딥러닝 기반 광고 전환율 예측의 혁신: 심층 계층적 앙상블 네트워크(DHEN)의 실전 활용

본 논문은 광고 전환율 예측을 위한 심층 계층적 앙상블 네트워크(DHEN)의 실제 적용 및 개선 방안을 제시합니다. 멀티태스크 학습, 온·오프사이트 데이터 통합, 자기 지도 학습 등의 기법을 통해 기존 모델의 성능을 뛰어넘는 결과를 달성하였습니다.

최근 발표된 논문 "On the Practice of Deep Hierarchical Ensemble Network for Ad Conversion Rate Prediction"은 광고 추천 시스템의 핵심인 클릭률(CTR)과 전환율(CVR) 예측에 혁신적인 접근 방식을 제시합니다. 특히, 여러 기능 교차 모듈을 통합한 심층 계층적 앙상블 네트워크(DHEN)를 중심으로, 전환율 예측의 실제 적용에 초점을 맞추고 있습니다.

DHEN의 실제 적용: 과제와 솔루션

기존 DHEN은 CTR 예측에서 큰 성공을 거두었지만, 사용자의 오프사이트 행동(구매, 장바구니 추가, 회원 가입 등)을 예측하는 전환 광고 환경에서는 성능이 불확실했습니다. 연구팀은 DHEN의 효율성과 효과의 균형을 맞추기 위한 세 가지 핵심 과제를 제시합니다.

1. 어떤 기능 교차 모듈을 포함해야 할까요? (MLP, DCN, Transformer 등)
2. DHEN의 최적 깊이와 너비는 무엇일까요?
3. 각 기능 교차 모듈의 최적 하이퍼파라미터는 무엇일까요?

이러한 과제에 대한 해결책으로, 연구팀은 다음과 같은 혁신적인 기여를 제시합니다.

• 멀티태스크 학습 프레임워크: 모든 CVR 작업을 예측하기 위해 DHEN을 단일 백본 모델 아키텍처로 활용하는 멀티태스크 학습 프레임워크를 제안했습니다. 이는 DHEN을 실제 환경에서 효과적으로 활용하는 방법에 대한 심층적인 연구 결과를 바탕으로 합니다.
• 온사이트 및 오프사이트 데이터 통합: 실시간 온사이트 사용자 행동 시퀀스와 오프사이트 전환 이벤트 시퀀스를 모두 활용하여 CVR 예측 성능을 향상시켰습니다. 이는 해당 데이터의 중요성에 대한 정밀한 분석 연구(ablation study)를 통해 입증되었습니다.
• 자기 지도 학습 보조 손실 함수: 입력 시퀀스에서 미래 행동을 예측하는 자기 지도 학습 보조 손실 함수를 제안하여 CVR 예측에서의 레이블 부족 문제를 해결했습니다.

괄목할 만한 성과

결과적으로, 본 연구의 방법론은 사전 학습된 사용자 개인화 기능을 갖춘 이전의 단일 기능 교차 모듈에 비해 최첨단 성능을 달성했습니다. 이는 광고 전환율 예측 분야에 혁신적인 발전을 가져올 것으로 기대됩니다. 특히, 멀티태스크 학습과 자기 지도 학습의 효과적인 활용은 향후 다양한 머신러닝 응용 분야에도 시사하는 바가 큽니다.