AI
AI와 함께하는 패션 큐레이션 — 무신사 2.0 시나리오 기반 추천 시스템 개발
두줄요약
무신사 2.0에서 시나리오 기반 설명 가능한 추천 시스템을 구축한 사례를 소개했습니다. 장기·단기 행동을 함께 반영해 개인화와 다양성을 높이고, A/B 테스트와 모니터링으로 운영했습니다.
핵심 내용
- 무신사 2.0 개편에 맞춰 시나리오 기반 설명 가능한 추천 시스템을 구축한 사례
- 기존 4개 고정 영역의 데모그래픽 인기상품 추천 한계를 개선하기 위해 60여 개의 개인화 시나리오를 설계
- 실시간 반응, 액션, 선호도, 트렌드 4개 시나리오 그룹을 중심으로 추천 구조를 재편
- 코어 백본 모델, 재정렬 모델, 시나리오 정렬 모델로 생성·랭킹·노출 순서를 최적화
구조와 흐름
- 장기 취향은 PinSage, 단기 행동은 Bert4Rec으로 학습해 유저와 요소 임베딩을 추출
- 임베딩을 기반으로 유저 선호도와 유사 요소 후보를 만든 뒤, DeepFM 기반 재정렬로 최종 순위 조정
- Gate API와 Scenario API를 분리해 시나리오 목록과 상품 목록을 단계적으로 서빙
성능/운영 포인트
- Spark Streaming과 MongoDB로 실시간 탐색 정보를 반영하고, 상품 메타 정보와 속성 정보를 추천 품질에 활용
- Databricks 대시보드로 스토어별·시나리오별 지표와 A/B 테스트 버킷 성과를 모니터링
- 오픈 후 PDP 전환율, 인당 클릭 수, 노출 상품·브랜드 수, 다양성 지표가 개선