장바구니 기반 “함께 구매하면 좋은 상품” 추천 모델 고도화

이 게시물은 배달의민족 장보기·쇼핑에서 장바구니에 담긴 상품을 바탕으로 연관 상품을 추천하는 모델을 Item2Vec에서 2-stage 구조로 개선한 과정을 설명합니다.

기존 Item2Vec의 한계

• 대체재 편향

  임베딩 유사도 중심이라 우유를 담으면 시리얼/빵 대신 다른 우유를 추천하는 등 동일 카테고리 대체재로 편중

• 시퀀스 맥락 부재

  담는 순서에 담긴 의도를 반영하지 못해 동일 상품 조합이라도 상황에 맞는 다음 상품 추천이 어려움

개선 모델(2-stage) 설계

• Stage 1

  주문 데이터를 그래프로 구성하고 Node2Vec으로 상품/카테고리 임베딩을 생성(Association Rule 기반 가중치, Item-Category 연결로 Cold Start 완화)
  

• Stage 2

  Stage 1 임베딩과 위치 임베딩을 결합해 Transformer(SASRec 방식의 Causal Masking)로 다음 상품을 예측하며, 상품/카테고리 동시 예측(Multi-Task)과 Focal Loss로 롱테일 불균형을 완화

성과 및 추가 고도화 방향

오프라인 평가에서 Hit Rate@10이 40~120% 향상되고 추천 카테고리 다양성도 대체로 증가했으며, 2주 A/B 테스트에서 전체 담기율 28%, 바로담기율 30%, 주문율 36%가 개선되었습니다.
또한 마트/편의점의 상품군·유저군 차이를 반영하기 위해 셀러 타입별 임베딩을 분리하고, Category-Category 연결 및 Bayesian Smoothing 등으로 그래프 구조를 강화하는 고도화도 소개합니다.