Pinterest 旨在通过其推荐系统帮助用户发现通往更美好生活的灵感。主页信息流作为关键发现平台，采用多阶段管道进行推荐。此前，优化工作侧重于点击和收藏等参与度指标。然而，参与度与留存率截然不同，仅优化参与度可能导致用户流失。本文介绍了"Pinner Progression"计划，该计划通过理解用户不断演变的需求，将用户留存置于优先地位。其核心理念是将顺序用户理解与持久用例表示相结合。这种方法有助于预判用户行为，并提供能够促进意外发现的推荐。引入的关键信号是用户兴趣簇（User Interest Clusters, UICs），它们代表了用户参与的各类不同用例。可持续增长依赖于建立用户与特定用例之间的长期关系，而不仅仅是短期参与度。分析表明，用例的采用与持续参与度和留存率呈正相关。现代推荐系统擅长理解用户当前的偏好，但在建模这些偏好的生命周期方面存在困难。区分用户处于活跃的“公寓装饰”阶段还是衰退的“酸面团”阶段，对于长期留存至关重要。UIC 表示建立在 PinnerSage 和 OmniSage 等过往工作基础之上，其创新之处在于仅针对已参与的内容进行个性化聚类，从而允许每个用户拥有动态数量的簇。关键的是，每个 UIC 均包含有状态的生命周期元数据，提供时序和行为洞察。这些元数据有助于推断用户兴趣的成熟度，区分转瞬即逝的好奇心与新兴的习惯。UIC 由 OmniSage 嵌入空间中的中心点（medoids）和地标图钉（landmark Pins）定义，其中接近度表示功能效用。信号构建涉及对用户近期参与嵌入进行层次聚类。完全连接算法基于其最不相似对的相似度合并簇，并设定相似度阈值。该过程在剩余任何一对的相似度未超过阈值或达到最大簇数量时停止。系统级集成涉及将 UIC 作为推荐管道检索、排序和混合阶段的共享抽象。这使得系统不同组件能够推理用户兴趣的成熟度。UIC 被外部化到共享特征存储中以提升效率，减少了多次信号获取带来的延迟。未来工作包括扩展 UIC，加入能够保留时序动态的长序列表示。检索是首个集成点，在此阶段，条件学习检索（Conditional Learned Retrieval）利用用户信息和条件生成候选项，以确保语义相关性。