다중 관심사 네트워크와 동적 라우팅을 활용한 티몰 추천 시스템

산업 추천 시스템은 일반적으로 사용자와 항목의 수십억 규모를 처리하기 위해 매칭 단계와 순위 결정 단계로 구성됩니다. 매칭 단계는 사용자의 관심사에 관련된 후보 항목을 검색하고, 순위 결정 단계는 사용자의 관심사에 따라 후보 항목을 정렬합니다. 따라서 가장 중요한 능력은 두 단계 모두에서 사용자의 관심사를 모델링하고 표현하는 것입니다. 기존의 대부분의 딥러닝 기반 모델은 한 사용자를 단일 벡터로 표현하여, 사용자의 다양한 관심사를 포착하는 데 부족합니다. 본 논문에서는 이 문제를 다른 관점에서 접근하여, 한 사용자를 여러 벡터로 표현하여 사용자의 다양한 측면의 관심사를 인코딩하는 방법을 제안합니다. 우리는 매칭 단계에서 사용자의 다양한 관심사를 처리하기 위해 다중 관심 네트워크(Multi-Interest Network with Dynamic routing, MIND)를 제안합니다. 특히, 캡슐 라우팅 메커니즘을 기반으로 한 다중 관심 추출 계층을 설계하여 역사적인 행동들을 클러스터링하고 다양한 관심사를 추출할 수 있습니다. 또한, 다중 벡터로 사용자 표현을 학습하는 데 도움이 되는 라벨 인식 주의(LABEL-AWARE ATTENTION) 기술을 개발하였습니다. Tmall에서 제공한 몇 가지 공개 벤치마크와 하나의 대규모 산업 데이터셋을 이용한 광범위한 실험을 통해 MIND가 최신 방법론보다 우수한 추천 성능을 달성할 수 있음을 입증하였습니다. 현재 MIND는 모바일 Tmall 앱 홈화면에서 주요 온라인 트래픽을 처리하기 위해 배포되었습니다.