[논문 리뷰] UniShare: A Unified Framework for Joint Video and Receiver Recommendation in Social Sharing

Caimeng Wang, Li Chong외 3명|arXiv (Cornell University)|2026. 02. 10.

Recommender Systems and Techniques인용 수 0

한 줄 요약

UniShare는 양방향 관심, 관계-콘텐츠 정렬, 그리고 실제 세계의 Kuaishou 데이터셋으로 다중 작업 학습을 활용하여 소셜 공유에서 영상 공유와 수신자 선택을 예측하는 통일된 공동 모델을 제안한다. 온라인 배치에서 공유 수와 수신자 만족도 증가를 보인다.

ABSTRACT

Sharing behavior on short-video platforms constitutes a complex ternary interaction among the user (sharer), the video (content), and the receiver. Traditional industrial solutions often decouple this into two independent tasks: video recommendation (predicting share probability) and receiver recommendation (predicting whom to share with), leading to suboptimal performance due to isolated modeling and inadequate information utilization. To address this, we propose UniShare, a novel unified framework for joint sharing prediction on both video and receiver recommendation. UniShare models the share probability through an enhanced representation learning module that incorporates pre-trained GNN and multi-modal embeddings, alongside explicit bilateral interest and relationship matching. A key innovation is our joint training paradigm, which leverages signals from both tasks to mutually enhance each other, mitigating data sparsity and improving bilateral satisfaction. We also introduce K-Share, a large-scale real-world dataset constructed from Kuaishou platform logs to support research in this domain. Extensive offline experiments demonstrate that UniShare significantly outperforms strong baselines on both tasks. Furthermore, online A/B testing on the Kuaishou platform confirms its effectiveness, achieving significant improvements in key metrics including the number of shares (+1.95%) and receiver reply rate (+0.482%).

연구 동기 및 목표

• 소셜 공유에서 분리된 영상 및 수신자 추천의 한계를 식별한다.
• 트리플릿 (사용자, 영상, 수신자)에 대한 공유 확률을 공동 모델링하는 통합 프레임워크를 제안한다.
• 양방향 관심 모델링, 관계-콘텐츠 정렬, 다중 모달 신호로 표현을 향상시킨다.
• 계층적 음수 샘플링과 공동 학습을 통해 데이터 희소성을 완화한다.
• 공유 예측 모델의 벤치마킹을 위한 새로운 대규모 데이터셋(K-Share)을 제공한다.]
• method eyeliner?
• method: Translating bullet points.
• method1: "통합 아키텍처로 P(S=1|U,I,V)로 공유 확률을 하나의 함수로 모델링한다."
• method2: "희소성을 완화하기 위해 사전 학습된 GNN 임베딩 및 다중 모달 영상/사용자 임베딩을 통합한다."
• method3: "목표 주의(attention)와 함께 양방향 관심 모델링을 사용하여 공유자와 수신자 모두에 대해 콘텐츠 정렬을 포착한다."
• method4: "LLM 기반 시맨틱 매칭과 GNN 유도 사회 신호를 활용한 관계-콘텐츠 정렬을 적용한다."
• method5: "계층적 음수 샘플링과 공유 임베딩을 통해 영상과 수신자 작업을 공동 학습하여 상호 향상을 가능하게 한다."
• method6: "K-Share 데이터셋으로 AUC, GAUC, NDCG, Recall, MRR 등의 지표를 평가하고 구성 요소 기여를 정량화하기 위한 탈착실험(ablation)을 수행한다."

제안 방법

• 모든 문장은 한국어로 번역되었으며 원문 수치는 변경되지 않음.

Figure 1. A screenshot illustrating the sharing flow on the Kuaishou platform. The process consists of three stages: (1) watching a video and generating sharing intent and clicking the share button to invoke the sharing panel, and (2) selecting a receiver to complete the sharing action, followed by

실험 결과

연구 질문

• RQ1 통합 모델이 소셜 공유 태스크에서 영상 및 수신자별로 분리된 추천 베이스라인을 능가할 수 있는가?
• RQ2 양방향 관심과 관계-콘텐츠 정렬이 공유 품질에 공유자와 수신자 양쪽에 어떤 영향을 미치는가?
• RQ3 joint training이 데이터 희소성을 완화하고 긴 꼬리 영상과 수신자에 대해 성능을 향상시키는가?
• RQ4 계층적 음수 샘플링과 매개변수 공유가 모델의 효과성에 어떤 영향을 주는가?
• RQ5 실제 플랫폼에서 온라인 배치에서 통합 접근 방식은 어떤 성능을 보이는가?

주요 결과

• UniShare가 오프라인 평가에서 두 태스크 모두에서 분리 베이스라인을 능가한다.
• Video share AUC가 0.7512(PLE)에서 0.7588으로 상승(UniShare +1.01%); GAUC는 0.6919에서 0.6976으로 상승(+0.82%).
• Receiver 추천 AUC가 0.9124(DCN)에서 0.9307로 상승(UniShare +2.01%); GAUC는 0.9140에서 0.9282로 상승(+1.55%).
• Video의 Recall@10이 0.2869에서 0.2913으로 상승(+1.53%).
• 탈착실험은 구성요소의 기여를 보여주고; BIM, RCA, 혹은 HNS를 제거하면 성능이 저하되며, 특히 HNS가 수신자 AUC에 큰 영향을 미친다.
• 온라인 KuaiShou A/B 테스트에서 공유 수 +1.95%, 고유 공유자 +0.805%, 공유 버튼 CTR +1.12%, 패널 CTR +1.14%, 수신자 응답률 +0.482% 증가를 보였다.

Figure 2. Overview of the UniShare Framework. UniShare jointly trains the video recommendation and receiver recommendation tasks, enhancing performance on both through underlying information sharing. Pre-computed GNN embeddings, multi-modal embeddings, and relationship alignment features are incorpo