Le système de recommandation de flux d'accueil de Pinterest a adopté une conception à plusieurs étapes, et a atteint un jalon important avec une couche de pré-classement sophistiquée qui a amélioré les métriques commerciales. La conception initiale avait des limitations, notamment les efforts de déploiement, les défis de ré-entraînement automatique des modèles et une architecture à deux tours qui ne pouvait pas apprendre les interactions entre les éléments de manière efficace. L'équipe a apporté des améliorations fondamentales pour moderniser la couche de pré-classement, notamment une nouvelle conception de système, un pipeline de journalisation et une architecture de service. La nouvelle conception comprend un sous-composant de niveau de requête et un sous-composant de niveau d'élément qui sont entraînés conjointement et découplés pendant le service. L'équipe a également mis en place un pipeline de journalisation de funnel précoce pour distinguer le pré-classement du classement et pour apporter des données non biaisées dans l'entraînement de l'architecture comprend une architecture racine-feuille pour atténuer les surcoûts de CPU et de mémoire. L'équipe a également adopté la distillation de modèle pour mieux aligner le modèle de pré-classement avec le classeur L2. Les expériences en ligne ont montré des gains significatifs d'engagement, et l'équipe a également travaillé sur la mise en place d'un framework de ré-entraînement pour exploiter les données d'engagement fraîches. L'équipe continue de travailler sur les innovations de modèle, la sélection de données, l'amélioration de l'architecture de modèle, l'exploration des pertes et l'optimisation du service.