Pinterest 旨在理解用户的长期目标，即“旅程”（journeys），这是一系列与特定兴趣和意图相关的交互序列。这超越了仅基于单次点击推荐下一个物品的简单做法。识别这些旅程能够提供更相关的推荐和通知，帮助用户完成项目。最初，Pinterest 采用多阶段流水线通过聚类关键词并附加属性来推断旅程。该遗留系统提升了参与度指标，但存在碎片化、通用分桶以及来自无关点击的偶然噪声等问题。为解决这些问题，Pinterest 将旅程推断重构为生成任务，使用经过微调的 40 亿参数大语言模型（LLM）。该 LLM 直接读取用户的按时间顺序排列的活动日志，并以用户所在地区的语言输出排序后的旅程名称列表。该 LLM 的提示工程至关重要，它定义了操作重要性、事件分组，并处理诸如“不喜欢”等负向信号。前沿模型被用作教师，为微调更小、可投入生产的“学生”模型生成合成训练数据。选择 40 亿参数模型，是因为其在输出质量与服务效率之间取得了良好平衡。在大规模部署这些模型时，采用了诸如 PagedAttention 和连续批处理等复杂优化技术，以高效服务数亿用户。新的生成式系统成功整合了碎片化的旅程，提供了具体的名称，并重新引入了丢失的意图。这种方法为个性化提供了一套通用方案，不仅适用于 Pinterest，也适用于具有顺序用户活动和结构化意图目标的其他平台。