버즈니 AI LAB은 최근까지 이머커스의 주축이 되는 기술을 중심으로 연구 및 개발을 지속적으로 해오며 크고 작은 성과를 선보였다. 그동안 버즈니 AI Lab에서 일군 성과를 이번 글을 통해 공유하고자 한다. 

다섯 번째 소개 기술은 '추천'이다.

1. 이미지 

2. 카탈로그​

3. 랭킹​

4. 카테고리 분류​

5. 추천

6. 텍스트​

5. 추천

​

1) 기술 소개 

​

홈쇼핑모아 내 수많은 서비스(상품, 키워드, 카테고리, 콘텐츠 등) 중에서 유저가 관심있을 만한 것들을 예측해 보여주는 기술

2) 목적

- 방대한 데이터 속에서 유저의 탐색 시간을 줄여줌

- 유저 활동 시간 대비, 관심있는 것들과의 접점 확대 & 지표(클릭, 구매 등) 향상

​

홈쇼핑모아 서비스에는 크게 개인화 추천, 연관 추천이 있다.

개인화 추천이란 유저에게 개인화된 추천 결과를 제공하는 방식으로 유저마다 추천 결과가 다르며, 유저의 니즈를 예측해서 제공하는 추천 방식이다.

연관 추천이란 유저가 반응한 것(상품, 키워드 등)들과 유사한 것들을 추천하는 방식이다. 유저가 특정 object에 반응했다는 것은, 그 object에 대한 니즈(의도)가 투영된 것이므로 유저의 니즈에 알맞는 것들을 빠르게 찾아주기 위한 추천 방식이다.

홈쇼핑모아에서 연구 & 서빙중인 개인화 추천 서비스는 상품 개인화 추천, 카테고리 개인화 추천, 상품 랭킹 개인화, 콘텐츠 순서 개인화, 개인화 추천 푸시 총 5가지가 있다.

(1) 상품 개인화 추천 : 유저 로그 기반 좋아할 만한 상품 추천(편성표)

​

- 유저가 반응한 상품들에 대한 로그를 이용해서 유저가 좋아할만한 상품을 추천한다.

적용 기술

- Matrix Factorization : 유저의 장기적인(Long Term) 취향 반영

- Session-based recommendation : 유저의 최근(Short Term) 취향 반영

이 기술들을 다양한 서비스에도 응용할 수 있다.

응용 가능 서비스

- 카테고리 개인화

- 상품 순서 개인화

- 브랜드 개인화

- 검색 키워드 개인화

- etc …

(2) 카테고리 개인화 추천 : 최근 유저 로그 기반 1차/3차 카테고리 랭킹 개인화

​

유저가 반응했던 상품들의 카테고리를 이용해 현재 유저가 관심이 있는 카테고리를 예측해서, 관심있는 카테고리에 대한 탭을 우선으로 보여준다.

적용 기술

- Session-based recommendation : 유저의 최근(Short Term) 취향 반영

(3) 상품 랭킹 개인화

​

- 유저에게 노출할 상품들을 유저가 좋아할만한 순으로 예측해서 정렬한다.

- 현재 생방송 상품 노출과 카테고리 탭 내 상품 노출에 적용되어 있다.

적용 기술

- 상품 개인화 추천 기술 : 유저가 좋아할만한 상품 순으로 리랭킹

(4) 콘텐츠 순서 개인화 (진행중 - 콘텐츠 업로드 시 진행 됐을 경우 게재)

​

- 현재 모든 유저에게 같은 순서로 노출되고 있는 편성표 콘텐츠의 순서를 개인화

작업 이유

- 하위에 노출되는 콘텐츠일수록 노출량이 적어, 유저가 좋아할만한 콘텐츠라도 클릭받기 힘듦

- 유저가 좋아할만한 콘텐츠는 상위로 올리는 작업 필요

적용 기술

- (Contextual) multi-armed bandit

응용 가능 서비스

- A/B TEST 자동화

- 상단탭 랭킹 개인화

- 상품 랭킹 개인화 

- 모델 selection

- etc …

(5) 개인화 추천 푸시

​

- 모든 사용자에게 같은 내용의 푸시를 보내는 것이 아니라 더 잘 반응할만한 사용자를 추출하여 활성 사용자 수를 증가시키고, 사용자들이 푸시에 스트레스를 덜 받을 수 있도록 한다.

작업 이유

홈쇼핑모아에는 알람 및 키워드 푸시, 광고 푸시, 마케팅 푸시 등 여러 푸시 종류가 존재함

어떤 사용자에게 어떠한 푸시를 보내야 유저가 스트레스를 최대한 덜 받으며, 푸시를 발송하는 주체도 만족하는 성과를 이뤄낼지에 대한 고민이 있음

푸시를 잘 발송하게 되면 홈쇼핑모아에 활동하는 활성 유저를 증가시킬 수 있고, 재방문율도 증가시킬 수 있음.

적용 기술

- Matrix Factorization 기반의 추천 기술

- ALBert 기반의 추천 기술 

응용 가능 서비스

- 정교화된 개인화 추천 푸시

- 자동 푸시 컨텐츠 생성 및 타게팅 발송

- 인앱 푸시 개인화

홈쇼핑모아에서 연구 & 서빙중인 연관 추천 서비스는 연관 상품 추천, 연관 키워드 추천 총 2가지가 있다.

(1) 연관 상품 추천

- 유저가 누른 상품과 연관된 것을 노출하여 유저의 의도에 맞는 결과를 빠르게 찾을 수 있도록 도와주는 서비스임.

- 현재 검색 상품과 연관된 검색상품을 추천하는 것과,  방송 상품과 연관된 방송상품을 추천하는 것을 서비스 중이다.

적용 기술

- Matrix Factorization

- ALBert

- Pixie 

응용 가능 서비스

- 연관 키워드 추천

- 유사한 취향을 가진 유저 추천(푸시 모수 확장)

- 연관 브랜드 추천

- etc …

(2) 연관 키워드 추천 (신규 모델로 테스트 예정-콘텐츠 업로드 시 진행 됐을 경우 게재: 신규모델로 테스트 하지 않더라도 이미 서비스는 되고 있는 부분입니다.

​

- 검색 : 검색한 키워드 연관된 키워드 추천 (keyword to keyword 추천)

- 방송 : 상품과 연관된 키워드 추천 (item to keyword 추천)

적용 기술

- Matrix Factorization

- ALBert

- Pixie

- Maximal Marginal Relevance

3) 서비스 활용

무엇을 할 수 있는가? 

홈쇼핑모아에서 사용중인 기술들을 이용하면 어떠한 새로운 서비스를 할 수 있을지에 대해서 설명.

(1) Matrix Factorization 기술

X와 Y의 관계에 대한 로그만 있다면, 무엇이든 할 수 있음

ex) 

유저가 본 상품 로그 (X: 유저, Y: 상품)

X to X (유저에게 유사한 유저 추천)

X to Y (유저에게 상품 추천)

Y to X (상품에 유저 할당: 이 상품을 좋아할만한 유저 선별)

Y to Y (상품과 유사한 상품 추천)

상품클릭을 유발한 검색 키워드 로그 (X: 상품, Y: 키워드)

X to X (상품과 유사한 상품 추천)

X to Y (상품에 키워드 추천: 검색을 위한 키워드 확장 용도, 키워드 추천 용도)

Y to X (키워드에 연관된 상품 추천)

Y to Y (키워드와 연관된 키워드 추천)

유저가 본 브랜드 로그 (X: 유저, Y: 브랜드)

X to X (유저에게 유사한 유저 추천)

X to Y (유저에게 브랜드 추천)

Y to X (브랜드에 유저 할당: 브랜드를 좋아할만한 유저 선별)

Y to Y (브랜드와 유사한 브랜드 추천)

(2) Session-based recommendation 기술

순서가 중요하고, 패턴이 존재하는 로그만 있다면 유저의 최신(Short-Term) 취향을 반영한 개인화 추천 가능

ex) 

유저가 최근에 A B C 순서로 상품을 보았을 때, 그 다음에 볼 상품은 무엇일까?

ex) 

x: 카테고리 ⟶ 카테고리 개인화 추천 서비스

(3) Multi-armed bandit 기술

여러번의 시행을 통해 슬롯 머신의 성공 확률을 예측해 수익을 극대화 하는 기술 (성공 확률 : unknown, 슬롯 머신마다 성공 확률이 전부 다르다고 가정)

슬롯 머신의 성공 확률은 시간에 따라서 계속 변경될 수도 있다고 가정 ⟶ 따라서 높은 성공 확률일 것이라고 예측된 슬롯 머신에만 계속 배팅하면 안 됨

즉, 한번 좋다고 판단된 것만 계속 배팅(exploitation)하지 않고, 성공 확률이 높은 새로운 Machine이 생기지 않았는지 계속 관찰(exploration)이 필요한데, 이러한 exploitation, exploration을 자동으로 수행해주는 기술임.

시행을 통해 수익(보장)이 최대가 되는 방법을 찾는 기술이므로, 무엇이든 다 적용 가능함

ex) 

Machine: A / B test service, 지표가 더 좋은 service 찾기

Machine: 편성표 content, 유저가 클릭할 것 같은 content 찾기 

Machine: 검색 결과 상품, 유저가 클릭할 확률이 높은 순으로 정렬