‘로컬’ 슈퍼 앱에서 장기 유저 모델링은 어떻게 달라질까?
AI
‘로컬’ 슈퍼 앱에서 장기 유저 모델링은 어떻게 달라질까?
두줄요약
당근의 지역 기반 추천 시스템에서 장기 유저 로그를 Transformer로 학습해 공통 임베딩을 만들었습니다. 이를 홈피드, 후보, 광고에 적용해 학습 신호와 온라인 지표를 함께 개선했습니다.
핵심 내용
- 당근의 지역 기반 슈퍼 앱에서 장기 유저 행동 로그를 Transformer로 학습해 공통 유저 임베딩을 만드는 추천 모델링 사례
- 홈피드, 후보 모델, 광고 랭킹에 유저 임베딩을 재사용해 장기 취향 반영과 온라인 지표 개선을 노린 구조
구조와 흐름
- user encoder는 Causal Transformer로 유저 시퀀스를 인코딩하고, item tower는 아이템 피처를 임베딩으로 변환하는 two-tower 구조
- InfoNCE 기반 contrastive learning과 in-batch negatives로 다음 행동 예측 학습
- 장기 로그를 모든 버티컬과 지면에서 수집해 대규모 pretraining 수행
선택 이유
- Item ID 임베딩 대신 콘텐츠 임베딩을 사용해 cold item 문제 완화와 GPU 메모리 절감 달성
- 장기 유저 임베딩을 별도 오프라인 추론으로 만들어 다운스트림 모델의 지연과 복잡도 분리
- 지역 기반 서비스 특성에 맞춰 RCBS로 feasible negatives 비율을 높여 학습 신호 강화
성능/운영 포인트
- memmap과 bbhash로 수백 GB 규모 콘텐츠 임베딩 파일과 매핑 메모리 문제 해결
- 유저 임베딩 갱신 주기를 24시간으로 두고, 액션이 있는 유저만 재추론해 비용 최적화
- 온라인 A/B 테스트에서 클릭, 체류시간, DAV, 광고 매출 등 다수 지표 개선