메타의 계층적 관심사 표현 기술을 활용한 광고 최적화

주장메타는 광고 생태계 내 사용자 관심사와 광고주 제품 간의 연결을 최적화하고자 계층적 관심사 표현 기술을 연구합니다. 이 기술은 업스트림 표현 계층을 활용하여 사용자 행동과 광고 콘텐츠를 통합적인 임베딩으로 변환합니다.

팩트메타가 도입한 새로운 시스템은 트랜스포머 기반의 그래프 학습 모델을 사용합니다. 해당 모델은 편향 인식 어텐션과 자기지도 교차 뷰 증류 기법을 적용했습니다. 모델은 수십억 건의 실제 광고 상호작용 데이터를 기반으로 엔드 투 엔드 학습을 거쳤습니다.

팩트이 기술은 메타의 생성형 광고 모델인 젬(GEM), 안드로메다, 적응형 랭킹 모델 등 기존 추천 생태계 전반에 적용됩니다. 메타는 이를 통해 딥 퍼널 최적화 성능을 향상하고 광고 관련성을 높입니다.

교차검증광고 네트워크는 매달 수십억 명의 사용자에게 수백만 개의 광고를 노출합니다. 그러나 딥 퍼널 단계의 사용자 피드백은 상대적으로 희소하다는 한계가 존재합니다. 이러한 데이터 희소성 문제는 모델 정확도를 떨어뜨리는 주요 원인입니다.

팩트계층적 관심사 표현 기술은 텍스트, 이미지, 비디오 등 멀티모달 콘텐츠를 거대언어모델로 처리합니다. 시스템은 실제 세계의 지식을 광고 데이터에 결합하여 이전에 본 적 없는 희귀 광고 엔티티에 대해서도 일반화된 추론을 수행합니다.

주장시스템은 원시 그래프 데이터를 학습 가능한 잠재 관심사 원시 요소로 투영하여 차원을 축소합니다. 이를 통해 희소한 사용자-광고 연결을 의미 있는 밀도 높은 그래프로 변환하여 데이터 안정성을 확보합니다.

팩트계층적 관심사 표현은 사용자, 광고주, 제품 간의 관계를 단일 메트릭 공간 내에서 통합적으로 표현합니다. 시스템은 임베딩 연산을 통해 사용자 근접도와 광고 간 유사성을 계산하여 정교한 타겟팅을 지원합니다.

교차검증대규모 그래프 네트워크에서 장거리 관계를 포착하는 작업은 계산 비용이 높습니다. 하드웨어 성능이 향상되더라도 모델 정확도를 유지하기 위해서는 메모리 효율적인 어텐션 커널 설계가 필수적입니다.

주장다중 계층적 세분화는 거친 수준의 추상화와 세밀한 수준의 추상화를 동시에 제공하여 유연성을 확보합니다. 이는 랭킹 모델링, 개인화, 검색 등 다양한 광고 스택 응용 프로그램에 맞춤형 정보를 제공합니다.

출처메타 엔지니어링 블로그(https://engineering.fb.com/2026/07/15/ai-research/exploring-hierarchical-interest-representation-for-meta-ads-deep-funnel-optimization/)를 통해 해당 기술의 상세 내용을 교차 검증했습니다.