Pinterest стремится помочь пользователям находить вдохновение для лучшей жизни с помощью своей рекомендательной системы. Главная лента, ключевая платформа для открытий, использует многоступенчатый конвейер для рекомендаций. Ранее оптимизация была сосредоточена на метриках вовлеченности, таких как клики и сохранения. Однако вовлеченность и удержание — это разные вещи, и оптимизация только по вовлеченности может привести к оттоку пользователей.В этой статье представлена программа Pinner Progression, которая ставит во главу угла удержание пользователей, понимая их меняющиеся потребности. Основная идея заключается в сочетании последовательного понимания пользователя с постоянным представлением сценариев использования. Такой подход помогает предвидеть действия пользователя и предлагать рекомендации, способствующие случайным открытиям. Ключевым сигналом, представленным здесь, являются кластеры интересов пользователей (UICs), которые представляют собой различные сценарии использования, которыми пользуются пользователи.Устойчивый рост зависит от построения долгосрочных отношений с пользователями в рамках конкретных сценариев использования, а не только от краткосрочной вовлеченности. Анализ показывает, что внедрение сценариев использования коррелирует с устойчивой вовлеченностью и удержанием. Современные рекомендательные системы преуспевают в понимании текущих предпочтений пользователя, но испытывают трудности с моделированием жизненного цикла этих предпочтений. Различение активной фазы пользователя "декорирование квартиры" и угасающей фазы "закваска" имеет решающее значение для долгосрочного удержания.Представление UIC основано на предыдущих работах, таких как PinnerSage и OmniSage. Оно отличается персонализацией кластеризации только для вовлеченного контента, что позволяет динамически изменять количество кластеров на пользователя. Важно отметить, что каждый UIC включает в себя метаданные жизненного цикла с сохранением состояния, предоставляя временные и поведенческие сведения. Эти метаданные помогают определить зрелость интереса пользователя, отличая мимолетное любопытство от зарождающихся привычек.UICs определяются меддоидами и знаковыми пинами в пространстве вложений OmniSage, где близость означает функциональную полезность. Построение сигналов включает иерархическую кластеризацию недавних вложений пользователя. Алгоритм полной связи объединяет кластеры на основе сходства их наименее похожих пар с порогом сходства. Этот процесс останавливается, когда ни одна оставшаяся пара не превышает порог или достигнуто максимальное количество кластеров.Системная интеграция включает использование UIC в качестве общего абстрактного представления на этапах поиска, ранжирования и смешивания рекомендательного конвейера. Это позволяет различным компонентам системы рассуждать о зрелости интересов пользователя. UIC выносятся во внешний общий магазин признаков для повышения эффективности, сокращая задержки, связанные с множественными запросами сигналов. Будущая работа включает расширение UIC представлениями длинных последовательностей, сохраняющими временную динамику. Поиск является первой точкой интеграции, где условный обученный поиск генерирует кандидатов, используя информацию о пользователе и условия для обеспечения семантической релевантности.