광고 관련성 향상: 순차 추천 모델에 실시간 컨텍스트 통합하기
Summary
"지금 보고 있는 핀이 정답이다" 핀터레스트가 광고 관련성을 300% 끌어올린 비결
실시간 컨텍스트와 순차적 행동 데이터를 결합한 하이브리드 투 타워 모델로 ROAS의 한계를 돌파하다
핀터레스트 엔지니어링 팀이 사용자의 과거 이력에만 의존하던 기존 추천 시스템의 한계를 극복하기 위해 실시간 브라우징 컨텍스트를 모델링에 통합한 과정을 소개합니다. 트랜스포머 기반의 순차 모델과 실시간 데이터의 조화를 통해 광고 서빙의 정밀도를 획기적으로 높인 기술적 여정을 담고 있습니다.
- 01실시간 컨텍스트 레이어를 쿼리 타워에 통합하여 즉각적인 사용자 의도 파악
- 02학습 시 합성 증강 데이터(Synthetic Data)를 주입하여 오프라인 학습의 한계 극복
- 03오프라인과 온라인 추론을 분리한 하이브리드 서빙 아키텍처 구축
- 04관련 핀(Related Pins) 영역 내 광고 후보군의 생존율 및 관련성 대폭 향상
- 05주요 국가 기준 ROAS 1.4% 상승 등 실질적인 비즈니스 임팩트 증명
RECOMMENDATION
대규모 트래픽 환경에서 사용자 과거 이력과 실시간 의도를 동시에 반영해야 하는 추천 시스템 엔지니어들에게 하이브리드 서빙 아키텍처와 합성 데이터 활용법을 추천합니다.
The Problem
기존의 순차적 추천 모델은 오프라인에서 생성된 사용자 이력 기반 임베딩만 사용하여, 사용자가 현재 Pinterest에서 보고 있는 핀이나 검색어와 같은 실시간 온라인 컨텍스트를 반영하지 못해 '관련 핀' 영역에서의 기여도가 1% 미만으로 매우 낮았습니다.
The Solution
실시간 컨텍스트 레이어를 쿼리 타워에 통합한 '문맥 인식 순차 투 타워 모델(Contextual Sequential Two Tower Model)'을 도입하고, 학습 시에는 합성 증강 데이터를 활용하며 서빙 시에는 오프라인(이력)과 온라인(컨텍스트) 임베딩을 결합하는 하이브리드 추론 방식을 적용했습니다.
The Result
오프라인 평가에서 Recall@K가 3~10배 향상되었고, 광고 후보군의 중앙값 관련성이 275~300% 증가했으며, 최종적으로 광고 수익률(ROAS)이 약 0.7%(주요 국가 1.4%) 상승하는 성과를 거두었습니다.
Trade-off
실시간 온사이트 데이터와 오프라인 데이터를 직접 결합하는 기술적 난이도로 인해 학습 시 실제 데이터 대신 합성 데이터(Synthetic Data)를 사용해야 했으며, 온라인 추론 단계의 계산 부하가 증가하는 하이브리드 서빙 방식을 채택했습니다.
Key Concepts
More from Pinterest
View all posts from Pinterest핀터레스트 홈 피드를 위한 조건부 학습 검색(CLR) 확장하기
Recommendation SystemsLearned RetrievalTransformer3일 전피너의 성장: 핀터레스트의 주간 활성 사용자 증가를 이끄는 유스케이스 표현 개선 사례
Recommendation SystemsClusteringEmbeddings1개월 전대규모 인프라 보안 확보: 핀터레스트의 리소스 프로비저너 파이프라인(RPP) 도입기
TerraformAWSGitHub Actions1개월 전핀터레스트 파운데이션 모델을 위한 선형에 가까운 학습 확장성 달성
Distributed TrainingPyTorchNCCL2개월 전핀터레스트의 차세대 DB 인제스션 프레임워크 내 자동화된 스키마 진화
CDCApache IcebergFlink2개월 전