추천 시스템 설계 구성안 (Tmall)

 

 

1 . 상품 상세 페이지 연관 상품 추천 모델 구성안

 

 

(1)  recall stage  → (2)  sort rank stage  → (3) filter stage →  (4)  Re-rank stage (온라인 모델 )

 

단계(1) recall stage(2) sort rank stage (3) filter stage (4)Re-rank stage

정의	고객별로 추천 풀 선정	recall stage 내 상품 랭킹 산정	필터 적용하여 최종 추천 상품 산출	실시간 랭킹 재산정
참고	Recall Stage	Tmall 프레임워크	Filter Stage	-
적용 가능한 방법론	graph embedding ,리타겟팅 , crowd based filtering	a-ruels  ,DeepFM , DCN	Rule based 로직  (개인화된 고객 구매 카테고리 필터링)	실시간 로그 기반 필터링

 

2.   상세 계획

• 연관상품 구성 - 같이 구매 기반, 중분류 내 상품 기반 
• 고객 ID별, 상품별, 추천 연관 상품 구조 설계

 

제목내용

1	shopify 상세페이지 추천	Shopify 추천시스템 설계 사례
2	TMALL 추천시스템 설계	TMALL 의 추천시스템 설계 사례
3	네이버 쇼핑 추천 AIitems	상품 추천 알고리즘 사례 (네이버, 당근마켓)
4.	DeepFm	상품, 고객데이터를 통해 CTR을 판단하는 모델

(2) 리콜 스테이지 구성 데이터 검토  2022. 9. 21 ~

 모델의 Recall stage 를 참조하여 상품 상세 페이지 내 추천 상품이라는 관점에서 변경이 필요한 사항이 있는지 검토

•  상품사이드와 고객사이드  recall stage를 각각 따로 구성하여 다음단계에서 같이 고려하는 형태
  • 특정 상품 클릭 후 관련한 연관 상품을 추천해주는 개념으로 1차적으로는 상품간의 연관성을 고려하고 이후에 개인화된 상품 추천   
    상품 단위고객 단위

    1	상품간의 연관 상품	고객 id별 연관상품
    2	인기상품	최근 구매상품
    3	신상품 리스트	~
    4	~	~

 

(3) 정렬 스테이지 내의 적용 가능한 추천 방법론 검토

Content-based Filtering/Collaborative Filtering 등 기본적인 알고리즘으로 랭킹 스테이지 구현 목표

 

(4) 최종 상세 페이지 연관 상품 추천 기준 정리   

ex 1) 고객별이 아닌 상품만을 고려한 연관 상품 추천

   모든 고객이 상품 별로 같은 연관 상품 추천 

연관 상품

상품1	prdt1 ,prdt3,prdt4,prdt5
상품2	prdt2,prdt4,prdt7,prdt8

 

ex2) 고객별 상품 연관 상품 추천

  고객별 상품별로 같은 연관 상품 추천

연관 상품

고객1	상품1	prdt1,prdt2,prdt3
	상품2	prdt4,prdt5,prdt3
고객2	상품3	prdt1,prdt2,prdt3
	상품4	prdt1,prdt2,prdt3
고객3	상품5	prdt1,prdt2,prdt3
	상품6	prdt1,prdt2,prdt3

 

ex3) 고객별 클러스터 후 연관 상품 추천

   고객별로 군집을 나눈 후 상품별로 연관 상품 추천

연관 상품

고객 클러스터1	상품1	prdt1,prdt2,prdt3
	상품2	prdt8,prdt9,prdt1
고객 클러스터2	상품3	prdt2,prdt4,prdt5
	상품4	prdt1,prdt3,prdt6
고객 클러스터3	상품5	prdt3,prdt5,prdt8
	상품6	prdt1,prdt3,prdt9

 

3 .정리

추천 시스템 프레임 워크

(1) 리콜 모듈, (2) 정렬 모듈, (3) 메커니즘 모듈로 구성되어 있으며 

그래프 임베딩, 트랜스 포머 , 딥러닝 , 지식 그래프 등의 알고리즘을 사용

 

(1) 리콜 모듈모든 상품에서 사용자가 관심을 가질 수 있는 상위 k개 후보 제품을 검색ex) ranki2i , graph embedding , mind , retargeting ,crowd-based-filtering

 

(2) 정렬 모듈

상품의 클릭률(CTR) 평가에 중점을 두고 정렬

• User profile features: indicate users' basic features, such as the gender, age, city, and purchasing power.
• Item features: indicate product features, such as the product ID, category ID, store ID, and tag.
• Context features: indicate contextual features, such as the matching type, location, and page number.
• Cross features: indicate crossing features, such as the intersection of the user and product features.
• Sequence item features: indicate users' behavioral features for products, such as the list of clicked products, list of clicked categories, and positional biases.

 

모델 정렬

• 행동 시퀀스 변환기 (BST) 모델

(3) 메커니즘 모듈

• Template-Based Exposure Filtering in Real Time
• Personalized User Purchase Category Filtering

 

모든 트래픽을 제어 , 사용자의 경험을 최적화, 시스템 알고리즘 전략을 조정 , 상품을 분류하는 모듈

 

reference

-> https://www.alibabacloud.com/blog/how-does-the-recommendation-system-work-on-tmall_595335