연구진은 사용자 피드백 반영 시 발생하는 임베딩 업데이트 지연 문제를 해결하기 위해 mutable sketches를 제안했어요. mutable sketches는 사용자 선호도를 KP-tree로 저장하고, 저랭크 투영을 한 번만 수행한 후 새로운 평가가 들어올 때마다 임베딩을 실시간으로 재계산해요. 이 방식은 기존 FunkSVD나 eALS보다 예측 오차를 줄이는 효과가 있어요.
KuaiRec 데이터셋에서 mutable sketch는 ALS보다 0.810 RMSE를 기록하며 데이터 읽기량은 1.8%로 훨씬 적고, 배치 업데이트 속도는 8배 빠르다는 결과를 얻었어요. 새로운 사용자는 첫 번째 평가 직후 1ms 이내에 개인화된 추천을 받을 수 있으며, 모델 재학습이 필요 없어요.
희소 데이터에서는 KP-tree의 norm-proportional 샘플링 전략이 40~130% 더 나은 아이템 커버리지를 제공하는 반면, 밀집 행렬에서는 균일 샘플링으로도 충분하다는 점을 확인했어요.