次世代のパーソナライゼーション以上のユーザー・アクションがピンタレストのレコメンデーションを超電荷する

ピンタレストのホームフィードは、ユーザー エンゲージメントと発見のために不可欠であり、ユーザーの関心とパーソナライズされたピン関連性に基づいてピンをランク付けする2段階のプロセスを使用しています。 Pinnability モデルは、ニューラル ネットワークを使用して、さまざまなピン、コンテキスト、およびユーザー信号を消費しますが、生涯のユーザー行動をモデル化するには限界があります。 TransActV2 モデルは、これらの課題に対処するために、長いユーザー シーケンスを活用し、Action Loss 関数を統合し、スケーラブルなデプロイメント ソリューションを採用しています。 TransActV2 は、最大 16,000 のユーザー アクションをモデル化し、明示的なアクション フィーチャーを統合し、アクション ロスレスに int8 量子化を適用します。 モデルは、広いスタック上のマルチ ヘッド、ポイント ワイズ マルチ タスク ネットワークを使用し、Next Action Loss 関数を導入して、ユーザー アクションの予測を強化します。 NAL 関数は、モデルに、エンゲージメントの確率だけでなく、ユーザーが次に行うアクションも予測することを課題としています。 モデルは、オフライン メトリックとオンライン メトリックの両方で、トップ 3 リピン ヒットの 13.31% の増加とリピンの 6.35% の増加を達成します。 モデルの工業規模のエンジニアリングにより、効率的なサーブとデプロイメントが実現され、p99 モデル ラン ラテンシーの 75-81% の低下と、エンド トゥ エンド インフェレンス ラテンシーの 103-338 倍の低下を達成します。 TransActV2 の実世界での影響は大きく、数百万のより意味のあるエンゲージメントとユーザー エクスペリエンスの改善を実現しています。