최애 작품 이용권 선물해 주는 ‘Helix Push’ 개발기

User feature와 작품 feature를 각각 representation layer에 넣고 열람 여부를 예측해 item embedding을 학습한다. 사용자가 읽은 작품과 후보의 vector similarity를 합산해 새 작품 preference를 계산한다. Negative sampling과 genre·popularity bias를 조정해 비슷한 작품만 반복 추천되는 문제를 줄인다.

여러 genre를 읽은 user에게 모든 과거 작품의 similarity를 단순 합하면 많이 본 genre가 다른 취향을 덮는다. 최근성·열람 강도와 genre cluster별 signal을 분리해 후보와 관련된 history에 더 높은 weight를 주고, 미열람 후보의 novelty와 익숙함을 균형 있게 ranking한다.

이미 읽은 작품 중 다시 읽을 대상을 고르는 문제는 최근 2주 회차 수 같은 단순 rule이 강한 baseline이다. Recency, 읽은 회차, event cache와 실제 현금 결제, 작품 sequence를 feature로 만들고 BERT 계열 model이 장기·단기 행동을 함께 보게 한다. Rule보다 나쁜 반례를 user 단위로 분석한다.

많이 읽은 작품을 낮게 예측하고 3회만 읽은 작품을 높게 본 사례를 payment·기간·완결 여부와 함께 추적해 label·feature를 수정한다. 두 model을 Helix Push에 적용한 뒤 전년 동기간과 실험군을 비교해 event cache 비용 감소, 열람자 방어, 현금 거래와 CP 매출 상승이 동시에 달성되는지 검증한다.