핵심 요약
우아한형제들이 그래프 기반 임베딩과 Transformer를 결합한 2-stage 파이프라인으로 장바구니 맥락을 반영한 추천을 구현하고, 셀러 타입별 임베딩 분리와 카테고리 간 연결 보강으로 데이터 희소성과 일반화 문제를 해소한 경험을 공유합니다.
주요 경험
- Stage 1: Item-Item/Item-Category 그래프를 구성하고 Node2Vec 임베딩으로 학습, Stage 2에서 Transformer로 맥락 반영한 다음 상품 예측 수행
- Stage 1 보완: 셀러 타입별 독립 그래프 구성, Category-Category 연결 추가, Bayesian Smoothing으로 Edge Weight 보정
- Stage 2 개선: Epoch-wise Target Sampling 도입과 시퀀스 길이 최적화로 일반화 및 계산 효율 향상
얻은 인사이트
- 맥락 기반 추천으로 다양성 증가와 대체재 편향 감소
- 오프라인에서 Hit Rate@10 40~120% 개선, 카테고리 다양성 13% 상승
- 셀러 타입 분리로 마트/편의점 간 차이를 반영해 일반화 성능 향상
