Introducing CLEPR, Our Model for Semantic Understanding (Criteo)

Author: Paul Coursaux (Criteo) | Source: Medium (Criteo Engineering) | Published: 2026-06-02

한 줄 요약

Criteo가 retail media의 sponsored product 정확성을 위해, 검색 키워드와 상품을 contrastive learning으로 공유 임베딩 공간에 매핑하는 two-tower 모델(CLEPR)을 구축해 의미적 관련성 guardrail로 활용.

retail media 광고는 retailer 사이트에서 organic 결과 옆에 노출 → 엄격한 accuracy 필수(“red dress” 검색에 yellow dress·청바지는 불가). 부정확한 광고는 쇼핑 경험을 훼손하고 retailer 신뢰를 해침
두 가지 관련성: semantic relevance(상품 내용이 쿼리와 매치) + outcome-based relevance(클릭·구매 등 실제 commerce 신호로 입증)
LLM은 강력하나 수십 ms 응답·일 수십억 키워드-상품 쌍 스코어링엔 너무 비싸고 느림 → two-tower(키워드 인코더 + 상품 인코더)로 빠른 유사도 스코어링 + 예측 가능한 비용
학습 데이터 문제: organic 클릭을 직접 수집 못함 → 세션 내 검색-상품 페이지뷰를 시간 근접성으로 stitching해 pseudo organic click 재구성. exclusivity score·최소 볼륨·recency 필터로 노이즈 제거
편향 회피: 클릭 예측 대신 contrastive 목표(매치 쌍을 가까이, 미스매치를 멀리) → 인기 편향 방지(10,000 클릭 쌍도 1회만 카운트). human-labeled 쌍으로 평가
프로덕션 guardrail: 성능 최적화 전에 후보 상품이 최소 관련성 임계를 넘도록 보장. A/B + 단계적 롤아웃

배포 후 CTR +6%, 관련성 이슈 급감
약 20억 상품 재임베딩(콘텐츠 변경 시), 일 100억+ 키워드-상품 쌍 스코어링
agentic recommendation에서 commerce 데이터 fine-tune 시 outcome-based relevancy 60% 개선
학습: Ray 기반 DDP, 멀티 GPU 클러스터. CLIP에서 출발했으나 키워드와 상품 설명의 차이로 부적합