Talos: 추천 시스템에서 상위 $K$ 정확도를 최적화하는 방법

Talos: Optimizing Top-$K$ Accuracy in Recommender Systems

추천 시스템(RS)은 개별 사용자 선호도에 가장 잘 맞는 소수의 항목을 검색하는 것을 목표로 합니다. 따라서 RS는 전체 항목 집합에 대한 성능보다는 상위 $K$ 결과의 품질에 중점을 둡니다. 그러나 상위 $K$ 정확도(예: Precision@$K$, Recall@$K$)를 추정하려면 항목의 순위 위치를 결정해야 하며, 이는 상당한 계산 오버헤드를 발생시키고 최적화를 어렵게 만듭니다. 또한, RS는 진화하는 사용자 선호도 또는 데이터 편향으로 인해 발생하는 데이터 분포 변화로 인해 어려움을 겪는 경우가 많습니다. 이러한 문제를 해결하기 위해, 우리는 Talos 추천 정확도를 최적화하도록 특별히 설계된 손실 함수인 Talos를 제안합니다. Talos는 복잡한 순위 의존 연산을 예측된 점수와 학습된 점수 임계값 간의 간단한 비교로 대체하는 양자화 기법을 활용합니다. 또한, 효율적이고 정확한 임계값 추정을 위한 샘플링 기반 회귀 알고리즘을 개발하고, 점수 증가를 방지하여 최적화의 안정성을 유지하기 위한 제약 항을 도입했습니다. 또한, 불연속성을 해결하고 데이터 분포 변화에 대한 강건성을 향상시키기 위해 맞춤형 대체 함수를 통합했습니다. 포괄적인 이론적 분석과 경험적 실험을 통해 Talos의 효과, 효율성, 수렴성 및 데이터 분포 강건성을 입증했습니다. 코드는 다음 주소에서 사용할 수 있습니다: https://github.com/cynthia-shengjia/WWW-2026-Talos.

Recommender systems (RS) aim to retrieve a small set of items that best match individual user preferences. Naturally, RS place primary emphasis on the quality of the Top-$K$ results rather than performance across the entire item set. However, estimating Top-$K$ accuracy (e.g., Precision@$K$, Recall@$K$) requires determining the ranking positions of items, which imposes substantial computational overhead and poses significant challenges for optimization. In addition, RS often suffer from distribution shifts due to evolving user preferences or data biases, further complicating the task. To address these issues, we propose Talos, a loss function that is specifically designed to optimize the Talos recommendation accuracy. Talos leverages a quantile technique that replaces the complex ranking-dependent operations into simpler comparisons between predicted scores and learned score thresholds. We further develop a sampling-based regression algorithm for efficient and accurate threshold estimation, and introduce a constraint term to maintain optimization stability by preventing score inflation. Additionally, we incorporate a tailored surrogate function to address discontinuity and enhance robustness against distribution shifts. Comprehensive theoretical analyzes and empirical experiments are conducted to demonstrate the effectiveness, efficiency, convergence, and distributional robustness of Talos. The code is available at https://github.com/cynthia-shengjia/WWW-2026-Talos.