카카오, GDCN과 MoE 기반 개인화 랭킹 모델로 유효재생률 20% 개선

카카오는 기존 세그먼트 기반 추천의 한계를 극복하기 위해 **GDCN(Gated DCN)**과 **MoE(Mixture of Experts)**를 결합한 딥러닝 기반 개인화 랭킹 모델을 개발했다. 이 모델은 시청 시간 편향을 완화하는 RLTW 라벨링과 유저 활동성에 따른 전문가 분기 구조를 통해 신규부터 헤비 유저까지 전 구간에서 성능을 향상시켰다.

아키텍처와 모델 설계

시스템은 피처 파이프라인, 학습 파이프라인, GPU 추론 서버, 서빙 API 서버로 구성된다. 추론 시 변경된 유저/아이템만 증분 서빙하여 쓰기 부하를 최소화하며, 300개 후보에 대해 점수를 산출한다. 모델은 DCNv2의 한계를 보완하기 위해 GDCN으로 진화했으며, **Low-rank 교차 상호작용(rank=32)**에 Information Gate를 적용해 피처 반영 비중을 선별한다. 또한 Single-gate 3-Experts MoE 구조를 통해 라이트 유저와 헤비 유저의 예측력을 각각 최적화한다.

성능 개선 및 운영 결과

오프라인 실험에서 GDCN+MoE 모델은 평균 시청 시간 +35.0%, 시청 비율 +6.5% 개선을 기록했다. 후보 개수를 900개까지 늘려도 VTR 개선 폭이 +0.9%p에 그쳐 지연 시간 비용 대비 효율이 낮다고 판단, 최종적으로 300개 후보로 운영을 결정했다. 실제 배포 후 유효재생 UV 지표는 계단식으로 상승하여 +10%p(상대적 +20%) 증가했으며, 추천 다양성도 +53.7% 확대되었다.