FLUID: From Ephemeral IDs to Multimodal Semantic Codes for Industrial-Scale Livestreaming Recommendation

Modern recommender systems rely heavily on ID-based collaborative filtering: each item is represented by a unique ID embedding that accumulates collaborative signals from user interactions. Livestreaming recommendation, however, faces a unique challenge in this paradigm: a live room typically broadcasts for only tens of minutes, so its item ID remains poorly learned in a persistent cold-start state and ID-centric ranking models fail to generalize. We present FLUID, the first framework to fully retire the candidate-side item ID from a production-scale livestreaming ranker. FLUID couples a cross-domain multimodal encoder, jointly trained on short videos and livestreams to produce discrete hierarchical codes (LUCID), with a late-fusion, ID-free design that injects slice-level and room-level LUCID as independent tokens, stabilized by a staged warmup under online incremental training. Deployed on our industrial livestreaming recommenders with a cross-platform combined user base of over one billion globally, FLUID delivers significant online gains of +0.55% Quality Watch Duration, +2.05% Cold-Start Room Views, and +0.05% Active Hours.

한 줄 요약

**[추천 시스템 / 라이브스트리밍]** FLUID가 라이브 룸 ID embedding의 cold-start 한계를 해결 — multimodal encoder가 short video·라이브에서 학습한 hierarchical 코드(LUCID)를 candidate-side에서 ID 완전 대체, 10억+ 사용자 산업 배포에서 +0.55% Quality Watch Duration 등 유의 향상.

핵심 기여도

현대 추천 시스템이 ID 기반 collaborative filtering에 크게 의존(각 item에 unique ID embedding이 user interaction의 collaborative signal 누적)하지만, 라이브스트리밍은 라이브 룸이 수십 분만 방송되어 item ID가 persistent cold-start 상태로 학습이 부실하고 ID-centric ranking 모델이 일반화 실패한다는 unique 도전 진단.
FLUID 제시 — production-scale 라이브스트리밍 랭커에서 candidate-side item ID를 완전 폐기한 첫 프레임워크.
Cross-domain multimodal encoder(short video·livestream에서 jointly 학습)가 discrete hierarchical code(LUCID) 생성, late-fusion ID-free 디자인이 slice-level·room-level LUCID를 independent token으로 주입, online incremental training의 staged warmup으로 안정화.
Cross-platform 10억+ global user 산업 배포에서 +0.55% Quality Watch Duration, +2.05% Cold-Start Room Views, +0.05% Active Hours의 significant online gain.

핵심 아이디어

라이브스트리밍 추천의 cold-start는 ID embedding 자체가 ephemeral한 라이브 룸과 본질적으로 mismatch이므로, candidate-side ID를 multimodal hierarchical 코드로 완전 대체하고 late-fusion·staged warmup으로 안정화하면 산업 규모에서도 동작한다.

기술적 접근법

**방법론**: FLUID — cross-domain multimodal encoder + late-fusion ID-free design + LUCID hierarchical code.
**핵심 기법**: (1) Short video·livestream의 jointly trained multimodal encoder, (2) Discrete hierarchical code LUCID 생성, (3) Slice-level·room-level LUCID를 independent token으로 late-fusion 주입, (4) Online incremental training의 staged warmup으로 안정화, (5) Candidate-side item ID 완전 retire — ranking 시 ID embedding 미사용.

주요 결과

산업 production 배포 검증(10억+ global user, cross-platform).
+0.55% Quality Watch Duration.
+2.05% Cold-Start Room Views.
+0.05% Active Hours.

의의 및 한계

**의의**: 추천에서 ID 의존도 완전 제거의 산업 첫 사례, multimodal 코드의 ID 대체 가능성 입증, 산업 배포 검증으로 실용 가치 큼. **한계**: 라이브스트리밍 도메인 특수성으로 일반 추천 영역 일반화 추가 검증, multimodal encoder 학습·hierarchical 코드 생성 인프라 비용, LUCID code 품질 의존.

실용적 활용

라이브커머스·라이브방송 추천.
Ephemeral content(stories·short clip)의 cold-start 일반 해결.
Multimodal token 기반 추천 시스템 설계.