핵심 요약
넷플릭스는 개인화 추천의 가치를 멤버-타이틀 선호를 저랭크 모델로 추정하고, 추천 효과를 보너스로 표현해 노출/선택/타깃팅 기여를 구분하며 소규모 A/B로 검증했습니다.
구현 방법
- 멤버 선호와 타이틀 특성을 학습하는 저랭크 모델 구축
- 추천 효과를 보너스로 정의하고 채널별 기여를 분리
주요 결과
- 현재 시스템은 무작위 대비 엔게이지먼트를 16% 더 높게 보임, 인기도 벤치마크 12%, 매트릭스 분해 4%
- 노출 기여는 약 7%에 불과하고 타깃팅 기여가 큼
- 노출은 평균 소비를 약 3배 증가, 타깃팅은 중간 인기도 타이틀에서 가장 큰 효과
- 다양성은 유지되며 전반적 매칭이 개선
