하여 모델 업그레이드 과정에서 발생하는 재앙적 망각을 완화하는 새로운 선호도 기반 지속적 학습 접근 방식인 Mix-Policy DPO를 제안합니다. RTTP는 Facebook 및 Meta AI 제품에 대규모로 배포되었으며, 500개의 결과에 대한 꼬리 트렌드 탐지 정확도에서 기존 방법보다 +91.4% 향상되었고, 쿼리 생성 정확도에서 +19% 향상되었습니다. 또한, 다주간 온라인 학습 후에도 안정적인 성능을 유지했습니다. 본 연구는 정렬되고 지속적으로 업데이트되는 LLM이 생성하는 합성 검색 신호가, 저 트래픽 검색 환경에서 시의적절한 트렌드 이해를 가능하게 한다는 것을 보여줍니다.

Trending news detection in low-traffic search environments faces a fundamental cold-start problem, where a lack of query volume prevents systems from identifying emerging or long-tail trends. Existing methods relying on keyword frequency or query spikes are inherently slow and ineffective in these sparse settings, lagging behind real-world shifts in attention. We introduce RTTP, a novel Real-Time Trending Prediction framework that generates search queries directly from news content instead of waiting for users to issue them. RTTP leverages a continual learning LLM (CL-LLM) that converts posts into search-style queries and scores them using engagement strength + creator authority, enabling early trend surfacing before search volume forms. To ensure adaptation without degrading reasoning, we propose Mix-Policy DPO, a new preference-based continual learning approach that combines on-policy stability with off-policy novelty to mitigate catastrophic forgetting during model upgrades. Deployed at production scale on Facebook and Meta AI products, RTTP delivers +91.4% improvement in tail-trend detection precision@500 and +19% query generation accuracy over industry baselines, while sustaining stable performance after multi-week online training. This work demonstrates that LLM-generated synthetic search signals, when aligned and continually updated, unlock timely trend understanding in low-traffic search environments.