문서

🛒 토스 쇼핑 추천 시스템: 수백만 사용자와 상품을 잇는 멀티 스테이지 접근법

김정오 토스 · 토스 기술 블로그

AI 핵심 요약

명확한 검색 의도 없이 상품을 둘러보는 사용자가 많은 토스 쇼핑은 수백만 사용자와 상품을 효율적으로 연결하기 위해 멀티 스테이지 추천 구조를 채택했다. Retrieval에서 Two-Tower·그래프·시퀀스 모델 등으로 후보를 빠르게 모으고, Ranking에서 pCTR과 pCVR을 예측해 정렬한다. 마지막 Re-ranking에서는 신상품의 신선도, 광고와 비광고 상품의 혼합, 카테고리 다양성을 반영해 예측 점수와 사용자 경험 및 비즈니스 목표를 조율한다. 대규모 추천에서는 후보 검색, 정밀 평가, 결과 조정을 단계별로 나누는 것이 핵심이라는 접근을 소개한다.

Retrieval에서는 Two-Tower, 그래프, 시퀀스 모델 등으로 대규모 상품군에서 빠르고 다양한 후보를 확보한다.
Ranking은 pCTR·pCVR 예측을 바탕으로 후보를 정렬하며, DeepFM·DLRM·DCN·ESMM 등을 활용할 수 있다.
Re-ranking에서는 신상품 노출, 광고와 비광고 상품의 배치, 카테고리 균형을 함께 조정한다.
탐색형 사용자를 위한 추천은 정확도뿐 아니라 발견의 다양성과 사용자 경험도 고려해야 한다.

소개

토스 쇼핑은 어떻게 수백만 사용자에게 개인화된 상품 추천을 제공할까요? 그 접근법을 소개해 드릴게요.

비슷한 학습 자료

컨퍼런스 SLASH

토스ㅣSLASH 24 - 기반 데이터가 부족해도 OK! 커머스 추천 시스템 제작기

컨퍼런스 SLASH

처음 마주하는 고객들에게는 어떻게 상품을 추천해야 할까요? 새로 시작하는 ‘커머스 서비스’의 초기 추천 시스템 구축 과정에 대해 소개합니다. 장유영 / 토스 Data Scientist 김수원 / 토스 Machine Learning Engineer 토스 개발자 컨퍼런스 SLASH에 대한 자세한 정보는 👉🏻 https://toss.im/slash-24 컨퍼런스 및 세션에 대한 문의는 👉🏻 slash@toss.im 토스에 합류하고 싶다면 👉🏻 https://toss.im/career/jobs #토스 #개발자컨퍼런스 #SLASH #SLASH24 #data #datascience #machinelearning 유의 사항 *본 발표자료의 저작권은 연사에 있으며, 저작권자의 사전 서면 동의 없이 자료의 일부 또는 전부를 이용하거나 배포할 수 없습니다. *또한 해당 자료를 복제하여 SLASH 행사 홈페이지를 제외한 온라인상에 게재하는 행위는 연사가 동의한 저작권 및 배포...

딥러닝 · 머신러닝