배달의민족, Transformer로 장바구니 추천 30% UP!
by DD
7개월 전
조회수 38
Item2Vec의 대체재 편향 및 시퀀스 맥락 부재 문제를 해결하기 위해 Transformer 기반 모델을 도입함
Node2Vec을 활용한 그래프 기반 임베딩과 Transformer를 결합하여 장바구니 상품 추천 성능을 개선함
A/B 테스트 결과, 전체 담기율 28% 증가 및 바로담기율 30% 증가를 달성하며 실질적인 효과를 입증함
Item2Vec 한계와 Transformer 도입 배경
Item2Vec은 상품 간 동시 출현 빈도만을 고려하여 대체재 편향 문제를 야기했다. 따라서 시퀀스 데이터의 맥락을 이해하는 Transformer 모델을 도입했다. 구체적으로, Node2Vec으로 상품 임베딩을 생성하고, 이를 Transformer의 입력으로 활용하여 추천 정확도를 높였다.
2-Stage 파이프라인 아키텍처 분석
2-Stage 파이프라인은 Node2Vec을 활용하여 상품 및 카테고리 임베딩을 생성한다. 그래프 구조를 정의하고, Random Walk를 통해 시퀀스를 생성한다. 반면, Transformer는 시퀀스 데이터를 입력받아 Masked Self-Attention과 Feed Forward Network를 통해 다음 상품을 예측한다. 결과적으로, 장바구니 추천의 정확도를 향상시켰다.
모델 고도화 과정: 셀러 타입 분리와 Bayesian Smoothing
모델은 셀러 타입별 독립적인 임베딩 학습을 통해 추천 품질을 개선했다. 구체적으로, Category-Category 연결을 추가하고, Bayesian Smoothing을 적용하여 Edge Weight의 신뢰도를 높였다. 따라서, 롱테일 상품에 대한 추천 정확도를 향상시키고, A/B 테스트에서 긍정적인 결과를 얻었다.
