온라인 플랫폼은 시각적 및 텍스트적으로 유사한 항목으로 인해 사용자 경험 저하를 겪는 경우가 많습니다. MLLMs(Multimodal Large Language Models)는 멀티모달 임베딩을 가능하게 하지만, 기존 방법들은 표현을 블랙박스로 취급하여 구조적 관계(예: 주 요소 vs 보조 요소)를 무시하여 국소적 구조 붕괴 문제를 야기합니다. 이러한 문제를 해결하기 위해, Feature Integration Theory (FIT)에서 영감을 얻어, 세분화된 항목 중복 제거를 위한 최초의 어텐션 기반 화이트 박스 항목 표현 프레임워크인 FITRep을 제안합니다. FITRep은 (1) MLLMs을 사용하여 계층적 의미론적 개념을 추출하는 Concept Hierarchical Information Extraction (CHIE), (2) 효율적인 정보 압축을 위한 적응형 UMAP 기반 방법인 Structure-Preserving Dimensionality Reduction (SPDR), (3) FAISS를 사용하여 각 항목에 고유한 클러스터 ID를 할당하는 FAISS-Based Clustering (FBC)으로 구성됩니다. Meituan의 광고 시스템에 배포된 FITRep은 온라인 A/B 테스트에서 +3.60% CTR 및 +4.25% CPM 증가를 달성하여 효과와 실제 영향력을 입증했습니다.
