핀터레스트(Pinterest), AI 기반 쇼핑 광고로 전환율 UP!

본문에서는 전환 데이터의 희소성(Sparsity) 문제를 해결하기 위해 다양한 데이터 설계 기법을 사용했다. 멀티 서페이스 모델(Multi-Surface Model)을 통해 여러 쇼핑 화면(Homefeed, Related Pins, Search)에서 수집된 데이터를 통합하여 데이터 부족 문제를 완화했다. 또한, 이중 긍정 신호(Dual Positive Signals)를 활용하여 클릭(Click)과 리핀(Repin) 데이터를 보조적으로 사용함으로써 모델의 일반화 성능을 향상시켰다. 특히, 클릭 지속 시간(Click Duration)을 기반으로 가중치를 부여하는 방식을 통해 클릭 데이터의 노이즈(Click Data Noise)를 감소시켰다. 이러한 접근 방식은 모델이 더 정확한 구매 의도를 파악하도록 돕는다.

핀터레스트(Pinterest)는 모델의 학습 능력(Learning Capacity)을 향상시키기 위해 병렬 DCN v2 및 MLP 교차 레이어 아키텍처(Parallel DCN v2 and MLP Cross Layers Architecture)를 도입했다. 기존의 순차적 구조(Sequential Architecture)는 정보 병목 현상(Information Bottleneck)으로 인해 성능 향상에 한계가 있었다. 병렬 구조는 DCN v2와 MLP가 동일한 입력 특징(Input Features)을 동시에 학습하도록 설계되어, 더 풍부하고 표현력 있는 특징 상호 작용(Feature Interactions)을 포착할 수 있게 했다. DCN v2는 교차 연산(Cross Operations)을 통해 고차원 특징 교차(Higher-Order Feature Crosses)를 생성하고, MLP는 암묵적인 패턴(Implicit Patterns)을 학습한다. 이 아키텍처는 오프라인 리콜(Offline Recall) 11% 증가를 달성했으며, 모든 프로덕션(Production) 환경의 검색 모델에 적용되었다.

초기 모델은 전환 데이터와 참여 데이터를 활용하기 위해 멀티 헤드(Multi-Head) 구조를 사용했다. 그러나 전환 레이블의 희소성(Sparsity)과 노이즈(Noise)로 인해 성능 개선에 어려움이 있었다. 이를 해결하기 위해 핀터레스트(Pinterest)는 단일 헤드 멀티 태스크(Unified Multi-Task) 아키텍처로 전환했다. 이 구조는 전환 헤드와 참여 헤드를 통합하여 최종 임베딩(Embedding)이 멀티 태스크 최적화(Multi-Task Optimization)의 직접적인 이점을 얻도록 했다. 또한, 광고주 수준의 손실 함수(Advertiser-Level Loss Function)를 도입하여 전환 신호(Conversion Signal)의 일관성(Consistency)을 강화했다. 이러한 변화를 통해 2023년 모델 대비 전환 작업에 대한 리콜(Recall)이 평균 42% 증가하는 성과를 거두었다.

핀터레스트(Pinterest)는 쇼핑 전환 후보 생성 모델을 통해 다양한 성과를 달성했다. 2023년 모델 출시 이후 쇼핑 전환량(Shopping Conversion Volume)이 2.3% 증가했으며, 쇼핑 노출 대비 전환율(Impression to Conversion Rate)은 2.7% 상승했다. 또한, 핀너(Pinner)의 쇼핑 경험을 개선하여 클릭률(CTR)을 1.5% 향상시키고, 30초 이상 클릭률(CTR over 30 seconds)을 2.2% 증가시켰다. 2025년에는 미국 쇼핑 캠페인(US Shopping Campaigns)의 광고 투자 수익(RoAS)이 3.1% 개선되었다. 이러한 결과는 광고주(Advertiser)의 성과와 핀너(Pinner)의 긍정적인 경험이 상호 연관되어 있음을 보여준다.

핀터레스트(Pinterest)는 쇼핑 전환 모델을 설계하면서 데이터 희소성(Data Sparsity)과 노이즈(Noise) 문제를 해결하기 위해 다양한 기술적 선택을 했다. 멀티 서페이스 모델(Multi-Surface Model)을 통해 데이터 부족 문제를 완화하고, 이중 긍정 신호(Dual Positive Signals)를 활용하여 모델의 일반화 성능을 향상시켰다. 또한, 병렬 DCN v2 및 MLP 교차 레이어 아키텍처(Parallel DCN v2 and MLP Cross Layers Architecture)를 통해 모델의 학습 능력을 극대화했다. 멀티 헤드(Multi-Head)에서 단일 헤드 멀티 태스크(Unified Multi-Task) 아키텍처로의 전환은 전환 데이터의 희소성 문제를 해결하고 성능을 개선하는 데 기여했다. 이러한 설계 결정은 광고 전환 최적화(Conversion Optimization)를 위한 핵심 전략으로 작용했다.