Personalisierung auf einem neuen Level: Wie über 16.000 Aktionen von Nutzern im Laufe ihres Lebens Pinterests Empfehlungen antreiben

Der Startbildschirm von Pinterest entscheidend für die Benutzerbeteiligung und -entdeckung und verwendet einen zweistufigen Prozess, um Pins basierend auf den Interessen der Benutzer und der personalisierten Pin-Relevanz zu bewerten. Das Pinnability-Modell verwendet ein neuronales Netzwerk, um verschiedene Pin-, Kontext- und Benutzersignale zu verarbeiten, aber es hat Einschränkungen bei der Modellierung lebenslanger Benutzeraktivitäten. Das TransActV2-Modell adressiert diese Herausforderungen, indem es lange Benutzersequenzen nutzt, eine Next-Action-Verlustfunktion integriert und skalierbare Bereitstellungslösungen einsetzt. TransActV2 kann bis zu 16.000 Benutzeraktionen modellieren, integriert explizite Aktionseigenschaften und speichert Aktionen verlustfrei mit int8-Quantisierung. Das Modell verwendet ein multi-headed, punktweises Multi-Task-Netzwerk über einen breiten und tiefen Stapel und führt eine Next-Action-Verlustfunktion ein, um die Benutzeraktionen vorherzusagen. Die NAL-Funktion fordert das Modell auf, nicht nur die Wahrscheinlichkeit der Beteiligung vorherzusagen, sondern auch, was der Benutzer als nächstes tun wird. Das Modell erzielt signifikante Verbesserungen bei Offline- und Online-Metriken, einschließlich einer 13,31%igen Erhöhung der Top-3-Repinn-Trefferquote und einer 6,35%igen Erhöhung der Repinn-Rate. Die industrielle Ingenieurleistung des Modells ermöglicht effizientes Servieren und Bereitstellen, wodurch eine 75-81%ige Reduzierung der p99-Modell-Laufzeit und eine 103-338-fache Reduzierung der End-to-End-Schlussfolgerungszeit erreicht wird. Der reale Welt-Einfluss von TransActV2 ist massiv, mit Millionen mehr sinnvollen Interaktionen und signifikanten Verbesserungen der Benutzererfahrung.