취향 저격 맛집 추천, 더 똑똑하게!: 추천 모델 성장 일지 #우아콘2024 #우아한형제들

하루 한 번 만든 동일 추천은 점심의 카페 수요와 저녁의 족발 수요처럼 시간에 따라 바뀌는 취향을 놓치므로 user tower에 시간 embedding을 추가한다. 24시간을 그대로 추론하면 결과와 운영 비용이 24배가 되는 문제를 카테고리 주문 비율 vector clustering으로 유사 시간대를 묶어 최종 5개 구간으로 줄였고, A/B test에서 노출 대비 주문 전환율을 6.8% 개선했다.

어제까지의 주문만 보는 batch 추천이 사용자의 현재 검색·클릭 의도를 반영하지 못하는 문제를, 최근 행동과 후보 가게를 같은 vector 공간에 배치해 연관도를 계산하는 구조로 전환한다. 후보 가게와 클릭 가게를 각각 encoder로 embedding하고 유사도를 실시간 ranking 신호로 쓰려 했지만, 기존 shop tower는 주문 데이터의 지역 의존성과 ID 기반 학습 때문에 지역 편향과 신규 가게 cold start를 피할 수 없었다.

가게 ID 대신 가게명과 메뉴 text를 입력하는 content-based shop encoder를 만들고 transformer 기반 query encoder와 한 쌍으로 학습해, 지역에 종속되지 않는 공통 embedding 공간을 구성한다. 검색 후 주문으로 이어진 가게·검색어를 positive pair로 삼고 random negative를 사용한 triplet margin contrastive learning을 적용해 query 구분 정확도 99.5%를 얻었으며, 신규 가게도 등록 즉시 embedding할 수 있게 했다.

한 시간 이내의 클릭 가게와 검색어 중 최근 3개를 사용하고, 전체 배달 가능 가게보다 기존 Two-Tower 개인화 결과를 후보로 쓰는 구성이 A/B test에서 우세했다. Kafka 행동 이력, 행동 encoder, 미리 계산한 가게 vector database와 feature store를 연결하고 최신 행동에 더 큰 가중치를 둔 weighted RRF로 순위를 합쳐 주문 전환율을 33% 높였으며, 같은 encoder를 유사 가게·신규 지역·메뉴 ranking에도 재사용한다.