Pinterest 个性化排名的全流程重新思考方法
介绍了一种新的基于序列模型的用户表示方式 PinnerFormer,使用全动作密集损失模拟未来长期行为,能够显著提高用户保留率和参与度,已在 2021 年秋季投入实际生产。
May, 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
该研究提出了 Pinterest 个性化推荐产品 Homefeed 的排名结构与使用的混合模型 ——TransAct,该模型能够从实时用户活动中提取用户的短期偏好,结合离线生成的用户嵌入向量以提高效率,使用该模型进行的混合排序能够有效优化推荐效果并在相关产品实现部署。
May, 2023
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
本文针对搜索个性化提出一种新的嵌入式方法,利用用户的专业兴趣空间对用户进行嵌入和学习,实现对用户兴趣的表达和搜索个性化,并在商业网页搜索引擎的查询日志实验中,证明本方法的性能比其他强基线模型更好。
Dec, 2016
在个性化推荐系统中,使用嵌入来编码客户行为和物品,并通过近似最近邻搜索在嵌入空间中执行检索。然而,这种方法可能会面临两个挑战:用户嵌入可能限制了所捕捉的兴趣的多样性,而且需要保持它们的实时更新需要代价高昂的基础设施。在本文中,我们提出了一种在实际工业环境中克服这些挑战的方法。该方法动态更新客户配置文件,并每两分钟组合一个推荐列表,使用预计算的嵌入及其相似度。我们在荷兰和比利时最大的电子商务平台之一的 Bol 上测试并部署了这种方法。该方法提升了客户参与和体验,导致转化率显著提高了 4.9%。
Feb, 2024
本研究提出一种增量用户嵌入建模方法,通过使用转换编码器将用户的最近交互历史的嵌入动态集成到累积历史向量中,从而实现个性化用户表示的学习,并成功将其应用于 Reddit 数据集的个性化多类分类任务中,并在评论历史编码和任务建模方面相应地实现 9% 和 30% 的相对提升。
Feb, 2022
使用 Deep Page-level Interest Network (DPIN) 能够很好地建模用户的页级反馈和增加美团外卖平台的收入。
Apr, 2022