Personnalisation de niveau supérieur : comment 16 000+ actions utilisateur à vie renforcent les suggestions de Pinterest

Le fil d'accueil de Pinterest est crucial pour l'engagement des utilisateurs et la découverte, et il utilise un processus en deux étapes pour classer les épingles en fonction des intérêts des utilisateurs et de la pertinence des épingles personnalisées. Le modèle Pinnability utilise un réseau de neurones pour consommer divers signaux d'épingle, de contexte et d'utilisateur, mais il a des limitations pour modéliser le comportement des utilisateurs tout au long de leur vie. Le modèle TransActV2 répond à ces défis en exploitant de longues séquences, en intégrant une fonction de perte d'action suivante et en employant des solutions de déploiement évolutives. TransActV2 peut modéliser jusqu'à 16 000 actions d'utilisateur, intègre des fonctionnalités d'action explicites et stocke les actions sans perte à l'aide de quantification int8. Le modèle utilise un réseau multi-tête, point-à-point multi-tâche sur une pile large et profonde, et introduit une fonction de perte d'action suivante pour améliorer la prévision des actions d'utilisateur. La fonction NAL challenge le modèle pour prédire non seulement la probabilité d'engagement mais également ce que l'utilisateur fera ensuite. Le modèle obtient des améliorations dans les métriques hors ligne et en ligne, notamment une augmentation de 13,31% du top-3 repin et une augmentation de 6,35% du repin. L'ingénierie à grande échelle du modèle permet une serving et un déploiement efficaces, réalisant une réduction de 75-81% de la latence d'exécution du modèle et une réduction de 103-338x de la latence d'inférence de bout en bout. L'impact réel du monde réel de TransActV2 est massif, avec des millions d'engagements plus significatifs et des améliorations importantes de l'expérience utilisateur.