아자르 CUPID는 예상 대화 시간을 엣지 가중치로 두고 매칭 풀 전체 합을 최대화한다
·수정 2026.10.23·수정 4회
요약
- 하이퍼커넥트는 1:1 랜덤 영상통화(아자르)에서 두 사람의 예상 대화 시간을 투 타워 모델로 예측하고, 매칭 풀에 모인 사람들의 예상 대화 시간 합이 최대가 되게 짝짓는다.
- 최근 매칭 기록(세션) 임베딩을 매칭 요청 경로에서 떼어 비동기로 미리 계산해 응답 지연을 p90 236ms→48ms로 줄였고, 매칭 풀을 공유해서 A/B 대신 스위치백 테스트로 평가했다.
- 세션 정보 없이 정적 특징만 쓰는 Wide&Deep 대비 평균 대화 시간 +6.8%였다. 비교 대상이 이미 쌍 점수를 내는 모델이라, 이 수치는 실시간 세션 정보를 넣은 효과이고 쌍 점수로 매칭하는 것 자체의 효과는 아니다.
본문
문제 설정
- 1:1 소셜 디스커버리라 사용자가 서로의 아이템이 된다(상호 추천). 매치를 원하는 사용자가 매칭 풀에 모인다.
- 논문은 목표를 "모든 쌍의 대화 시간 합으로 잰 전체 만족도를 최대화"로 둔다. 블로그는 이를 그래프로 설명한다. 사용자를 노드로, 예측 대화 시간을 엣지 가중치로 두고 가중치 합이 최대가 되는 노드 쌍을 고른다.
- 실제 매칭 알고리즘은 논문에서 "서비스 비즈니스 로직에 맞춘 효율적 매칭 알고리즘"이라고만 나온다. 풀을 몇 초 단위로 모으는지, A→B와 B→A 두 방향 예측값을 어떻게 합치는지는 공개하지 않았다.
예측 대상
- 대화 시간을 예측한다. 분포가 롱테일이라 내적 결과에 지수 변환을 건다. 블로그 수식은 ŷ = exp(w(e_user · e_peer) + b)다.
- 블로그는 리텐션을 올리려면 대화 시간 외에 신고·친구 신청·스와이프 여부도 함께 봐야 한다고 쓴다. 실제 모델은 작업마다 임베딩을 선형 투영한 뒤 내적해서 여러 1차 지표를 동시에 예측한다. 정확히 어떤 지표를 예측하는지는 밝히지 않았다.
모델 구조
- 투 타워 구조라 풀에 N명이 있으면 임베딩은 N번만 계산하고, 임베딩 행렬 E로 EᵀE를 구해 N² 쌍의 점수를 한 번에 얻는다. 구조와 한계는 투 타워(two-tower) 모델은 양쪽을 따로 임베딩해 쌍 점수를 내적으로 계산한다 참고.
- 특징 임베딩 층은 Wide&Deep이다. 입력은 사용자 ID와 보조 정보이고, 보조 정보에는 매치 요청마다 바뀔 수 있는 필터 조건이 들어간다.
- 세션 임베딩 층은 최근 매칭 기록을 인과 트랜스포머로 요약한다. 이 계산을 매칭 요청 경로와 분리해 비동기로 돌리고 결과를 캐시한다.
- 2단계로 학습한다. 1단계는 세션·특징 임베딩 층을 학습하고, 2단계는 임베딩 층을 고정한 채 대화 시간 예측 층만 학습한다. 초록은 이 방식으로 순차 모델 추론 횟수를 수백 배 줄였다고 하고, 블로그는 학습 효율이 213배 좋아졌다고 쓴다.
결과
- 데이터: 한 달 동안 수백만 세션에서 나온 10억 건 규모다. 마지막 이틀을 검증·테스트에 썼다.
- 오프라인: AUROC와 MSE 모두 Wide&Deep보다 좋았다. 수치는 그래프로만 나온다.
- 세션 임베딩 갱신 지연(오프라인 시뮬레이션, 2·4·8·16초): 블로그에 따르면 4초 지연까지는 성능 저하가 크지 않았고, 16초 지연에서도 Wide&Deep보다 높았다.
- 응답 지연(온라인): 세션 임베딩을 비동기로 떼어낸 뒤 p90 236ms→48ms(−79.7%), p99 290ms→70ms(−75.9%).
- 온라인 스위치백 테스트, Wide&Deep 대비 상대 변화:
| 사용자 | 평균 대화 시간 | 긴 매치 비율 | 짧은 매치 비율 |
|---|---|---|---|
| 전체 | +6.8% | +12.6% | −2.4% |
| 기존 사용자 | +6.8% | +12.9% | −2.3% |
| 신규 사용자 | +5.9% | +9.7% | −4.1% |
- 긴 매치와 짧은 매치를 가르는 초 단위 기준은 "사전에 정한 임계값"이라고만 나온다. 리텐션 지표는 보고하지 않았다.
A/B 대신 스위치백을 쓴 이유
- 논문은 "매칭 풀을 공유하기 때문에 A/B 대신 스위치백 테스트를 했다"고만 쓴다.
- 해석: 사용자 단위로 실험군과 대조군을 나누면 두 군이 같은 풀에서 서로의 상대를 가져간다. 그러면 한쪽이 얻은 만큼 다른 쪽이 잃은 것이 차이에 섞여 효과가 부풀려진다. 시간 구간마다 풀 전체에 한 정책만 적용하면 이 간섭이 없다. 구간 길이와 실험 기간은 공개하지 않았다.
재현하려면 직접 정해야 하는 것
- 풀을 모으는 시간 창, 두 방향 예측값을 합치는 방법, 매칭 알고리즘(최대 가중 매칭인지 휴리스틱인지)은 비공개다.
- 비교 대상이 쌍 점수를 이미 쓰는 Wide&Deep이라, "점수 없이 먼저 온 순서대로 매칭"하는 시스템에서 옮겨 올 때 기대할 효과는 이 논문으로 추정할 수 없다.
관련 노트
- TMA(Traditional Marriage Algorithm)
- 매칭서버 구현 패턴
- 변수 하나만 바꾼 카나리를 같은 타깃그룹에 동시 투입하면 부하 교란 없이 회귀 원인을 격리한다
- 반사실 시뮬레이션은 모델로 그것이 없었을 때를 재현해 인과 기여도를 추정한다
- 즉시 매칭은 들어온 한 사람 기준으로, 모아서 매칭은 풀 전체 기준으로 짝을 정한다
참고
- https://arxiv.org/abs/2410.18087 — Kim et al., "CUPID: A Real-Time Session-Based Reciprocal Recommendation System for a One-on-One Social Discovery Platform", DMU2 2024 워크숍 (하이퍼커넥트 블로그는 ICDM 2024 워크숍 논문으로 소개)
- https://arxiv.org/html/2410.18087v1
- https://hyperconnect.github.io/2024/11/19/azar-recommendation-model.html — Joonyoung Yi, Gihun Lee, "아자르에서는 어떤 추천 모델을 사용하고 있을까?" (2024-11-19)