Pinterestは、レコメンデーションシステムを通じて、ユーザーがより良い生活のためのインスピレーションを発見できるよう支援することを目指しています。主要な発見プラットフォームであるホームフィードは、レコメンデーションのためにマルチステージパイプラインを利用しています。以前は、最適化はクリックや保存といったエンゲージメント指標に焦点を当てていました。しかし、エンゲージメントとリテンションは異なり、エンゲージメントのみを最適化するとユーザーの離脱につながる可能性があります。この記事では、ユーザーの進化するニーズを理解することで、ユーザーリテンションを優先するプログラムであるPinner Progressionを紹介します。その中心的な考え方は、シーケンシャルなユーザー理解と永続的なユースケース表現を組み合わせることです。このアプローチは、ユーザーのアクションを予測し、セレンディピタスな発見を促進するレコメンデーションを提供するのに役立ちます。導入された重要なシグナルは、ユーザーが関与する distinct なユースケースを表すUser Interest Clusters（UICs）です。持続的な成長は、短期的なエンゲージメントだけでなく、特定のユースケースとの永続的なユーザー関係を構築することにかかっています。分析によると、ユースケースの採用は、持続的なエンゲージメントとリテンションと相関しています。現代のレコメンデーションシステムは、現在のユーザーの好みを理解することに優れていますが、これらの好みのライフサイクルをモデル化することに苦労しています。ユーザーの活発な「アパートの装飾」フェーズと衰退しつつある「サワードウ」フェーズを区別することは、長期的なリテンションにとって重要です。UIC表現は、PinnerSageやOmniSageといった過去の研究に基づいています。これは、エンゲージされたコンテンツのみにクラスタリングをパーソナライズすることで革新し、ユーザーごとに動的なクラスタ数を可能にします。重要なことに、各UICにはステートフルなライフサイクルメタデータが含まれており、時間的および行動的な洞察を提供します。このメタデータは、ユーザーの興味の成熟度を推測するのに役立ち、一時的な好奇心と新たな習慣を区別します。UICsは、OmniSage埋め込み空間内のメドイドとランドマークピンによって定義され、近さは機能的な有用性を意味します。シグナル構築には、ユーザーの最近のエンゲージメント埋め込みの階層的クラスタリングが含まれます。完全リンケージアルゴリズムは、最も類似性の低いペアの類似性に基づいてクラスタをマージし、類似性しきい値を使用します。このプロセスは、残りのペアがいずれもしきい値を超えるか、最大クラスタ数に達すると停止します。システムレベルの統合には、レコメンデーションパイプラインの取得、ランキング、ブレンディングの各ステージで共有抽象化としてUICsを使用することが含まれます。これにより、さまざまなシステムコンポーネントがユーザーの興味の成熟度について推論できます。UICsは、効率のために共有特徴量ストアに外部化され、複数のシグナルフェッチに関連する遅延を削減します。将来の作業には、時間的ダイナミクスを保持するロングシーケンス表現でUICsを拡張することが含まれます。 取得は最初の統合ポイントであり、Conditional Learned Retrievalは、意味的な関連性を確保するために、ユーザー情報と条件を使用して候補を生成します。