비용 효율적인 Click-Through Rate Prediction 모델로 하쿠나 라이브 추천시스템 구축하기

이 글은 하이퍼커넥트의 하쿠나 라이브 서비스에 적용된 추천 엔진 구축 경험을 공유합니다. 서비스 초기에는 인기도 기반 추천을 제공했지만, 사용자 참여도 개선을 위해 개인화 추천으로 전환했습니다.

특히 클릭 수를 높이는 데 집중하여 Click-Through Rate (CTR) Prediction Task를 수행했습니다. 추천 모델의 성능 저하 문제인 'staleness problem'을 해결하기 위해 주기적인 모델 재학습 방식을 채택했으며, 이를 위해 하이퍼 파라미터에 민감하지 않거나 자동 튜닝이 가능한 모델을 고려했습니다.

이 과정을 통해 비용 효율적인 추천 시스템을 구축하고 서비스 성장에 기여하는 것을 목표로 합니다.