Modul-Relevanz im Startfeed
Pinterest führte Module in den Homefeed ein, um Benutzern mehr Kontext und Möglichkeiten zur Erkundung von Themen anzubieten. Module sind heterogen, mit Variationen in der Benutzeroberfläche und dem Inhalt basierend auf Faktoren wie Themen, Boards und Einkaufsinteressen. Es gibt zwei Arten von Modulen: Landingpage-Module und Karussell-Module. Um die Homefeed-Erlebnis zu optimieren, wurde die Modul-Relevanz-Plattform entwickelt, um Module und Pins dynamisch zu mischen.Die Plattform umfasst mehrere Komponenten, wie Modulermüdung, Modulbewertung und Modulmischung. Die Modulermüdung wurde ursprünglich verwendet, um Module zu verbergen, die Benutzer mehrmals ohne Interaktion gesehen hatten. Dieser Ansatz hatte jedoch Einschränkungen, wie z.B. keine Informationen darüber, wie oder wo ein Modul in einem Feed angezeigt werden sollte, und keine Echtzeit-Reaktion.Um diese Einschränkungen zu adressieren, wurde ein Modulbewertungsmodell entwickelt, um Module untereinander zu bewerten. Das Modell verwendet eine umfassende Merkmalsmenge von Modulen und Benutzern, einschließlich aggregierter Merkmale, Modultitel-Einbettungen und Benutzer-Engagement-Merkmale. Das Modell wird auf Benutzer-Engagement-Daten trainiert und optimiert für Modulaktionen wie Tippen, Klicken und Speichern.Die Modulmischung entscheidet, wie Module und Pins dynamisch gemischt werden, um den Feed zu generieren. Der ursprüngliche Ansatz platzierte geordnete Module in statischen, festen Schlitzen, aber dieser wurde durch einen 'Überspring-Schlit'-Ansatz ersetzt, der Pins und Module basierend auf vorhergesagten Engagement-Werten dynamisch mischt. Der Ansatz verwendet eine Vergleichsfunktion, um zu bestimmen, ob ein Modul einen Pin ersetzen sollte, basierend auf ihren vorhergesagten Engagement-Werten.Die Modul-Relevanz-Plattform wurde in Produktion eingesetzt, und Echtzeit-Überwachungsmetriken wurden entwickelt, um ihre Gesundheit zu überwachen. Zukünftige Pläne umfassen die Iteration der Komponenten, um die Relevanz weiter zu verbessern, indem magnitude-basierte Bewertung und Mischung und Pin-Verdrängung-basierte Mischung verwendet werden.