KOEN
Read Original
#AI

클릭에서 전환까지: 핀터레스트의 쇼핑 전환 후보 생성 모델 아키텍처

클릭에서 전환까지: 핀터레스트의 쇼핑 전환 후보 생성 모델 아키텍처
01

Summary

핀터레스트가 6억 명의 사용자에게 최적의 상품을 제안하는 비결: 전환 중심 후보 생성 모델

Parallel DCN v2와 멀티태스크 학습으로 광고 성과와 사용자 경험을 동시에 혁신하다

이 아티클은 핀터레스트가 쇼핑 전환 성과를 극대화하기 위해 구축한 차세대 후보 생성(Candidate Generation) 모델의 여정을 다룹니다. 단순 클릭 기반의 추천을 넘어 실제 구매 의도를 파악하기 위해 아키텍처와 손실 함수를 어떻게 재설계했는지에 대한 실무적인 통찰을 제공합니다.

  • 01DCN v2와 MLP를 병렬로 배치하여 정보 병목 현상을 해결하고 고차원 특성 상호작용 캡처
  • 02클릭 체류 시간을 로그 기반 가중치 함수로 변환하여 노이즈 섞인 클릭 데이터를 정교화
  • 03개별 핀(Pin) 단위의 노이즈를 상쇄하기 위해 광고주 수준의 손실 함수를 도입하여 학습 안정성 확보
  • 04단일 헤드 멀티태스크 아키텍처로 전환하여 서빙 시 멀티태스크 최적화의 이점을 직접적으로 반영

RECOMMENDATION

대규모 추천 시스템에서 전환(Conversion) 지표를 최적화하려는 머신러닝 엔지니어와 검색/추천 도메인의 아키텍처 개선을 고민하는 분들에게 강력히 추천합니다.

The Problem

오프사이트 전환 데이터의 희소성과 노이즈로 인해 기존의 클릭 기반 모델로는 실제 구매 전환을 최적화하기 어려웠으며, 이를 해결하기 위한 정교한 후보 생성 모델이 필요했습니다.

The Solution

병렬 DCN v2와 MLP를 결합한 2-타워 아키텍처를 도입하고, 광고주 단위의 손실 함수와 클릭 체류 시간을 가중치로 둔 멀티태스크 학습(MTL)을 적용했습니다.

The Result

전환 볼륨이 2.3% 증가하고 광고 지출 대비 수익(RoAS)이 3.1% 개선되었으며, 오프라인 Recall@100 지표가 이전 모델 대비 평균 42% 향상되었습니다.

Trade-off

전환 데이터의 희소성을 해결하기 위해 도입한 복잡한 가중치 설계와 멀티태스크 밸런싱 과정에서 시스템 복잡도가 증가하고 정교한 튜닝이 요구되었습니다.

03

Key Concepts

Concept · 01

DCN v2 (Deep & Cross Network v2)

특성 간의 명시적인 상호작용을 모델링하는 Cross Network와 암시적 패턴을 학습하는 Deep Network를 결합한 구조입니다.

  • 병렬 구조를 통해 입력 데이터의 손실 없이 고차원 피처 크로스를 생성합니다.
  • 모델의 학습 능력을 극대화하여 오프라인 Recall 지표를 11% 이상 향상시켰습니다.
Concept · 02

Two-Tower Model

사용자와 아이템을 각각 독립적인 신경망(Tower)으로 인코딩한 뒤 벡터 유사도를 계산하는 검색용 모델 아키텍처입니다.

  • 수억 개의 아이템 중 관련성 높은 후보를 실시간으로 빠르게 추출하는 데 사용됩니다.
  • User Tower와 Pin Tower에 각각 병렬 DCN v2 레이어를 적용했습니다.
Concept · 03

Multi-Task Learning (MTL)

전환과 클릭 같은 서로 다른 목표를 하나의 모델이 동시에 학습하여 데이터가 부족한 과업의 성능을 보완하는 기법입니다.

  • 희소한 전환 데이터의 한계를 풍부한 클릭 데이터를 보조 작업으로 활용하여 극복했습니다.
  • 2025년 버전에서는 통합 싱글 헤드 구조로 진화하여 최적화 효율을 높였습니다.