AI
추천시스템을 바꾼다는 것: 구조적 선택이 유저 행동을 어떻게 바꾸는가
두줄요약
추천시스템을 후보 생성, 리랭킹, 피드백 반영, 의미 기반 초기화로 단계적으로 재설계했습니다. 그 결과 다양성, 전환, 거래액 같은 지표 개선과 함께 유저 탐색 흐름을 더 건강하게 만들었습니다.
핵심 내용
- 추천시스템을 단일 모델 성능보다 유저 탐색과 선택의 흐름을 바꾸는 구조적 문제로 재정의
- item-based CF의 인기 쏠림과 확장성 한계를 출발점으로, Retrieval, Reranking, Negative Feedback, 의미 기반 초기화를 단계적으로 도입
- Graph 기반 후보 생성으로 분포와 커버리지를 넓히고, DCN·TransAct 기반 리랭킹으로 전환 맥락을 반영하며, 반복 비노출 신호와 상품 텍스트 임베딩으로 추천 품질과 다양성 개선
적용해볼 점
- 후보 생성과 랭킹을 분리해 각 단계의 역할을 명확히 설계
- 클릭만이 아니라 무반응과 최근 탐색 흐름까지 추천 신호에 반영
- ID 중심 초기화보다 텍스트 등 의미 정보를 출발점으로 활용
