컬리, BERT4Rec 기반 장바구니 추천으로 구매 경험 UP!
by DD
2년 전
조회수 8
BERT4Rec 기반의 보완재 추천 모델을 개발하여 장바구니 페이지에 적용함
NPMI를 활용하여 보완재 카테고리 간의 관계를 정량적으로 분석하고, 후처리를 통해 추천 편향 문제를 해결함
A/B 테스트 결과, 장바구니 전환율 100% 증가 및 유의미한 성과를 달성함
BERT4Rec 모델 구조 및 학습 과정
BERT4Rec은 Transformer의 인코더를 활용하여 장바구니 내 상품의 순차적 관계를 학습한다. 구체적으로, Cloze Test 방식을 통해 마스킹된 상품을 예측하며, NPMI를 활용하여 보완재 카테고리 간의 관계를 정량화한다. 따라서, 모델은 보완재 추천에 최적화된 학습을 수행한다.
추천 편향 문제 해결: 셔플링 알고리즘
추천 결과의 카테고리 편중 문제를 해결하기 위해 Spotify의 셔플링 알고리즘을 적용했다. 셔플링을 통해 동일한 특성의 상품 간 간격을 조절하고, Shannon entropy와 Gini coefficient를 활용하여 카테고리 분포의 균등성을 평가했다. 결과적으로, 카테고리 다양성을 확보했다.
A/B 테스트를 통한 성과 검증
실제 유저를 대상으로 A/B 테스트를 진행하여 모델의 효과를 검증했다. 대조군 대비 장바구니 전환율 100% 증가 및 유의미한 지표 개선을 확인했다. 따라서, 보완재 추천이 유저의 구매 의사 결정에 긍정적인 영향을 미친다는 것을 입증했다.
