두나무 머신러닝팀, 가상 사용자 기반 개인화 뉴스 추천 혁신 제시

최고 권위 정보검색학회 ‘SIGIR 2025’서 발표
가상 사용자로 학습하는 자체 개발 LAUS 모델 제안
데이터 수집 부담·개인정보 침해 우려 줄어

박충원 두나무 머신러닝팀 연구원이 지난 14일(현지시각) 아털라어 파도바 센트로 콩그레스에서 열린 ’SIGIR 2025’에서 포스터 발표를 하고 있 /두나무 제공

[포인트경제] 업비트 운영사 두나무 머신러닝팀의 개인화 뉴스 추천 연구 논문이 국제정보검색학회 ‘SIGIR 2025’ 메인 콘퍼런스에서 발표됐다. 두나무는 이번 발표를 통해 글로벌 연구 역량과 인공지능(AI) 기술 경쟁력을 입증했다.

‘SIGIR(시그아이알ㆍThe 48th International ACM SIGIR Conference on Research and Development in Information Retrieval)’은 정보검색 분야에서 가장 영향력 있는 국제 학회 중 하나로, 올해 제출된 논문의 약 27%만이 채택됐다. 올해 학회는 7월 13일부터 18일까지 이탈리아 파도바 센트로 콩그레스에서 열렸다.

두나무 머신러닝팀 박충원 연구원은 14일 현장에서 ‘LLM 기반 사용자 시뮬레이터: 실제 사용자 상호작용 없이 뉴스 추천 모델을 학습하기 위한 방법론(원문 논문명: LLM as User Simulator: Towards Training News Recommender without Real User Interactions)’이라는 제목의 논문을 발표했다. 이 논문은 실제 사용자 데이터 없이 대규모 언어 모델(LLM)을 활용해 가상의 이용자를 생성, 학습 데이터를 구축하고 이를 바탕으로 뉴스를 추천하는 방안을 제시했다. 기존 뉴스 추천 시스템에서 필요했던 이용자 로그에 대한 의존도를 크게 줄인 점이 특징이다.

기존 뉴스 추천 방식은 머신러닝 모델 학습을 위해 클릭 로그나 뉴스 선호도 등 사용자 데이터를 수집해야 했으나, 대규모 데이터 확보의 어려움과 개인정보 침해 우려가 있었다. 두나무 머신러닝팀은 이를 해결하기 위해 ‘LAUS(LLM As User Simulator)’라는 프레임워크를 개발했다. LAUS는 실제 사용자 데이터 대신 가상의 사용자를 생성해 다양한 상호작용 패턴을 만들어 학습 데이터를 생성하는 방식이다.

연구 결과 LAUS는 기존 학습 데이터 없이도 뉴스를 추천하는 ‘제로샷(zero-shot)’ 방식 대비 높은 성과를 보였으며, 지연 시간(latency)도 짧게 유지하는 것으로 검증됐다. 또한 노르웨이어, 영어 등 다양한 언어권 뉴스 추천 시스템 벤치마크에서 실제 사용자 데이터로 학습된 모델과 유사한 수준의 성능을 기록했다. 이로써 방대한 데이터를 별도로 수집하지 않고도 고품질 개인화 서비스를 빠르게 구축할 수 있는 가능성을 확인했다.

박충원 두나무 머신러닝팀 연구원이 지난 14일(현지시각) 아털라어 파도바 센트로 콩그레스에서 열린 ’SIGIR 2025’에서 포스터 발표를 하고 있 /두나무 제공

두나무 박충원 연구원은 "개인화 뉴스 추천 시스템 품질은 이용자가 원하는 정보를 얼마나 정확히 제공하는가와 직결돼 서비스 만족도를 높이는 핵심 요소"라며 "이번 연구를 통해 고객 정보 보호와 운영 효율성을 모두 충족하면서 더욱 정교한 추천 서비스를 제공할 수 있는 기반을 마련했다"고 밝혔다.

한편 두나무 머신러닝팀은 주식과 디지털 자산 시장에서 활용되는 AI 모델을 연구·개발 중이다. 지난해 11월 ‘콜링2025’에서 금융 허위정보 탐지 챌린지(FMD) 1위를 차지하는 등 글로벌 연구 역량을 인정받았다.