핀터레스트 홈 피드 멀티 오브젝티브 최적화의 진화
Summary
"저장" 버튼만 쫓다간 유저를 다 잃는다? 핀터레스트가 홈 피드를 구성하는 법
단기 지표와 장기 만족도 사이의 황금 밸런스를 찾는 멀티 오브젝티브 최적화 기술의 모든 것
핀터레스트가 추천 시스템의 최종 레이어에서 어떻게 다양성과 품질을 확보하는지에 대한 기술적 여정을 다룹니다. 고전적인 DPP 모델부터 최신 SSD 알고리즘, 그리고 PinCLIP과 Semantic ID를 활용한 신호 고도화까지의 실무적인 인사이트를 제공합니다.
- 01단기 저장 수와 장기 세션 시간 사이의 트레이드오프를 데이터 기반으로 해결
- 02DPP의 한계를 극복한 효율적인 Sliding Spectrum Decomposition(SSD) 알고리즘 도입
- 03PyTorch 기반 모델 서버로 로직을 이관하여 유연하고 빠른 실험 환경 구축
- 04Soft-Spacing 프레임워크를 통한 유연한 콘텐츠 품질 및 노출 밀도 제어
- 05PinCLIP 및 Semantic ID를 활용하여 시각적·의미론적 중복을 정교하게 방지
RECOMMENDATION
추천 시스템의 리랭킹(Re-ranking) 단계에서 다양성 제고와 비즈니스 지표 간의 충돌을 해결해야 하는 ML 엔지니어 및 백엔드 개발자에게 강력히 추천합니다.
The Problem
홈 피드 추천 시스템에서 단순히 클릭이나 저장 같은 단기적인 사용자 액션(Save)만을 최적화할 경우, 시각적으로 중복된 콘텐츠가 반복되어 사용자의 장기적인 세션 유지 시간과 재방문율이 감소하는 문제가 있었습니다.
The Solution
복잡한 행렬 연산 기반의 DPP(Determinantal Point Process)에서 연산 효율성이 높고 PyTorch 구현이 용이한 SSD(Sliding Spectrum Decomposition) 알고리즘으로 전환하였으며, 여기에 '소프트 스페이싱' 기법과 Semantic ID를 결합하여 콘텐츠의 의미론적 다양성을 확보했습니다.
The Result
DPP 도입을 통해 사용자 체류 시간당 노출(Time spent impression)이 2% 이상 증가하는 성과를 거두었으며, SSD 전환 후 서빙 레이턴시를 대폭 낮추고 PinCLIP 및 Semantic ID 등 풍부한 임베딩 신호를 활용해 피드 구성을 더욱 정교화했습니다.
Trade-off
다양성 최적화 알고리즘은 도입 초기(1일 차)에는 저장 수와 같은 단기 지표를 소폭 하락시킬 수 있으며, 정교한 신호를 반영할수록 임베딩 관리 및 대규모 모델 서빙을 위한 인프라 복잡도가 증가하는 트레이드오프가 존재합니다.
Key Concepts
More from Pinterest
View all posts from Pinterest핀터레스트 홈 피드를 위한 조건부 학습 검색(CLR) 확장하기
Recommendation SystemsLearned RetrievalTransformer3일 전피너의 성장: 핀터레스트의 주간 활성 사용자 증가를 이끄는 유스케이스 표현 개선 사례
Recommendation SystemsClusteringEmbeddings1개월 전대규모 인프라 보안 확보: 핀터레스트의 리소스 프로비저너 파이프라인(RPP) 도입기
TerraformAWSGitHub Actions1개월 전핀터레스트 파운데이션 모델을 위한 선형에 가까운 학습 확장성 달성
Distributed TrainingPyTorchNCCL2개월 전핀터레스트의 차세대 DB 인제스션 프레임워크 내 자동화된 스키마 진화
CDCApache IcebergFlink2개월 전