Pinterest는 추천 시스템을 통해 사용자가 더 나은 삶을 위한 영감을 발견하도록 돕는 것을 목표로 합니다. 주요 발견 플랫폼인 홈 피드는 추천을 위해 다단계 파이프라인을 활용합니다. 이전에는 클릭 및 저장과 같은 참여 지표에 최적화가 집중되었습니다. 그러나 참여와 유지는 다르며, 참여만을 최적화하면 사용자 이탈로 이어질 수 있습니다.이 게시물은 사용자의 변화하는 요구를 이해함으로써 사용자 유지에 우선순위를 두는 프로그램인 Pinner Progression을 소개합니다. 핵심 아이디어는 순차적인 사용자 이해와 지속적인 사용 사례 표현을 결합하는 것입니다. 이 접근 방식은 사용자 행동을 예측하고 우연한 발견을 촉진하는 추천을 제공하는 데 도움이 됩니다. 도입된 핵심 신호는 사용자가 참여하는 뚜렷한 사용 사례를 나타내는 User Interest Clusters(UICs)입니다.지속 가능한 성장은 단기적인 참여뿐만 아니라 특정 사용 사례와의 지속적인 사용자 관계 구축에 달려 있습니다. 분석에 따르면 사용 사례 채택은 지속적인 참여 및 유지와 상관관계가 있습니다. 현대 추천 시스템은 현재 사용자 선호도를 이해하는 데 뛰어나지만 이러한 선호도의 수명 주기를 모델링하는 데 어려움을 겪습니다. 사용자의 활성 "아파트 장식" 단계와 쇠퇴하는 "사워도우" 단계를 구별하는 것은 장기적인 유지에 중요합니다.UIC 표현은 PinnerSage 및 OmniSage와 같은 과거 작업 위에 구축됩니다. 참여 콘텐츠에만 클러스터를 개인화하여 사용자당 동적 클러스터 수를 허용함으로써 혁신합니다. 중요하게도 각 UIC에는 상태 저장 수명 주기 메타데이터가 포함되어 시간적 및 행동적 통찰력을 제공합니다. 이 메타데이터는 사용자의 관심 성숙도를 추론하는 데 도움이 되며, 덧없는 호기심과 새로운 습관을 구별합니다.UICs는 OmniSage 임베딩 공간 내의 메도이드 및 랜드마크 핀으로 정의되며, 여기서 가까움은 기능적 유용성을 의미합니다. 신호 구성은 사용자의 최근 참여 임베딩의 계층적 클러스터링을 포함합니다. 완전 연결 알고리즘은 가장 유사하지 않은 쌍의 유사성을 기반으로 클러스터를 병합하며, 유사성 임계값이 있습니다. 이 프로세스는 더 이상 남은 쌍이 임계값을 초과하지 않거나 최대 클러스터 수에 도달할 때까지 중지됩니다.시스템 수준 통합은 검색, 순위 및 블렌딩 단계의 추천 파이프라인 전반에 걸쳐 공유 추상화로 UIC를 사용하는 것을 포함합니다. 이를 통해 다양한 시스템 구성 요소가 사용자 관심의 성숙도를 추론할 수 있습니다. UIC는 효율성을 위해 공유 기능 저장소로 외부화되어 여러 신호 검색과 관련된 지연 시간을 줄입니다. 향후 작업에는 시간적 역학을 보존하는 장기 시퀀스 표현으로 UIC를 확장하는 것이 포함됩니다. 검색은 첫 번째 통합 지점으로, Conditional Learned Retrieval은 의미론적 관련성을 보장하기 위해 사용자 정보와 조건을 사용하여 후보를 생성합니다.