گروهی از پژوهشگران PinGER را معرفی کرده‌اند؛ سامانه‌ای که پینترست برای پیشنهاد محتوا در بخش Related Pins از آن استفاده می‌کند. این سامانه جست‌وجوی نزدیک‌ترین همسایه را با بازیابی مولد جایگزین می‌کند: مدل به‌جای جست‌وجو میان بازنمایی‌های محتوا برای یافتن موردی مشابه، شناسهٔ معنایی یک محتوا را تولید می‌کند؛ شناسه‌ای متشکل از دنباله‌ای از توکن‌ها که آن محتوا را مشخص می‌کند.
مقاله بر مصالحه‌ای در سامانه‌های پیشین تمرکز دارد. آن سامانه‌ها برای بازنمایی هر محتوا در تاریخچهٔ فعالیت کاربر از چند توکن استفاده می‌کنند. با پنجرهٔ بافت ثابت ــ یعنی حجمی از ورودی که مدل در هر نوبت می‌تواند در نظر بگیرد ــ در نتیجه مدل در مقایسه با حالتی که هر محتوا فقط یک امبدینگ داشته باشد، موارد کم‌تری را جا می‌دهد. نویسندگان PinGER می‌گویند این سامانه شناسه‌های معنایی را برای نتایج تولیدشده حفظ می‌کند و در عین حال تاریخچه‌های ورودی را فشرده‌تر می‌سازد.
PinGER چطور تاریخچه‌ها را فشرده نگه می‌دارد؟
PinGER توکن‌های شناسهٔ معنایی را با توکن‌های متراکم درهم می‌آمیزد؛ توکن‌هایی که بازنمایی فشرده‌ای از محتوا ارائه می‌دهند. ماسک توجه آن باعث می‌شود موارد بعدی فقط بتوانند به توکن‌های متراکم توجه کنند. نویسندگان می‌گویند این روش به مدل اجازه می‌دهد هنگام آموزش از همهٔ جایگاه‌های شناسهٔ معنایی یاد بگیرد، اما هنگام اجرا برای هر محتوا فقط یک توکن به کار ببرد و همان تابع را محاسبه کند. هدف اصلی این تغییر آن است که با ثابت‌بودن پنجرهٔ بافت، بخش بیشتری از تاریخچهٔ کاربر در آن جا بگیرد.
این سامانه همچنین به پینترست امکان می‌دهد بازیابی را به‌سمت هدف‌های مختلف هدایت کند. نویسندگان از خروجی‌های مشروط به هدف، یادگیری تقویتی و جریمه‌ای برای جلوگیری از تکرار پیشوندها در شناسه‌های تولیدشده می‌گویند. این روش‌ها در کنار هم قرار است به پشتیبانی از هدف‌های متناسب با هر بخش و مجموعه‌ای متنوع‌تر از گزینه‌ها کمک کنند. چکیدهٔ مقاله توضیح نمی‌دهد که این هدف‌ها برای کاربران مختلف چگونه تنظیم می‌شوند.
در بخش Related Pins چه تغییری ایجاد شد؟
نویسندگان می‌گویند PinGER در بخش Related Pins پینترست به کار گرفته شده و ذخیره‌کردن پین‌های تازه را 3.60% و ذخیره‌کردن پین‌ها به‌طور کلی را 0.62% افزایش داده است. آن‌ها همچنین از کاهش 0.7% تأخیر سرتاسری این بخش خبر می‌دهند و می‌گویند PinGER هزینهٔ جست‌وجوی نزدیک‌ترین همسایه را که جایگزینش شده بود، حذف کرده است. این نتایج را نویسندگان سامانه گزارش کرده‌اند؛ چکیده بازهٔ زمانی اندازه‌گیری یا آمار ترافیک را ذکر نمی‌کند.
زیرساخت اجرای PinGER برای تولید با پهنای جست‌وجوی زیاد طراحی شده است؛ یعنی امکان بررسی خروجی‌های بالقوهٔ زیادی را فراهم می‌کند و رمزگشایی را به شناسه‌های معتبر محتوا محدود می‌سازد. سپس گزینه‌های پیشنهادی را با استفاده از نمایه‌ای که روی دستگاه میزبان ذخیره شده، پیدا می‌کند. مقاله این ترکیب از ورودی‌های فشرده، تولید کنترل‌شده و زیرساخت اجرا را بخشی از سامانه‌ای معرفی می‌کند که هم‌اکنون در یک محصول پیشنهاد محتوا فعال است، نه صرفاً آزمایشی در محیط پژوهشی.
چرا مهم است
برای کسانی که در Related Pins می‌گردند، افزایش گزارش‌شده در ذخیره‌کردن پین‌ها نشان می‌دهد که پیشنهادها ممکن است به ذخیره‌شدن پین‌های بیشتری بینجامند؛ در حالی که تغییر اندازه‌گیری‌شده در تأخیر اندک است. چکیده نمی‌گوید نتایج در چه بازه‌ای اندازه‌گیری شده‌اند یا میان کاربران چه تفاوتی دارند؛ بنابراین مشخص نمی‌کند که یک کاربر به‌تنهایی متوجه تفاوتی خواهد شد یا نه.
