Pinterest 上的可视化发现
本文介绍了如何利用分布式计算平台如 Amazon Web Services 和开源工具,以及一小团队的努力,构建、发布和维护一个成本效益高、大规模的视觉搜索系统,并通过 Pinterest 平台进行了一系列实验,证明了基于视觉搜索的内容推荐可以提高用户参与度,分享构建商用视觉搜索引擎的实现细节和经验,以期更广泛地将视觉搜索引入商业应用。
May, 2015
该研究以 Pinterest 的 Shop The Look 为例,介绍了建立一个基于视觉搜索的在线购物系统的核心技术、服务基础设施、数据标注方法和用户体验评估,并通过离线评估、人类相关性判断和在线 A/B 实验,实现了多方面的性能提升,包括累积相对增益超过 160% 的人类相关性判断和超过 80% 的用户参与度。
Jun, 2020
该论文描述了 Pinterest 如何使用多任务深度度量学习系统来学习单个统一的图像嵌入,以帮助用户浏览相关内容和搜索精确产品,还讨论了处理来自不同领域的图像的挑战,并通过离线指标、用户研究和在线 A/B 实验的全面评估证明,他们提出的统一嵌入法改进了 Pinterest 的可视化搜索产品的相关性和互动性。
Aug, 2019
本文介绍了我们基于 Elasticsearch 构建的端到端内容基于图像检索系统。我们提出了一种将图像特征向量编码为字符串令牌的新方法,并使用 Elasticsearch 来检索相似图像,性能表现优异。此系统易于部署、分布、扩展和监控,支持视觉和文本信息联合检索。本文对实现 Elasticsearch 平台的一手经验进行了广泛的讨论,对于有兴趣在 Elasticsearch 上构建视觉搜索引擎的从业者应该具有价值。
Jun, 2018
本研究旨在通过端到端的学习,从原始用户行为中进行个性化推荐引擎的革新,通过一种新的密集全行动损失,编码用户的长期兴趣来优化用户嵌入,通过直接学习实时操作序列来捕获用户的短期意图。通过离线和在线实验验证了新模型架构的性能,并解决了在生产中使用混合 CPU/GPU 设置服务这种复杂模型的挑战。
Sep, 2022
这篇长期研究调查了 Pinterest 上关于推荐系统的 Related Pins 在三年的开发过程中从原型到现有状态的演变过程以及在此过程中所遇到的诸多挑战,最终提出了针对建立 Web-scale 推荐系统时所需面临的诸多难题的建议。
Feb, 2017
本文提出了一种新型的 Pinboard 推荐系统,使用 MultiLabel 分类将 Twitter 用户的关注者映射到 Pinboard 主题,并使用视觉多样性方法为用户推荐相关的 Pinboard,该推荐系统在拥有 2000 个用户的数据集上进行了初步实验。
Sep, 2015
本文探讨了 Amazon 新型视觉浏览和发现系统 Stream 中,针对自适应个性化和项目分散方向的拓展。该系统包括三个组件:利用不确定性的贝叶斯回归模型来评分项目的相关性;基于类别重新排名排名得分最高的项目的子模块化分散框架;从用户行为中学习的个性化类别偏好。在现场测试中,我们的算法显示了强烈的点击率和会话持续时间提升。
Oct, 2018
本文介绍了阿里巴巴的大规模视觉搜索算法和系统架构,并探讨了在电商环境下如何处理异构的图像数据,在大数据更新中如何处理大规模索引,如何在无大量人工注释的情况下训练有效的深度模型,以及如何通过考虑内容质量来提高用户参与度,最后将所有阶段应用于一个端到端的系统架构,并展示了实验结果。
Feb, 2021
本文介绍了部署在微软必应中的 Web 规模通用视觉搜索系统,使用分级学习排序框架,基于各种最新深度学习视觉特征,并在分布式异构计算平台上实现,定量和定性实验表明,我们的系统能够支持 Bing 网站和应用程序上的各种应用。
Feb, 2018