[2-stage 의사결정]
-
단계적 상품 추천 후보군 도출함으로 여러 특징들을 고려한 추천을 할 수 있음
-
실시간 재고 현황을 즉각적으로 고려해 추천 컬리백 구성을 다르게 할 수 있는 유연함
-
폐기율은 더욱 낮추고, 고객의 구매 패턴 기반의 컬리백을 구성해 한번에 구매 할 수 있는 편리성 제공
(step1) 고객의 구매 이력을 바탕으로 관심 상품에 한해, 물류 재고 현황을 고려한 우선 추천 가능
(step2) 후보 생성 모델에서 생성된 후보 상품군들에서 확률이 높은 순서대로 나머지 컬리백 구성
유튜브 추천 모델 활용 [Deep Neural Networks for YouTube Recommandation]
dataset: https://www.kaggle.com/c/instacart-market-basket-analysis/data, from kaggle
-
구글 딥 러닝 인공지능 알고리즘과 심층 신경망 (Deep neural network, DNN) 모델 사용
-
기존 후보 생성 모델에서 input feature로 동영상 시청 시간, 검색 토큰 등을 임베딩하여 모델을 구성했지만, 이커머스 상품 추천이라는 도메인에 맞추어 구매 상품들, 구매 시각, 구매 일자를 embeded vector로 input feature로 사용함
-
출력층에 softmax 함수를 적용해 각 상품의 다음에 구매할 확률을 출력함
-
폐기 임박 상품에서 컬리백 요청을 받는 시점에 소진된 상품을 제외시키고 업데이트
-
폐기 임박 상품이 이전 구매 이력과 후보군에 포함된 상품이면 우선적으로 컬리백 구성됨
-
24시간 마다, 폐기 시점 임박한 상품들 목록 업데이트,
-
매 5분마다 소진된 상품들 목록 업데이트 -> 폐기 임박한 상품들에서 제외
- 매번 모든 폐기 임박 상품 데이터를 받지 않고 소진된 상품만 5분 주기로 업데이트 되므로 데이터 처리의 효율성 상승, 서비스 과부하 방지
