AI
당신이 보는 첫 화면은 어떻게 정해질까? 무신사 홈 배너 개인화 추천 이야기
두줄요약
무신사는 홈 배너 추천을 개인화하기 위해 HGNN, DeepFM, Two-Tower, Continual Learning을 활용한 파이프라인을 구축했습니다. 이를 통해 배너 표현력과 최신성, 스토어별 불균형 문제를 개선하며 CTR 성과를 높였습니다.
문제 상황
- 홈 배너가 서비스 첫인상을 좌우하지만 기존 MAB 기반 추천은 클릭률 중심이라 세밀한 개인화에 한계
- 배너 생명주기가 짧고 클릭 신호가 노이즈가 많으며, 스토어별 데이터 불균형도 존재
- 배너 자체의 정형 정보가 부족해 표현 학습이 어려웠고, 신규 배너 반영도 늦어지는 문제
해결 방법
- 배너·상품 클릭 이력을 이종 그래프로 구성해 HGNN/GraphSAGE로 배너 임베딩 학습
- DeepFM과 Two-Tower로 CTR 예측 및 배너 스코어링 수행, 사용자 유형에 따라 추천 방식 분리
- Continual Learning으로 최신 로그를 빠르게 반영하고, 스토어별 개별 모델과 비즈니스 정책을 함께 적용
성능/운영 포인트
- HGNN 기반 배너 임베딩으로 기존 PinSAGE 대비 CTR 8.3% 향상
- Continual Learning 적용 DeepFM이 일 단위 배치 모델 대비 CTR 24% 향상
- Two-Tower는 MAB 대비 CTR 11.2% 향상, 스토어별 개별 모델은 통합 모델 대비 19% 향상
