Pinterest hat sein mehrstufiges System zur Gruppierung von Nutzerinteressen durch ein feinabgestimmtes Sprachmodell Qwen3 mit 4 Milliarden Parametern ersetzt. Nach Angaben des Unternehmens stieg in einem ersten Test in den USA und Kanada die Klickrate bei E-Mails im Vergleich zum vorherigen System um 1.1% und die Öffnungsrate von Push-Mitteilungen um 1.3%.
Pinterest bezeichnet als „Journey“ ein Ziel, das die Interessen, Absichten und Umstände einer Person über mehrere Sitzungen hinweg miteinander verbindet. Suchen nach Küchenschränken, gespeicherte Ideen für Arbeitsplatten und späteres Stöbern nach Fliesen oder Beleuchtung könnten zum Beispiel auf ein einzelnes Renovierungsprojekt hindeuten statt auf voneinander unabhängige Interessen. Das Modell speist die abgeleiteten Journeys in das bestehende Empfehlungssystem von Pinterest ein; es ersetzt dieses nicht.
Wie funktioniert das neue System?
Die bisherige Pipeline extrahierte Schlüsselwörter aus den Aktivitäten, gruppierte sie mithilfe von Embeddings und hierarchischem Clustering und nutzte anschließend weitere Modelle und Regeln, um die Gruppen zu benennen und zu sortieren. Laut Pinterest konnte das dazu führen, dass zusammengehörige Aktionen auf verschiedene Journeys verteilt, ungenaue Bezeichnungen vergeben oder vorübergehende Klicks als dauerhaftes Interesse gewertet wurden.
Das neue Modell liest eine chronologische Aufzeichnung von bis zu 150 Aktionen aus einem Zeitraum von 360 Tagen sowie ein kompaktes Nutzerprofil und erstellt daraus sortierte Journey-Bezeichnungen. Such- und Speicheraktionen werden stärker gewichtet als beiläufige Klicks. Die Anweisungen an das Modell heben wiederholte Aktivitäten, deren Aktualität und ihre erkennbare Spezifität hervor. Außerdem soll es unabhängige Interessen nicht zusammenführen, einmalige Aktivitäten herausfiltern und keine Journey ausgeben, wenn die Belege dafür nicht ausreichen.
Pinterest nutzte größere Modelle, um anhand von Aktivitätsverläufen synthetische Trainingsbeispiele zu erstellen, und feinabgestimmte anschließend kleinere Qwen3-Modelle mit offenen Gewichten. Nach Tests mit Modellen von 0.6 Milliarden bis 8 Milliarden Parametern entschied sich das Unternehmen für die Version mit 4 Milliarden Parametern, die ein ausgewogenes Verhältnis zwischen Inferenzqualität und Verarbeitungsgeschwindigkeit bietet. Pinterest betreibt das Modell mit NVIDIA Dynamo und vLLM auf L40S-GPUs und führt die Inferenz nicht erneut aus, wenn die Journeys eines Nutzers erst innerhalb der vergangenen paar Tage erstellt wurden.
Was hat Pinterest gemessen?
Pinterest bewertet die Qualität der Journeys durch direkte Gegenüberstellungen, ein separates Sprachmodell, das beurteilt, ob eine Journey relevant und durch Aktivitäten belegt ist, sowie Online-Experimente. Das Unternehmen berichtet von statistisch signifikanten Zuwächsen bei Interaktion und Kundenbindung in den ersten A/B-Tests sowie von den höheren Klick- und Öffnungsraten. Wie groß der Zugewinn bei der Kundenbindung war, geht aus den bereitgestellten Angaben nicht hervor.
Der Ansatz ähnelt dem von Netflix, wo lange Abfolgen von Aktivitäten der Mitglieder zur Verbesserung von Empfehlungssystemen genutzt werden. Pinterest erstellt konkrete Beschreibungen von Journeys, während Netflix beschrieben hat, wiederverwendbare Darstellungen von Vorlieben zu erzeugen. Beide speisen längerfristiges Verhalten in bestehende Personalisierungssysteme ein.
Warum es wichtig ist
Für Pinterest-Nutzer könnten E-Mails und Push-Mitteilungen zu Projekten künftig Aktivitäten aus mehreren Besuchen besser berücksichtigen. In ersten Tests meldet Pinterest höhere Klick- und Öffnungsraten. Die Ergebnisse zeigen jedoch nicht, ob alle Nutzer relevantere Empfehlungen erhalten oder wie groß der Zugewinn bei der Kundenbindung war.
