당근 추천 알고리즘 - 홈피드 후보모델 파헤치기 | 2024 당근 테크 밋업
당근 밋업 당근 · YouTube
AI 핵심 요약
당근은 게시글 규모가 커 모든 글을 직접 비교하기 어려운 문제를 해결하기 위해, 쿼리와 게시글을 각각 임베딩하는 투타워 후보 모델의 학습·추론 파이프라인을 TensorFlow Extended 기반으로 구축했다. 피처 스키마와 설정을 분리해 홈피드뿐 아니라 여러 탭과 게시글 유형에 재사용할 수 있게 했고, 학습한 임베딩은 ANN 검색으로 후보를 찾도록 구성했다. 모델 품질을 높이기 위해 배치 내·랜덤·하드 네거티브 샘플링을 조합하고, 지역 정보를 임베딩에 반영하거나 필터링 후 검색하는 방식을 비교했으며, 오프라인 평가는 실제 서빙에 가까운 단계까지 나눠 진행했다. 발표에서는 이 구조로 다양한 도메인에 파이프라인을 적용하고 홈피드의 비중고거래 콘텐츠 노출과 클릭이 늘어난 결과를 소개하며, 재사용 가능한 파이프라인과 평가 설계가 반복 실험의 기반이라고 설명했다.
- 투타워 모델은 쿼리와 후보를 각각 임베딩하고, 포지티브 쌍은 가깝게 네거티브 쌍은 멀게 학습한다.
- 배치 내 네거티브만으로 생기는 학습·실제 추천 간 차이를 랜덤 네거티브와 노출 후 미반응한 하드 네거티브로 보완할 수 있다.
- 지역 필터링이 필요한 추천에서는 임베딩에 지역 정보를 학습시키는 방법과, 필터링 후 유사도를 계산하는 방법의 비용·커버리지 차이를 고려해야 한다.
- 후보 모델 평가는 배치 내 성능에 그치지 말고, 큰 평가 후보군과 실제 서빙에 가까운 리트리벌 모델 평가로 단계화한다.
- 피처 스키마와 파이프라인 설정을 분리하면 코드 변경을 줄이고 여러 도메인에 모델 파이프라인을 재사용하기 쉽다.
소개
“매일 당근에 새로 생성되는 중고거래 게시글 X만 개. 어떤 글을 추천할까?” 당근의 후보모델을 소개해요. 후보모델 학습부터 서빙까지 어떻게 지역성과 범용성을 갖추었는지 궁금하지 않으신가요? 당근 추천의 핵심 컴포넌트인 후보 모델 파이프라인은 7개 이상의 타입의 글에 대해 하루에 1,000번 이상 실행되는 확장성을 갖추고 있어요. 이 파이프라인과 함께 당근의 지역성을 기반으로 후보모델의 성능을 높이기 위해 적용한 다양한 Negative Sampling Strategy를 설명해요. 🥕 영상을 보고 당근에 관심이 생기셨다면 채용 공고를 확인해보세요! https://about.daangn.com/jobs/
비슷한 학습 자료
컨퍼런스 당근 밋업
이 세션에서는 중고거래, 당근알바, 모임 등 당근의 다양한 서비스를 하나의 거대한 그래프 구조로 정의하고, 이를 Graph Neural Network로 학습하여 실제 피드 추천에 적용한 과정을 소개해요. 이 과정에서 겪은 기술적인 문제들이 있었는데요. 그중에서 수십억 개의 연결을 가진 그래프를 효율적으로 처리하기 위해 TensorFlow-GNN을 도입해서 분산 처리를 진행한 과정과 핀터레스트에서 발표한 PinSage 방법론을 당근의 그래프 정의에 맞게 적용했던 과정을 설명할 거예요. 마지막으로 학습된 모델을 피드 추천에 이용하는 과정도 함께 소개해요. 🥕 영상을 보고 당근에 관심이 생기셨다면 채용 공고를 확인해보세요! https://about.daangn.com/jobs/
딥러닝 · 머신러닝
컨퍼런스 당근 밋업
프레임워크부터 플랫폼까지: 당근 웹뷰 플랫폼 | 2024 당근 테크 밋업
컨퍼런스 DEVIEW 2023
언어 모델 기반의 범용 유저 임베딩과 이를 활용한 추천시스템 및 광고 타겟팅
컨퍼런스 DAN 2025
[팀네이버 컨퍼런스 DAN25] 실시간 추천-CRM 통합 모델로 완성하는 개인화 UX
컨퍼런스 DAN 2025
[팀네이버 컨퍼런스 DAN25] 실시간 추천-CRM 통합 모델로 완성하는 개인화 UX 네이버 시리즈는 개인화 UX를 위해 추천부터 CRM까지 다양한 영역에 ML 모델을 활용하고 있습니다. 하지만 여러 모델들이 추가되면서 모델 관리의 복잡성이 커지고, 모델 간 일관성을 유지하기 어려운 한계가 드러났습니다. 동시에 CRM 모델 중 일부는 실시간으로 처리되지 않는 기능이 있어 개선이 필요한 상황이었습니다. 이러한 문제를 해결하기 위해 모델 개발 관점에서는 추천과 CRM 모델을 하나의 통합 프레임워크로 설계하기로 결정하였고, 모델 서빙 관점에서는 모든 모델의 결과를 실시간으로 받아오기 위해 API 기반 서빙 아키텍처를 구축하기로 결정하였습니다. 본 발표에서는 네이버 시리즈에 실제 적용된 사례를 중심으로, 추천-CRM 모델 통합 과정과 배치 기반에서 실시간 추론 체계로 전환한 경험을 공유합니다. 대규모 서비스 환경에서 개인화 경험을 고도화하기 위한 모델링/시스템 설계의 실제적인 ...
백엔드 딥러닝 · 머신러닝
컨퍼런스 우아콘 2023
[WOOWACON2023 세션 다시보기] 👉 세션 설명 수많은 우여곡절 끝에 완성된 머신러닝 모델! 우리 서비스에서 “어떻게” “잘” 제공할 수 있을까? 여러 추천/ML 모델을 실제 대고객 서비스화하면서 얻은 경험과 사례들을 바탕으로 서빙 시나리오별 장단점, “더 잘 서빙하기 위해” 유의해야할 요소들, 이것들을 고려한 시스템 설계에 대해 짚어봅니다.ㅤ ㅤ 👉 발표자 소개 추천시스템 정현 아동가족학과 출신 개발자. 오디오 엔지니어 경력을 시작으로, 임베디드, 데이터에 이르기까지 다양한 개발 영역을 접해왔습니다. 2016년부터 머신러닝을 검색, 추천 등지에서 대규모 트래픽 서비스, 플랫폼화하는 일을 본격적으로 해오고 있습니다. 대규모 트래픽을 안정적으로 빠르게 처리하는 것과 분산처리, 계산 최적화에 관심이 많습니다. 👍 추천 대상 - 추천/ML 등 모델을 만들었을 때, 고객용 서비스로 어떻게 잘 제공할 수 있을지 궁금한 분 🙋🏻♀️ 세션에 대해 궁금한 점이 있다면...
백엔드 딥러닝 · 머신러닝 로드맵 1개에 담김