카카오에서 유저의 개인별 히스토리를 반영하여 추천 품질을 높이기 위해 진행한 '개인화 랭킹 모델' 개발 과정을 상세히 공유하는 글입니다. 기존에는 성별이나 연령 같은 세그먼트 단위로 동일한 결과를 제공했으나, 유저 개개인의 시청 기록과 실시간 상호작용을 반영하기 위해 딥러닝 기반의 개인화 랭킹 모델로 교체하는 프로젝트를 수행했습니다. 시스템 아키텍처는 피처 파이프라인, 학습 파이프라인, GPU 추론 서버, 서빙 API 서버의 4개 컴포넌트로 구성되며, 실시간 스트리밍과 배치 처리를 결합하여 최신성을 유지합니다. 모델 설계 단계에서는 영상 길이에 따른 편향을 줄이기 위해 RLTW(Root-Log Transformed Watch time)를 적용하였고, 유저의 활동성(Light/Heavy)에 따른 예측력 차이를 보완하기 위해 MoE(Mixture of Experts) 구조를 도입했습니다. 또한, 피처의 중요도를 조절할 수 있는 GDCN(Gated DCN)을 통해 모델 성능을 최적화했습니다. 결과적으로 개인화 랭커 도입 후 유효재생 비율(VTR)이 약 20% 상승하였으며, 추천되는 콘텐츠의 다양성 또한 53.7% 증가하는 성과를 거두었습니다. 특히 활동성이 낮은 콜드 유저에게서도 고른 성능 개선이 나타나 개인화 모델의 강력한 효과를 입증했습니다.