# Pinterest findet Pins mit PinGER und weniger Eingabetokens

> Ein in einem arXiv-Paper vorgestelltes neues Empfehlungssystem nutzt kompakte Verlaufsdaten und kontrollierte Generierung. Pinterest zufolge werden dadurch mehr Pins in „Ähnliche Pins“ gespeichert.

Oossa · 2026-10-27 · https://oossa.com/de/pinterest-s-pinger-retrieves-pins-with-fewer-input-tokens

Ein Forschungsteam hat PinGER vorgestellt, ein System, das Pinterest für Empfehlungen in der Funktion „Ähnliche Pins“ einsetzt. Es ersetzt die Suche nach den ähnlichsten Treffern durch generative Suche: Statt nach einer möglichst passenden Darstellung eines Elements zu suchen, erzeugt ein Modell dessen semantische ID – eine Tokenfolge, die es identifiziert.

Das Paper befasst sich mit einem Zielkonflikt früherer Systeme. Sie verwenden mehrere Tokens, um jedes Element im Aktivitätsverlauf einer Person darzustellen. Bei einem begrenzten Kontextfenster – also der Menge an Eingaben, die ein Modell auf einmal berücksichtigen kann – passen dadurch weniger Elemente hinein, als wenn jedes durch ein einzelnes Embedding repräsentiert würde. Laut den Autoren behält PinGER semantische IDs für generierte Ergebnisse bei und macht gleichzeitig die Eingabeverläufe kompakter.

## Wie hält PinGER die Verläufe kompakt?

PinGER verschränkt Tokens der semantischen ID mit dichten Tokens, die ein Element kompakt darstellen. Seine Aufmerksamkeitsmaske sorgt dafür, dass spätere Elemente nur auf die dichten Tokens zugreifen können. Den Autoren zufolge kann das Modell so beim Training von jeder Position der semantischen ID lernen, bei der Inferenz aber nur ein Token pro Element verwenden und dabei dieselbe Funktion berechnen. Diese zentrale Änderung soll es ermöglichen, in einem Kontext fester Größe mehr vom Verlauf einer Person unterzubringen.

Außerdem kann Pinterest mit dem System die Suche auf unterschiedliche Ziele ausrichten. Die Autoren beschreiben zielabhängige Ausgaben, Reinforcement Learning und eine Strafe, die wiederholte Präfixe in generierten IDs verhindern soll. Zusammen sollen diese Ansätze unterschiedliche Ziele je nach Oberfläche unterstützen und für mehr Vielfalt bei den vorgeschlagenen Treffern sorgen. Im Abstract des Papers wird nicht erläutert, wie diese Ziele für einzelne Nutzer konfiguriert werden.

## Was hat sich bei „Ähnliche Pins“ geändert?

Die Autoren berichten, dass PinGER in „Ähnliche Pins“ von Pinterest eingesetzt wird und die Speicherungen neuer Pins um 3.60% sowie die Speicherungen insgesamt um 0.62% gesteigert hat. Außerdem geben sie an, dass die Ende-zu-Ende-Latenz der Funktion um 0.7% gesunken ist und PinGER die Kosten für die ersetzte Suche nach den ähnlichsten Treffern beseitigt hat. Diese Ergebnisse stammen von den Autoren des Systems; im Abstract werden weder der Messzeitraum noch Angaben zum Datenverkehr genannt.

Die Bereitstellung von PinGER ist auf eine Generierung mit großer Beam-Breite ausgelegt, bei der viele mögliche Ausgaben untersucht werden. Zugleich beschränkt sie die Dekodierung auf gültige Element-IDs. Anschließend werden die Kandidaten mithilfe eines Index auf dem Host-Rechner aufgelöst. Das Paper stellt die Kombination aus kompakten Eingaben, kontrollierter Generierung und Bereitstellungsinfrastruktur als Teil eines Systems dar, das bereits in einem Empfehlungsprodukt läuft – und nicht nur als Labortest.

## Die Fakten

- PinGER wird laut seinen Autoren in der Funktion „Ähnliche Pins“ von Pinterest eingesetzt.
- Die Autoren berichten von 3.60% mehr Speicherungen neuer Pins und 0.62% mehr Speicherungen insgesamt.
- Die Autoren geben an, dass die Ende-zu-Ende-Latenz von „Ähnliche Pins“ um 0.7% gesunken ist.
- PinGER ersetzt die Suche nach den ähnlichsten Treffern und nutzt einen auf dem Host-Rechner gespeicherten Index, um Kandidaten aufzulösen.

## Warum es wichtig ist

Für Menschen, die „Ähnliche Pins“ durchstöbern, deutet der berichtete Anstieg der Speicherungen darauf hin, dass die Empfehlungen dazu führen könnten, dass mehr Pins gespeichert werden. Die gemessene Änderung der Latenz ist dagegen gering. Im Abstract steht nicht, über welchen Zeitraum die Ergebnisse gemessen wurden oder wie sie sich zwischen Nutzern unterscheiden. Daher lässt sich daraus nicht ableiten, ob Einzelne einen Unterschied bemerken werden.

## Quellen und Referenzen

1. [PinGER: Token-Efficient Generative Retrieval with Semantic IDs](https://arxiv.org/abs/2610.33435) – arXiv cs.IR, 2026-10-27

Zuletzt aktualisiert: 2026-10-27