딥러닝 기반 광고 전환율 예측의 혁신: 심층 계층적 앙상블 네트워크의 실제 적용

본 논문은 광고 전환율 예측을 위한 심층 계층적 앙상블 네트워크(DHEN)의 실제 적용에 대한 연구 결과를 제시합니다. 다양한 특징 교차 모듈과 데이터 활용 전략을 통해 기존 방식보다 우수한 성능을 달성하였으며, 실제 데이터 과학적 관점에서 중요한 시사점을 제공합니다.

클릭률(CTR)과 전환율(CVR) 예측은 광고 추천 시스템의 성공에 매우 중요한 역할을 합니다. 최근, Zhuag 등의 연구진은 다양한 특징 교차 모듈을 통합한 심층 계층적 앙상블 네트워크(DHEN)를 제안하여 CTR 예측 분야에서 큰 성공을 거두었습니다. 하지만, 오프사이트 행동(구매, 장바구니 추가, 회원 가입 등)을 포함하는 전환 광고 환경에서의 CVR 예측 성능은 아직 명확하지 않았습니다.

이 연구는 이러한 문제에 대한 해결책을 제시합니다. 연구진은 DHEN을 기반으로 여러 가지 도전 과제를 극복했습니다. 먼저, 어떤 특징 교차 모듈(MLP, DCN, Transformer 등)을 DHEN에 포함해야 효율적인지, DHEN의 깊이와 너비를 어떻게 조정해야 효율성과 효과성 사이에서 최적의 균형을 이룰 수 있는지, 각 특징 교차 모듈에서 어떤 하이퍼파라미터를 선택해야 하는지 등의 문제를 다루었습니다.

더 나아가, 모델 아키텍처와는 별개로, 개인 맞춤형 입력 특징 또한 모델 성능에 상당한 영향을 미친다는 점에 주목했습니다. 연구진은 이러한 문제에 대한 해결책으로 다음과 같은 기여를 제시합니다.

• 다중 작업 학습 프레임워크: DHEN을 단일 백본 모델 아키텍처로 사용하여 모든 CVR 작업을 예측하는 프레임워크를 제안했습니다. 이를 통해 DHEN의 실제 적용 효율성을 높이는 방법에 대한 자세한 연구를 진행했습니다.
• 온사이트 및 오프사이트 데이터 통합: 온사이트 실시간 사용자 행동 시퀀스와 오프사이트 전환 이벤트 시퀀스를 모두 CVR 예측에 활용하고, 이러한 데이터의 중요성에 대한 실험적 분석을 수행했습니다.
• 자기 지도 학습 보조 손실 함수: 입력 시퀀스에서 미래 행동을 예측하는 자기 지도 학습 보조 손실 함수를 제안하여 CVR 예측에서의 레이블 부족 문제를 해결했습니다.

결과적으로, 이 연구는 사전 훈련된 개인 맞춤형 특징을 사용하는 이전의 단일 특징 교차 모듈에 비해 최첨단 성능을 달성했습니다. 이 연구는 실제 데이터 과학적 관점에서 DHEN의 효과적인 활용 방법을 제시함으로써 광고 추천 시스템의 정확성 향상에 크게 기여할 것으로 기대됩니다. 향후 연구에서는 더욱 다양한 특징 교차 모듈과 개인화 전략을 탐색하여 DHEN의 성능을 더욱 개선할 수 있을 것입니다.