무신사, 통합임베딩으로 개인화 푸시 CTR 21.3% 상승

무신사 Core-E Personalization 팀이 모든 모델과 의사결정이 공유하는 유저 표현층인 **Layer 0(통합임베딩)**을 구축하고, 이를 개인화 푸시에 적용해 CTR 21.3% 상승을 달성했다.

기존에는 추천, 푸시, 쿠폰 등 서비스별로 전용 모델을 운영하며 같은 유저를 반복 학습하는 구조적 비효율과 학습 사일로 문제가 존재했다. 이를 해결하기 위해 유저, 상품, 브랜드, 카테고리를 하나의 공통 공간에서 통합 학습하는 방식을 채택했다.

지식 그래프 기반 통합임베딩 설계

무신사는 데이터의 연결 구조를 반영하기 위해 **지식 그래프(Knowledge Graph)**와 TransE 모델을 활용했다. 엔티티와 릴레이션을 벡터로 표현하여 클릭, 좋아요, 구매 등 다양한 행동을 하나의 공간에서 통합 학습한다.

• 학습 규모: 128차원 임베딩 공간, 12종 엔티티, 23종 릴레이션, 약 1억 5천만 건의 엣지 학습
• 데이터 클렌징: 유의미한 반응이 없는 유저와 상품을 제외해 그래프의 정보 밀도를 높임

적용 효과 및 검증

통합임베딩은 개별 서비스 전용 모델이 아닌 공통 자산으로 기능한다. 카테고리 선호도 모델에 적용했을 때 CVR이 최대 7.8% 개선되는 등 기존 모델 구조를 유지한 채 유저 표현 방식만 변경해도 성능이 향상됨을 확인했다.