AliBoost - Ecological Boosting Framework in Alibaba Platform

한줄 요약

Alibaba 규모의 추천 플랫폼에서 cold item의 생태계 부스팅 을 위한 end-to-end 프레임워크. Tiered Boosting (단계적 노출 예산 할당) + Stacking Fine-Tuning Cold Predictor (cold CTR 예측) + Item-Oriented Bidding (입찰 기반 노출 최적화) 세 가지 핵심 모듈로 구성된다. 180일 기준 cold item의 클릭 +76%, GMV +72% 개선, 플랫폼 전체로도 클릭 +4.51%, GMV +4.69% 향상을 달성했다.

• 저자: Qijie Shen, Yuanchen Bei, Zihong Huang, Jialin Zhu, Keqin Xu, Boya Du, Jiawei Tang, Yuning Jiang, Feiran Huang, Xiao Huang, Hao Chen
• 학회: KDD 2025 (Toronto)
• 플랫폼: Taobao (알리바바), 일 3억 유저, 100만 신규 아이템, 100억 인터랙션

B) 전체 구조

┌─────────────────────────────────────────────────────────────────┐
│  [입력]                                                         │
│  신규 Cold Item ──┐                                             │
│  Foundation CTR ──┤                                             │
│                   ▼                                             │
│  [Potential Prediction]                                         │
│  ┌──────────────────────────────────┐                           │
│  │ Stacking Fine-Tuning Cold Pred. │                           │
│  │          ▼                       │                           │
│  │   P40 Percentile Ranking        │                           │
│  │          ▼                       │                           │
│  │   초기 Stage 배정 (1/2/3)        │                           │
│  └──────────┬───────────────────────┘                           │
│             ▼                                                   │
│  [Tiered Boosting Structure]                                    │
│  ┌──────────────────────────────────────────────────┐           │
│  │ Stage 1 (Budget 소)                               │           │
│  │   ├── CTR ≥ γ¹ × Category CTR ──→ Stage 2 (중)   │           │
│  │   └── CTR 미달 ──→ EXIT                           │           │
│  │ Stage 2 (Budget 중)                               │           │
│  │   ├── CTR ≥ γ² × Category CTR ──→ Stage 3 (대)   │           │
│  │   └── CTR 미달 ──→ EXIT                           │           │
│  │ Stage 3 (Budget 대) ──→ 완료                      │           │
│  └──────────┬───────────────────────────────────────┘           │
│             ▼                                                   │
│  [Item-Oriented Bidding]                                        │
│  ┌──────────────────────────────────────────────────┐           │
│  │ Bid = CTR Prediction                              │           │
│  │ Price = P40 × Speed Factor × User Pref Factor     │           │
│  │                                                    │           │
│  │  Bid > Price? ──YES──→ Boosting 노출               │           │
│  │                  NO──→ 노출 안 함                   │           │
│  └──────────┬───────────────────────────────────────┘           │
│             ▼                                                   │
│  [출력]                                                         │
│  Boosting 노출 ──→ Natural 추천 증폭 (α × CTR_boost)            │
└─────────────────────────────────────────────────────────────────┘

핵심 흐름:

1. 신규 아이템이 들어오면, Stacking Fine-Tuning Cold Predictor 가 Foundation CTR 모델 위에 cold-specific feature를 결합하여 CTR을 예측
2. P40 percentile 기반으로 아이템의 잠재력(potential) 을 평가해 초기 Stage 배정
3. Tiered Boosting 에서 각 Stage마다 점진적으로 증가하는 예산을 할당하고, CTR 성과에 따라 승격/퇴출
4. 실제 노출은 Item-Oriented Bidding 으로 결정: bid(CTR 예측값)이 price(기준가 × 속도 × 유저 선호)보다 높으면 노출
5. Boosting 노출의 CTR이 좋으면 자연 추천(Natural Rec.)에서도 증폭 효과 발생

C) 배경 지식

C.1) Cold-Start Problem in Recommendation

추천 시스템에서 신규 아이템은 행동 데이터(클릭, 구매 등)가 부족하여 CTR 예측이 부정확하고, 노출 기회를 얻기 어렵다. 기존 접근법들:

접근법	방식	한계
Contrastive Learning	warm/cold item 간 representation 정렬	초기 추천만 개선, lifecycle 미고려
Meta-Learning	few-shot 학습으로 빠른 적응	생태계 전체 관점 부재
Knowledge Distillation	warm model → cold model 지식 전이	popularity bias 해결 못함
LLM-based (ColdLLM 등)	텍스트 기반 cold item representation	대규모 시스템 배포 어려움

C.2) Matthew Effect (마태 효과)

“부익부 빈익빈” — 인기 아이템은 더 많은 노출 → 더 많은 클릭 → 더 많은 추천의 positive feedback loop. 신규 아이템은 이 루프에 진입하지 못해 영구적으로 묻힌다.

C.3) PID Control

공학에서 사용하는 피드백 제어 기법. Proportional(비례), Integral(적분), Derivative(미분) 세 요소로 목표값에 수렴하도록 제어한다. AliBoost에서는 budget 소비 속도를 안정적으로 조절하는 데 PID의 아이디어를 차용했다.

D) 기존 방법의 한계

AliBoost 배포 전, cold item의 41.1%가 30일이 지나도 일 노출 10회를 달성하지 못했다.

세 가지 근본 원인:

1. Warm Preference Bias: 유저는 본능적으로 인기 있는(warm) 아이템을 클릭 → 추천 시스템이 이를 학습 → cold item 추천 더 줄어듬
2. Insufficient Cold-Start Support: 기존 cold-start 모델들은 “초기 진입”만 다루고, 아이템이 성장하는 전체 lifecycle 을 관리하지 않음
3. Lack of Incentivized Exposure: 잠재력이 높은 cold item도 초기에 노출이 부족하면 자연 추천으로 올라올 수 없음

비유하면: 기존 방식은 “신입 사원에게 이력서 쓰는 법만 알려주고 면접 기회는 안 줌”. AliBoost는 “면접 기회를 단계적으로 제공하되, 성과 기반으로 승진/퇴출을 관리”하는 것.

Figure 1: 자연 추천 vs AliBoost 적용 후 cold item의 일일 PV/Click 분포 변화

E) 제안 방법

E.1) Overall Framework 및 핵심 원칙

전체 incremental exposure 모델링:

$\Delta E_i=\underset{\text{직접 부스팅}}{\underbrace{E_i^{\text{boost}}}}+\underset{\text{자연 추천 증폭}}{\underbrace{\alpha ({\text{CTR}}_i^{\text{boost}})\cdot E_i^{\text{boost}}}}$

• 부스팅으로 얻은 노출($E_i^{\text{boost}}$) + 그 성과로 인한 자연 추천 증폭 효과
• $\alpha (\cdot )$는 CTR이 높을수록 지수적으로 증가 → 좋은 아이템은 자연 추천에서도 더 많이 노출

두 가지 핵심 원칙:

원칙	수식	의미
Performance-Driven Boosting	$E_i^{\text{boost}}\propto {\text{CTR}}_i^{\text{boost}}$	CTR 높은 아이템에 더 많은 노출 할당
Non-Disturbance Principle	$\mathbb{E}[{\text{CTR}}_i^{\text{boost}}]\ge \gamma \cdot {\text{CTR}}_i^{\text{natural}}$	부스팅 CTR이 카테고리 자연 CTR의 $\gamma =1.2$배 이상 유지

Non-Disturbance Principle이 중요한 이유: 부스팅이 기존 유저 경험을 해치면 안 된다. 부스팅된 아이템의 CTR이 자연 추천 CTR보다 최소 20% 높아야 한다는 안전 장치.

Figure 2: 세 가지 추천 상황 — (a) 자연 추천만, (b) 무분별한 부스팅, (c) AliBoost 방식

E.2) Tiered Boosting Structure

E.2.1) 핵심 아이디어

Tiered Boosting의 핵심은 “한 번에 큰 예산을 주지 않고, 소규모 테스트 → 성과 검증 → 예산 확대를 반복” 하는 것이다.

왜 이런 구조가 필요한가? cold item은 잠재력을 모른다. 모든 cold item에 동일한 대규모 예산을 주면:

• 저품질 아이템에 예산 낭비 (exit 없을 시 ROI -8.96%)
• 고품질 아이템이 충분한 예산을 못 받음 (promotion 없을 시 ROI -13.12%)

비유하면 스타트업 투자 라운드 와 같다:

• Stage 1 = Seed Round: 소규모 투자(적은 노출)로 아이템의 기본 성과 확인
• Stage 2 = Series A: 검증된 아이템에 중규모 투자, 더 엄격한 기준 적용
• Stage 3 = Series B: 고성과 아이템에 대규모 투자, 본격 스케일업

E.2.2) 구체적 동작 흐름

신규 아이템 진입
       │
       ▼
┌─ Potential Prediction으로 초기 Stage 결정 ──────────┐
│  P40 percentile rank 기준:                          │
│    - 하위 70% → Stage 1 (대부분의 아이템)             │
│    - 상위 70~90% → Stage 2 (잠재력 높은 아이템)       │
│    - 상위 10% → Stage 3 (최고 잠재력, 바로 대규모)     │
└────────────────────┬────────────────────────────────┘
                     ▼
┌─ Stage 1: 소규모 노출 예산 (B₁) ────────────────────┐
│  - 적은 수의 유저에게 노출                            │
│  - 이 Stage의 CTR 측정                              │
│  - 평가 기준: CTR ≥ γ¹ × 카테고리 평균 CTR           │
│    (γ¹이 가장 낮음 = 가장 관대한 기준)                 │
├──────────────────────────────────────────────────────┤
│  통과 → Stage 2로 승격    │  미달 → EXIT (부스팅 종료) │
└───────────┬───────────────┴──────────────────────────┘
            ▼
┌─ Stage 2: 중규모 노출 예산 (B₂ > B₁) ──────────────┐
│  - 더 많은 유저에게 노출                              │
│  - 평가 기준: CTR ≥ γ² × 카테고리 평균 CTR           │
│    (γ² > γ¹, 더 엄격한 기준)                         │
├──────────────────────────────────────────────────────┤
│  통과 → Stage 3로 승격    │  미달 → EXIT (부스팅 종료) │
└───────────┬───────────────┴──────────────────────────┘
            ▼
┌─ Stage 3: 대규모 노출 예산 (B₃ > B₂) ──────────────┐
│  - 대규모 유저에게 노출, 본격 스케일업                  │
│  - 평가 기준: CTR ≥ γ³ × 카테고리 평균 CTR           │
│    (γ³ > γ², 가장 엄격한 기준)                       │
├──────────────────────────────────────────────────────┤
│  완료 → 자연 추천으로 전환  │  미달 → EXIT             │
└──────────────────────────┴───────────────────────────┘

E.2.3) 승격/퇴출 판단 기준

각 Stage $k$에서의 판단:

$\text{Stage Transition:}\{\begin{array}{ll}k\to k+1,& \text{if }{\text{CTR}}_i^{(k)}\ge {\gamma }^{(k)}\cdot {\text{CTR}}_i^{\text{category}}\\ \text{Exit},& \text{if }{\text{CTR}}_i^{(k)}<{\gamma }^{(k)}\cdot {\text{CTR}}_i^{\text{category}}\end{array}$

여기서 각 요소의 의미:

• ${\text{CTR}}_i^{(k)}$: 아이템 $i$가 Stage $k$에서 부스팅 노출을 통해 달성한 실제 CTR
• ${\text{CTR}}_i^{\text{category}}$: 아이템 $i$가 속한 카테고리의 평균 CTR (예: “여성 의류” 카테고리 전체 평균)
• ${\gamma }^{(k)}$: Stage $k$의 안전 계수. ${\gamma }^{(1)}<{\gamma }^{(2)}<{\gamma }^{(3)}$

카테고리 평균 CTR을 기준으로 쓰는 이유: 카테고리마다 CTR 수준이 다르다 (예: 식품 CTR 5% vs 가전 CTR 1%). 절대적인 CTR 임계값을 쓰면 불공정하므로, 같은 카테고리 내에서 상대 평가한다.

γ가 점점 커지는 이유: Stage가 올라갈수록 더 많은 예산을 투입하므로, 그만큼 더 높은 성과를 요구해야 예산 효율을 유지할 수 있다. Stage 1에서는 “카테고리 평균만 넘으면 OK”이고, Stage 3에서는 “카테고리 평균의 X배는 돼야 이 큰 예산을 쓸 가치가 있다”는 뜻.

E.2.4) 총 부스팅 예산

$B_i^{\text{boost}}={\sum }_{k=1}^K\mathbb{I}[{\text{CTR}}_i^{(k)}\ge {\gamma }^{(k)}\cdot {\text{CTR}}_i^{\text{category}}]\cdot B_i^{(k)}$

Stage를 통과할 때마다 해당 Stage의 예산 $B_i^{(k)}$이 누적된다. 3개 Stage를 모두 통과한 아이템은 $B_1+B_2+B_3$ 전체 예산을 받고, Stage 1에서 탈락하면 $B_1$만 소비된 셈.

E.2.5) 왜 3단계가 최적인가?

설정	CTR	ROI	Hot Item Count
Stage 없음 (고정 예산)	기준	기준	기준
2 Stages	+6.23%	+6.64%	+3.63%
3 Stages	+9.22%	+13.21%	+8.96%
4 Stages	+9.28%	+13.46%	+8.78%

2 → 3 Stage: ROI +6.57%p 개선. 3 → 4 Stage: ROI +0.25%p만 개선. Stage가 많아지면 검증 단계가 촘촘해지지만, 각 Stage에서 충분한 데이터를 모으기 어려워져 판단의 신뢰도가 떨어진다. 또한 운영 복잡도가 증가한다.

참고: 논문에서 stage별 구체적인 예산 크기($B_1,B_2,B_3$의 절대값), 각 γ값, stage 지속 기간은 공개하지 않았다. 알리바바 내부 운영 수치로 추정된다.

E.3) Stacking Fine-Tuning Cold Predictor

E.3.1) Stacking 구조

Foundation CTR 모델의 출력을 입력 feature로 재활용 하는 stacking 방식:

┌─ Foundation CTR Model (frozen) ──────────────┐
│  User Embedding (eᵤ)  +  User Features (fᵤ)  │
│  Item Embedding (eᵢ)  +  Item Features (fᵢ)  │
│              ▼                                 │
│       ŷ_foun (Foundation CTR)                  │
└──────────────┬────────────────────────────────┘
               │
               │  ┌─ Cold-Specific Features ────────────┐
               │  │  Cold Item Embedding (eᵢ_cold)       │
               │  │  Boost Features (메타데이터, 컨텍스트)  │
               │  │  Natural Features (실시간 스트림)      │
               │  └───────────┬─────────────────────────┘
               │              │
               ▼              ▼
┌─ Stacking Cold Predictor ────────────────────┐
│  Concat: [ŷ_foun, eᵤ, fᵤ, eᵢ_cold,          │
│           fᵢ_boost, fᵢ_natural]               │
│              ▼                                 │
│         MLP (L layers)                         │
│              ▼                                 │
│       ŷ_cold (Cold CTR)                        │
└───────────────────────────────────────────────┘

Stacked feature vector:

${\mathbf{x}}_{u,i}^{\text{stack}}=[\underset{\text{Foundation에서 가져옴}}{\underbrace{{\hat{y}}_{u,i}^{\text{foun}},{\mathbf{e}}_u^{\text{foun}},{\mathbf{f}}_u^{\text{foun}}}},\underset{\text{Cold item 전용}}{\underbrace{{\mathbf{e}}_i^{\text{cold}},{\mathbf{f}}_i^{\text{boost}},{\mathbf{f}}_i^{\text{natural}}}}]$

• 왜 Stacking인가? Foundation 모델은 전체 플랫폼 최적화된 거대 모델(0.4B 유저, 142B 인터랙션으로 학습). 이걸 fine-tune하면 warm item 성능이 떨어진다. Stacking으로 Foundation은 freeze하고 그 위에 cold-specific layer만 학습하면 두 마리 토끼를 잡을 수 있다.

E.3.2) 학습

다양한 데이터 소스 활용: e-commerce, 라이브 스트리밍, 숏비디오 등 여러 시나리오의 cold item 데이터를 함께 학습:

$\mathcal{L}={\sum }_{(u,i,y_{u,i}^{(s)},s)\in \mathcal{S}}{\omega }_s\cdot {\mathcal{L}}_{\text{rec}}(y_{u,i},{\hat{y}}_{u,i})+\alpha \cdot ||\Theta |{|}_2^2$

• ${\omega }_s$: 데이터 소스별 가중치 (시나리오마다 중요도 다름)
• Binary Cross-Entropy loss 사용

E.3.3) Potential Prediction (잠재력 예측)

아이템의 초기 Stage 배정을 위해 잠재력을 정량화:

1. 샘플 유저 집합 ${\mathcal{U}}_{\text{sample}}$에 대해 CTR 분포 계산: ${\mathcal{D}}_i=\{{\hat{y}}_{u,i}^{\text{cold}}:u\in {\mathcal{U}}_{\text{sample}}\}$
2. P40 (40th percentile) 을 잠재력 지표로 사용 — 중앙값보다 보수적이어서 과대평가 방지
3. P40 기반 percentile rank로 Stage 배정:

${\text{Stage}}_i=\{\begin{array}{ll}1,& \text{if }{r}_i<70\%\\ 2,& \text{if }70\%\le r_i<90\%\\ 3,& \text{if }{r}_i\ge 90\%\end{array}$

왜 P40인가? 평균이나 중앙값(P50) 대신 P40을 쓰는 이유는, cold item은 소수의 유저에게만 매우 높은 CTR을 보일 수 있어서 상위 값이 과대평가를 유발할 수 있기 때문이다. P40은 “적어도 60%의 유저에게 이 정도 성과는 낸다”는 보수적 추정.

E.4) Item-Oriented Bidding Boosting

E.4.1) 입찰 구조

각 (user, item) 쌍에 대해 입찰(bid)과 가격(price)을 비교:

${\text{Deliver}}_{u,i,t}=\{\begin{array}{ll}1,& \text{if }{\text{Bid}}_{u,i}>{\text{Price}}_{u,i,t}\\ 0,& \text{otherwise}\end{array}$

• Bid = ${\hat{y}}_{u,i}^{\text{cold}}$ (Cold CTR 예측값) → 아이템이 이 유저에게 얼마나 관련 있는가
• Price = $P_{40,i}\cdot S_{i,t}\cdot U_u$ → 노출의 “비용”

직관적으로: CTR 예측이 높은 (user, item) 쌍에만 노출하되, 예산 소비 속도와 유저 상태를 고려해 가격을 동적 조절.

E.4.2) Boosting Speed Factor ($S_{i,t}$)

예산 소비 속도를 목표에 맞추기 위한 PID 스타일 제어:

$S_{i,t}={\delta }_p\cdot E_{i,t}+{\delta }_q\cdot E_{i,t-1}+{\delta }_d\cdot E_{i,t-2}$

여기서 $E_{i,t}=V_{i,t}/V_{i,t}^{\text{target}}$ (실제 속도 / 목표 속도).

• 예산을 너무 빨리 쓰면 ($E>1$) → Price 올려서 노출 줄임
• 예산이 남으면 ($E<1$) → Price 내려서 노출 늘림
• ${\delta }_p,{\delta }_q,{\delta }_d$로 현재/과거 에러를 가중 평균 → 급격한 변동 방지

E.4.3) User Preference Factor ($U_u$)

유저의 “피로도”와 “활성도”를 결합:

$U_u=\ln (U_{\text{tired}})\cdot (U_{\text{active}}{)}^{-1/2}$

요소	설명	효과
$U_{\text{tired}}$	연속 노출 대비 클릭 없는 횟수	피로한 유저 → Price 높아짐 → 노출 줄어듬
$U_{\text{active}}$	10단계 활성도 등급 ($1\sim 10$)	비활성 유저 → Price 높아짐 → 노출 줄어듬

핵심: 활성 유저 & 피로하지 않은 유저에게 집중 노출하여 CTR 극대화. “클릭 안 하는 사람에게 계속 보여주는 건 예산 낭비.”

Figure 3: AliBoost 전체 아키텍처

F) 벤치마크/데이터셋

데이터셋	유저	아이템	카테고리	인터랙션	기간
Foundation CTR 학습	0.4B	0.3B	24,568	142B	6개월
Cold Fine-Tuning	0.25B	1.5B	9,567	7.1B	-
Online A/B Test	0.3B/일	1M/일	-	10B/일	-

배포 환경:

• 120K QPS, <20ms latency
• 15분 간격 모델 업데이트
• 6개월간 10억+ 아이템 cold-start 처리

G) 실험 결과

G.1) 전체 성과 (RQ1)

G.1.1) 플랫폼 전체

Metric	PV	Click	Pay	GMV
전체	+2.01%	+4.51%	+3.96%	+4.69%

G.1.2) Cold Item 기간별 개선

기간	PV	Click	Pay	GMV
3일	+16.50%	+8.30%	+6.50%	+17.90%
7일	+29.20%	+19.60%	+18.20%	+25.30%
30일	+44.93%	+44.59%	+40.16%	+40.59%
60일	+46.36%	+55.15%	+56.24%	+52.06%
90일	+51.80%	+57.65%	+55.13%	+58.53%
120일	+58.94%	+61.68%	+65.71%	+67.75%
150일	+63.01%	+73.47%	+63.76%	+69.48%
180일	+65.87%	+76.09%	+74.26%	+72.03%

시사점: 시간이 지날수록 개선폭이 커진다. 이는 부스팅이 단순히 단기 노출 증가가 아니라, 자연 추천 증폭 효과($\alpha$ 함수)를 통해 복리처럼 누적 되기 때문이다.

G.1.3) 41.1% → 24.5%

부스팅 전후, 30일 내 일 노출 10회 미달 cold item 비율이 41.1% → 24.5% 로 약 40% 감소.

G.2) Tiered Boosting 전략 효과 (RQ2)

설정	CTR	Pay	GMV	Traffic Share	ROI	Hot Item Count
w/o Exit	-6.32%	-4.33%	-6.39%	-10.23%	-8.96%	-11.89%
w/o Promotion	-4.21%	-5.12%	-4.46%	-11.22%	-13.12%	-8.53%
2 Stages	+6.23%	+5.56%	+3.56%	+4.56%	+6.64%	+3.63%
3 Stages	+9.22%	+10.26%	+6.53%	+7.25%	+13.21%	+8.96%
4 Stages	+9.28%	+10.36%	+6.98%	+7.84%	+13.46%	+8.78%

실무적 시사점:

• Exit 규칙 제거 시 ROI -8.96%: 저품질 아이템에 예산 낭비
• Promotion 규칙 제거 시 ROI -13.12%: 고품질 아이템이 충분한 예산을 못 받음
• 3 → 4 Stage 전환의 marginal gain이 미미 (CTR +0.06%p, ROI +0.25%p). 운영 복잡도 대비 3 Stage가 최적

G.3) Stacking Fine-Tuning 효과 (RQ3)

Metric	Offline AUC	3일 PV	3일 PCTR	7일 PV	7일 PCTR
개선	+2.24%	+8.30%	+10.71%	+7.39%	+11.40%

AUC +2.24%는 cold item에 대한 랭킹 품질이 의미있게 향상됨을 보여준다. PCTR(Predicted CTR) 개선이 PV 개선보다 크다는 것은 더 정확한 예측 → 더 적합한 유저에게 노출 → CTR 향상 의 선순환을 의미.

G.4) Item-Oriented Bidding 효과 (RQ4)

설정	CTR	Pay	GMV	Traffic Share	ROI	Hot Count
w/o Bidding 전체	-45.31%	-38.21%	-42.11%	-8.96%	-21.39%	-9.36%
w/o Speed Factor	-18.11%	-14.98%	-21.93%	-4.09%	-8.09%	-4.67%
w/o User Pref Factor	-28.38%	-20.81%	-26.03%	-5.69%	-11.31%	-3.56%

핵심 발견:

• Bidding 제거 시 CTR -45.31% — 가장 치명적. 입찰 없이 무작위로 노출하면 관련 없는 유저에게 보여줘서 CTR 급락
• User Preference Factor가 Speed Factor보다 영향이 큼 (CTR -28% vs -18%). “누구에게 보여줄까”가 “얼마나 빨리 보여줄까”보다 중요
• Speed Factor 제거 시 GMV -21.93%: 예산이 불균등하게 소비되어 일부 아이템은 과다 노출, 나머지는 노출 부족

G.5) Matthew Effect 완화 (RQ5)

순위	7일	14일	21일	30일
Top 100	-71.6%	-65.1%	-53.8%	-42.7%
Top 1000	-56.3%	-43.2%	-36.9%	-29.2%

해석:

• 7일 후 Top 100 아이템의 71.6%가 교체 됨 — 기존 독점 아이템들이 새 아이템에 의해 대체
• 시간이 지나면 교체율이 감소하는 건 자연스러운 현상 — 진짜 인기 있는 아이템은 살아남아야 함
• AliBoost가 “부익부” 루프를 깨고 신규 아이템에게 공정한 경쟁 기회 를 제공한다는 증거

G.6) Offline Baseline 비교 (Appendix)

Model	Cold AUC	Warm AUC	All AUC
DeepFM	0.6523	0.7112	0.7002
DIN	0.6634	0.7245	0.7123
ALDI	0.6756	0.7289	0.7156
ColdLLM	0.6834	0.7156	0.7078
AliBoost	0.6989	0.7301	0.7212

• Cold AUC에서 DeepFM 대비 +4.66%p, ColdLLM 대비 +1.55%p 개선
• Warm AUC도 유지/소폭 개선 — Stacking 구조 덕분에 Foundation 모델 성능을 해치지 않음

G.7) 카테고리별 성과 (Appendix)

카테고리	Click 개선
Pets	+181%
Auctions	+206%

일부 niche 카테고리에서는 200%+ 개선. 이런 카테고리는 원래 cold item 비율이 높아서 부스팅 효과가 극대화된 것.

Figure 5: AliBoost 배포 아키텍처

H) 실무적 시사점 종합

1. Cold-start는 모델 문제가 아니라 생태계 문제: CTR 예측 정확도를 올리는 것만으로는 부족. 노출 기회 자체를 체계적으로 관리해야 한다
2. 단계적 검증이 핵심: 한 번에 큰 예산을 주는 것보다 3단계로 나눠서 성과 기반 승격/퇴출하는 것이 ROI 13% 더 높다
3. Bidding 메커니즘이 가장 중요한 모듈: 제거 시 CTR -45%. “누구에게 보여줄지” 결정이 전체 프레임워크의 핵심
4. User Fatigue 관리 필수: 피로한 유저에게 계속 cold item을 보여주면 역효과. User Preference Factor가 두 번째로 중요한 요소
5. Non-Disturbance Principle ($\gamma =1.2$): 부스팅이 기존 유저 경험을 해치지 않아야 한다는 안전 장치가 플랫폼 전체 메트릭 개선의 전제 조건
6. Stacking > Fine-tuning: Foundation 모델을 직접 fine-tune하면 warm item 성능이 떨어진다. Stacking으로 cold-specific layer만 학습하는 것이 실용적

I) Related

• Deep Neural Networks for YouTube Recommendations
• User Fatigue in Online News Recommendation

J) References

• AliBoost: Ecological Boosting Framework in Alibaba Platform (arxiv)
• KDD 2025, ACM DOI: 10.1145/3711896.3737188