
TASTE, 토스의 추천 파운데이션 플랫폼
TASTE는 공동학습으로 사용자 표현을 만들고, 예측 확률과 임베딩을 여러 추천·타기팅 모델에 제공합니다. 목적별 모델 분리와 TASTE Bench로 성능 및 전이 효과를 지속 검증했습니다.
#추천시스템#ML
4600

TASTE는 공동학습으로 사용자 표현을 만들고, 예측 확률과 임베딩을 여러 추천·타기팅 모델에 제공합니다. 목적별 모델 분리와 TASTE Bench로 성능 및 전이 효과를 지속 검증했습니다.

Multi-interest 추천 모델의 Hubness 원인을 유저 무관 성분과 후보 집합 특성에서 분석했습니다. Centering·bias 분리·다양성 규제로 과노출을 줄이고 평가 체계를 보완했습니다.


중앙 레지스트리 기반 피처 스토어로 학습·서빙 피처를 일원화했습니다. Go 조회 로직과 ScyllaDB 전환으로 지연과 비용 문제를 개선했습니다.


장바구니 맥락의 보완재 추천을 위해 BERT4Rec과 NPMI 기반 전처리를 적용했습니다. A/B 테스트로 비개인화 추천 대비 장바구니 지표 개선을 확인했습니다.


추천시스템의 Precision@K와 Recall@K 정의 및 계산 예시를 설명했습니다. 사용자별 상위 추천 결과를 집계하는 평가 코드 구현 흐름을 소개했습니다.


사용자 임베딩과 Mini Batch K-Means로 관심사별 스타일 묶음을 추천했습니다. A/B 테스트에서 클릭과 콘텐츠 전환율 상승을 확인해 전체 릴리즈했습니다.