딥러닝 개인화 추천 시스템 구축

배경

당근은 하이퍼로컬 커뮤니티 플랫폼으로, 사용자의 위치와 관심사에 기반한 개인화 추천이 핵심입니다. 첫 화면에서 사용자에게 가장 관련성 높은 콘텐츠를 보여줘야 하며, 콜드 스타트 문제와 지역성을 동시에 고려해야 합니다.

도전 과제

수천만 사용자와 수억 개의 아이템 간 상호작용 데이터를 실시간으로 처리하여 개인화 추천을 제공해야 합니다. Feature Store의 실시간성, 모델 서빙 레이턴시(50ms 이내), 콜드 스타트 사용자 처리가 핵심 과제였습니다.

해결 방안

Feature Store를 중심으로 한 추천 시스템 아키텍처를 구축했습니다. 온라인/오프라인 Feature Store를 분리하고, 실시간 이벤트 스트리밍으로 피처를 업데이트합니다. 딥러닝 모델(Two-Tower 모델)을 사용하여 사용자-아이템 임베딩을 생성하고, ANN(Approximate Nearest Neighbor) 검색으로 후보를 추출합니다.

결과

첫 화면 CTR 30% 향상, 추천 관련성 지표 대폭 개선, 콜드 스타트 사용자 처리 시간 50ms 이내 달성.

핵심 인사이트

• 1.Feature Store는 추천 시스템의 핵심 인프라
• 2.온라인/오프라인 Feature 분리로 실시간성과 배치 처리 균형
• 3.Two-Tower 모델로 대규모 후보 추출 효율화
• 4.시맨틱 캐싱으로 LLM 호출 비용 25% 절감