우리는 확장 가능한 실제 환경 배포를 위해 설계된, 제로 가중치(zero-weight)의 학습 불필요(training-free) 프레임워크인 ZoRRO (Zero-Weight Personalized Recommender System)를 소개합니다. ZoRRO는 오프라인 랭킹 평가에서 강력한 신경망 기반 모델들을 능가하는 성능을 보였으며, 온라인 A/B 테스트에서는 최신 심층 학습(deep learning) 모델과 거의 동등한 클릭률(click-through rate) 성능을 달성하면서도, 작동 속도는 600배 이상 빠릅니다. 우리의 실험은 오프라인 성능과 온라인 성능 사이의 격차를 밝혀내고, 유사한 클릭률 결과를 가진 모델들이 현저히 다른 추천 분포를 생성하여 전반적인 뉴스 흐름에 영향을 미칠 수 있음을 입증합니다. 이러한 발견들은 ZoRRO를 대규모 뉴스 추천을 위한 실용적이고 효율적인 해결책으로 자리매김하게 하며, 정확도(accuracy)만을 넘어선 지표들을 사용하여 추천 시스템을 평가하는 것의 중요성을 강조합니다.