Feb, 2017

Pinterest 上的相关 Pin：现实世界推荐系统的演化

PDF
TL;DR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。
发现论文，激发创造
  • Pinterest 个性化排名的全流程重新思考方法

    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

  • Pixie: 实时向 2 亿用户推荐超过 30 亿个物品的系统

    Pixie 是一种可扩展的基于图形的实时推荐系统，利用 Pinterest 的 3 亿节点和 17 亿边的对象图开发了 Pixie 随机行走算法，能够从数十亿个可能的图钉中实时选择与查询最相关的。实验表明，Pixie 提供的推荐与先前的基于 Hadoop 的生产系统相比，用户参与度高达 50%。此外，我们开发了一种图形修剪策略，又提高了 58% 的推荐准确率。今天，由 Pixie 支持的系统占 Pinterest 所有用户参与活动的 80% 以上。

    Nov, 2017

  • 推特用户的 Pinterest 画板推荐

    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

  • 推荐系统简介

    本文综述了个性化推荐及推荐系统的经典算法，评估方式，以及最近研究的方向：基于会话的推荐、推荐系统中的偏差问题以及实际应用的影响和价值。

    Feb, 2023

  • PinnerSage: Pinterest 多模态用户嵌入式框架推荐

    本文介绍了一种名为 PinnerSage 的个性化推荐系统，其中通过聚类用户的行为并对其进行代表性汇总，使用多模态嵌入为每个用户表示提供了丰富的表示，从而提供了高质量的个性化建议。作者通过离线和在线 A/B 实验表明，与单个 embedding 方法相比，PinnerSage 方法显著优越。

    Jul, 2020

  • 大规模推荐系统的个性化兴趣探索

    该研究提出了一种适用于大规模推荐系统的探索框架，通过探索用户利益与行为，缓解推荐流程中普遍存在的 “热门内容” 问题，提高探索视频推荐中的优化率。

    Apr, 2023

  • 模拟新闻推荐生态系统以求利益和乐趣

    本文提出了一种模拟平台 SimuLine，对新闻推荐生态系统的进化过程和基本机制进行了详细的分析，并从产品生命周期理论的角度，探讨了推荐系统设计策略（包括冷启动新闻、突发新闻和推荐）对进化过程的影响，为设计更有效的新闻推荐系统提供了新思路。

    May, 2023

  • Pinterest 的视觉搜索

    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

  • 推动基线推荐系统的极限：结合意见挖掘和信息检索技术的综述

    本文综述了混合推荐系统的新模型与架构，并识别了每种模型的优缺点及其具体应用场景。

    May, 2022

  • 多利益相关者推荐研究方向

    本文介绍了多利益相关方推荐的概念及其在推荐系统领域的设计及研究问题，并强调了公平、平衡、盈利能力和互惠性等不同指标对于评估推荐系统的重要性。

    May, 2019