추천시스템을 바꾼다는 것: 구조적 선택이 유저 행동을 어떻게 바꾸는가
Summary
모델 튜닝을 넘어 추천의 '판'을 짜다: 유저 행동 흐름을 지배하는 4단계 아키텍처 재설계
Graph Retrieval부터 LLM 의미론적 초기화까지, 탐색을 구매 전환으로 이끈 추천 구조의 극적 진화
인기 편향과 뻔한 결과에 갇힌 협업 필터링(CF)의 한계를 깨기 위해 추천 시스템의 파이프라인을 전면 재구성한 기술 여정입니다. 후보군 생성, 실시간 리랭킹, 부정 피드백 반영, 언어 모델 임베딩 결합에 이르는 4단계 입체적 아키텍처 변경을 통해 구조적 선택이 실제 비즈니스 지표를 견인하는 원리를 증명해 보입니다.
- 01UltraGCN을 활용한 다중 행동 그래프로 인기 편향을 완화하고 롱테일 후보군 탐색 영역을 대폭 확장
- 02TransAct 기반 실시간 행동 시퀀스 분석 및 Early Fusion 방식을 통해 유저의 현재 순간 의도를 리랭킹에 정교하게 정렬
- 03노출 후 반응 없는 상품을 임베딩 공간에서 역방향으로 밀어내는 네거티브 피드백 반영 메커니즘 구축
- 04Qwen3 LLM을 통해 상품 텍스트의 본질적 의미를 추천 모델 임베딩의 출발점으로 삼아 미구매 유저 GMV 7.9% 증가
RECOMMENDATION
단순 클릭수(CTR) 최적화에 머무는 추천 한계를 극복하고, 장기적인 탐색 만족도와 다양성을 함께 잡고 싶은 실무 AI/ML 엔지니어들에게 강력히 추천합니다.
The Problem
초기 도입한 공동 클릭 기반의 아이템 협업 필터링(CF) 추천은 시간이 흐를수록 특정 인기 상품군으로 추천이 수렴하여 카탈로그 커버리지가 하락하는 문제를 낳았습니다. 또한 상품 수가 증가함에 따라 유사도 매트릭스 상시 참조로 인한 메모리 사용량과 배포 비용이 기하급수적으로 증가하는 한계에 직면했습니다.
The Solution
이 문제를 해결하기 위해 후보 생성 단계를 UltraGCN 기반의 그래프 멀티 비헤이비어 검색(Graph Retrieval)으로 전환하고, DCN과 TransAct 모델을 결합한 리랭킹(Reranking) 레이어를 설계했습니다. 추가적으로 컨텍스트 밴딧 기반의 부정 피드백 반영 아키텍처와 LLM(Qwen3) 텍스트 임베딩을 이용한 임베딩 초기화(Semantic Initialization) 기법을 도입했습니다.
The Result
개선 결과 연관 상품 지면에서 유저당 거래액(GMV) +3.86%, 주문 횟수 +4.41% 증가를 기록했으며, 부정 피드백 반영을 통해 브랜드 다양성이 4.16% 향상되었습니다. 또한 의미론적 초기화를 통해서는 전체 유저 GMV +2.3%, 특히 미구매 유저 GMV가 +7.9% 상승하는 정량적 성과를 달성했습니다.
Trade-off
실시간 세션 맥락 반영과 사용자 피드백의 즉각적인 업데이트를 처리하기 위해 Feature Store 인프라와 실시간 스트리밍 연산 파이프라인이 필수적으로 요구되어 시스템 아키텍처의 복잡도가 증가하는 트레이드오프가 존재합니다.
Key Concepts
More from 라포랩스
View all posts from 라포랩스고객을 잘 안다는 착각
User ResearchProduct ManagementWorking Backwards2주 전4050의 장바구니 속 고민을 들여다보며 시작된 PB팀 이야기
AI GenerationE-commerceData Analysis1개월 전잘하는 PO라는 착각
Product ManagementHypothesis TestingProblem Definition1개월 전광고 성과 데이터 StarRocks 도입기
StarRocksOLAPApache Iceberg2개월 전플랫폼은 왜 계속 다시 설계되어야 할까 - Server Platform Team 이야기
Platform EngineeringCI/CDSRE3개월 전
