# 당신이 보는 첫 화면은 어떻게 정해질까? 무신사 홈 배너 개인화 추천 이야기

> Clean Markdown view of GeekNews topic #21282. Use the original source for factual precision when an external source URL is present.

## Metadata

- GeekNews HTML: [https://news.hada.io/topic?id=21282](https://news.hada.io/topic?id=21282)
- GeekNews Markdown: [https://news.hada.io/topic/21282.md](https://news.hada.io/topic/21282.md)
- Type: GN+
- Author: [xguru](https://news.hada.io/@xguru)
- Published: 2025-06-05T08:53:31+09:00
- Updated: 2025-06-05T08:53:31+09:00
- Original source: [medium.com](https://medium.com/musinsa-tech/당신이-보는-첫-화면은-어떻게-정해질까-무신사-홈-배너-개인화-추천-이야기-33b96721db54)
- Points: 2
- Comments: 1

## Topic Body

- **홈 배너**는 고객의 첫 화면에서 가장 먼저 보이는 핵심 영역으로, **초개인화 추천 시스템**을 통해 클릭률(CTR)과 사용자 경험을 극대화함  
- 기존 **MAB(멀티 암드 밴딧)** 기반의 단순 클릭률 최적화 방식에서 벗어나, **DeepFM·Two-Tower·HGNN 등 최신 알고리듬**과 그래프 기반 임베딩으로 배너·사용자 특성을 정교하게 반영함  
- **배너 생명주기 단축, 노이즈 많은 클릭 피드백, 데이터 불균형** 등 도메인 특유의 문제를 **Continual Learning**, 개별 모델·통합 모델 혼합 운영 등으로 해결함  
- 최종적으로 **CTR 16% 이상 향상**, 신규 배너·콜드 유저 대응, 실시간·비즈니스 정책 연동 등 체계적인 추천 파이프라인을 구축함  
- 앞으로는 **실시간 서빙, Multi-Task Learning, 임베딩 품질 고도화, 다각적 성과 지표 도입** 등 지속적 진화 예정  
  
---  
  
### 고객 맞춤 빅배너로 더 나은 경험 만들기  
  
- 고객 취향과 **노출 콘텐츠 다양성**이 증가하면서, 일괄적인 배너 노출로는 만족스러운 경험 제공에 한계가 있었음  
- **CTR 극대화**를 목표로, 각 스토어 홈 상단 빅배너에 **개인화 노출** 로직을 도입하는 프로젝트를 진행함  
  
### 홈 배너의 중요성 및 특징  
  
- 홈 배너는 무신사 서비스에서 고객이 처음 마주치는 **화면 맨 위 슬라이드형 배너**(총 35장)로, 앱에서는 한 장, 웹에서는 세 장이 노출됨  
- 무신사 전체 트래픽의 약 **97%** 가 메인 화면 진입 시 홈 배너를 접함  
- 홈 배너 클릭이 전체 클릭 수의 **35%** , 클릭 발생 세션의 37%를 차지할 만큼 비중이 큼  
- 높은 노출 빈도로 비즈니스 전환 효과가 매우 큰 영역임  
  
### 기존 추천 방식의 한계  
  
- 기존에는 **MAB(Multi-Armed Bandit) 알고리듬**을 활용해 CTR 중심의 추천을 수행함  
  - **탐험(Exploration)** 과 **활용(Exploitation)** 균형 조절  
- **세 가지 한계**:   
  - **단일 클릭률 지표 의존**으로 다양한 고객 취향·배너 특성 반영 미흡  
  - **배너 연관성 반영 어려움** (독립적 처리)  
  - **콜드 스타트** (신규 배너 클릭 데이터 부족 시 성능 저하)  
- 이 한계를 극복하기 위해 **새로운 추천 시스템**을 설계함  
  
### 추천 시스템 파이프라인  
  
- 시스템은 다단계 파이프라인으로 구성됨  
  1. **배너 Representation 강화**: 배너 관련 텍스트·이미지·연관 상품 기반 임베딩(HGNN, GraphSAGE 활용) 추출  
  2. **클릭 예측 모델 학습**: **DeepFM**(피처 상호작용)과 **Two-Tower**(유저/배너 분리 임베딩) 모델 동시 적용  
  3. **배너 스코어링 및 적용**: 유저별 CTR 예측 스코어를 배치/실시간으로 산출  
     - 데이터가 충분한 유저에는 **정교한 개인화**  
     - 신규·콜드 유저에는 **세그먼트 기반 추천**  
  4. **비즈니스 정책 반영**: 시스템 배점 외에 회사 정책 및 전략, 캠페인 배너, 긴급 변경 등도 실시간 반영  
  5. **최종 배너 노출**: 스코어가 높은 Top-N 배너를 최종 추천 및 노출  
  
### 추천 핵심 모델 소개  
- [DeepFM](https://arxiv.org/abs/1703.04247): FM(2차 상호작용)+DNN(고차원 상호작용) 병렬 구조로 희소 데이터·복잡 상호작용 모두 효과적으로 학습, CTR 예측에 탁월함  
- [Two-Tower](https://dl.acm.org/doi/abs/10.1145/3298689.3346996): 사용자·배너 각각 독립 신경망에서 임베딩 추출, 대규모 데이터와 실시간 서빙에 강점, 유사도 기반 추천  
  
#### DeepFM  
  
- **FM 레이어**(2차 피처 상호작용) + **DNN 레이어**(고차원 비선형 피처 통합) 결합  
- 희소 데이터에 강하고, **End-to-End** 학습 구조로 일관된 성능 최적화  
- 사용자 정보, 배너 메타, 임베딩(64차원) 정보를 피처로 사용  
- 임베딩 벡터를 하나의 단일 블록으로 처리해 학습 효율/안정성 확보  
- **CTR 예측 결과**로 배너 순위 산출  
  
#### Two-Tower  
  
- **유저와 배너를 별도 신경망**(타워)에서 임베딩, 유사도 산출 방식  
- 대규모 데이터에 용이한 **확장성**과, 미리 벡터화된 빠른 응답(** 낮은 지연**) 가능  
- 각 타워에 인구통계, 행동로그, 텍스트/이미지 등 다양한 입력정보 활용  
- 학습 분리/병렬 처리 구조로 빠르고 유연하게 대형 추천 문제에 대응  
  
### 현업 적용 시 마주치는 주요 어려움  
  
- 홈 배너는 **생명주기**가 매우 짧아(2~3일, 몇 시간 단위도 있음) 실시간 반영이 필요함  
- 피드백 신호가 주로 **클릭**에 의존해 사용자의 진성 선호를 판별하기 어려움  
- 배너는 상품·브랜드와 달리 정형화된 **메타 데이터**가 부족, 이미지·텍스트 등 맥락 파악이 난해함  
- **스토어별 데이터 불균형**(전문관별 트래픽·활성도 차이)으로 인해 전체 성능 저하 가능성  
- 문제 극복 위해 표현력 강화, 최신성 유지, 불균형 완화라는 세 가지 기술 축을 중심으로 시스템 재설계  
  
### 실질적 개선 방안  
  
#### 배너 특성 강화  
  
- PinSAGE 임베딩 평균 사용의 한계(복합 배너 표현 한계, 신규 배너 추천 불가) 극복 위해 **HGNN** 도입  
- 사용자의 행동 패턴을 기반으로, **그래프 구조**에서 배너-상품 관계를 **GraphSAGE**로 임베딩  
- 텍스트·이미지 정보는 LLM 임베딩 조합 사용  
- 실시간 사용자 임베딩 갱신 및 **Continual Learning** 도입, 최신 유저 관심사 반영  
- CTR **8.3% 상승**  
  
#### Continual Learning  
  
- 전체 데이터 일괄학습에서 벗어나, **지속적 업데이트** 도입(1시간 단위, 최근 3시간 로그)  
- 활동량에 따라 동적으로 학습률 조정(주간 최대 5배, 야간 2배)  
- **빠른 적응**과 **모델 노후화 방지**, 성능 저하 없는 신속한 추천 반영 실현  
- **CTR 24% 상승**  
  
#### 전략적 모델 선택   
- 스토어별 최적 모델링 전략을 확정   
- 메인스토어는 DeepFM+Continual, 전문관은 Two-Tower 개별 모델, **CTR 19% 향상**  
  
### 최종 성과  
  
- 기존 MAB 대비 **Two-Tower 11.2%, DeepFM 16.1%** CTR 향상  
- 무신사 홈은 DeepFM+Continual Learning, 전문관은 Two-Tower 모델을 실전 적용  
  
### 앞으로의 방향  
  
- **실시간 서빙 아키텍처** 전환, **Multi-Task Learning** 도입(CTR+GGMV), **임베딩 품질·그래프 구조 개선**, **성과지표 다각화** 등 고도화 추진  
- 단일 CTR에서 벗어나 **다양한 비즈니스 목표 달성·질적 경험**까지 평가하는 모델로 진화시킬 계획

## Comments



### Comment 39770

- Author: codemasterkimc
- Created: 2025-06-05T10:59:48+09:00
- Points: 1

좋은 글이네요 ~