# پینترست برای تشخیص مسیر کاربران از مدل ۴ میلیاردپارامتری Qwen3 استفاده می‌کند

> پینترست می‌گوید این مدل با تحلیل سابقه فعالیت کاربران برای تشخیص هدف‌های بلندمدت، در آزمایش‌های آمریکا و کانادا کلیک روی ایمیل‌ها و بازکردن اعلان‌های فوری را افزایش داده است.

Oossa · 2026-11-09 · https://oossa.com/fa/pinterest-uses-a-4b-qwen3-model-to-infer-user-journeys

پینترست سامانه چندمرحله‌ای خود را برای دسته‌بندی علایق کاربران با یک مدل زبانی Qwen3 تنظیم‌شده با ۴ میلیارد پارامتر جایگزین کرده است. این شرکت می‌گوید آزمایش اولیه در آمریکا و کانادا، در مقایسه با سامانه قبلی، نرخ کلیک روی ایمیل‌ها را ۱٫۱٪ و نرخ بازشدن اعلان‌های فوری را ۱٫۳٪ افزایش داده است.

پینترست «مسیر» را هدفی می‌داند که علایق، قصد و شرایط یک فرد را در چندین جلسه به هم پیوند می‌دهد. برای مثال، جست‌وجوی کابینت آشپزخانه، ذخیره ایده‌هایی برای صفحه کابینت و سپس دیدن کاشی یا نورپردازی ممکن است به یک پروژه بازسازی اشاره داشته باشد، نه علایق جداگانه. مدل از مسیرهای استنباط‌شده در سامانه پیشنهاددهی فعلی پینترست استفاده می‌کند و جایگزین آن نمی‌شود.

## سامانه جدید چطور کار می‌کند؟

در فرایند قبلی، واژه‌های کلیدی از فعالیت‌ها استخراج می‌شدند، با استفاده از تع嵌ه‌سازی و خوشه‌بندی سلسله‌مراتبی گروه‌بندی می‌شدند و سپس مدل‌ها و قواعد دیگری به گروه‌ها نام می‌دادند و آن‌ها را رتبه‌بندی می‌کردند. پینترست می‌گوید این روش گاهی کنش‌های مرتبط را به مسیرهای جداگانه تقسیم می‌کرد، برچسب‌های مبهم می‌ساخت یا یک کلیک گذرا را نشانه قصدی پایدار می‌گرفت.

مدل جدید سابقه‌ای زمان‌بندی‌شده از حداکثر ۱۵۰ کنش در یک بازه ۳۶۰روزه را، به‌همراه نمایه‌ای فشرده از کاربر، می‌خواند و نام مسیرها را به‌ترتیب اولویت تولید می‌کند. کنش‌هایی مانند جست‌وجو و ذخیره‌کردن، در مقایسه با کلیک‌های اتفاقی، وزن بیشتری دارند. دستورالعمل‌های مدل بر تکرار فعالیت، تازگی آن و میزان مشخص‌بودنش تأکید می‌کنند. همچنین به مدل گفته شده علایق نامرتبط را با هم ترکیب نکند، فعالیت‌های تک‌موردی را کنار بگذارد و در صورت ضعیف‌بودن شواهد، هیچ مسیری ارائه ندهد.

پینترست از مدل‌های بزرگ‌تر برای ساخت نمونه‌های آموزشی مصنوعی بر اساس سابقه فعالیت‌ها استفاده کرد و سپس مدل‌های کوچک‌تر Qwen3 با وزن‌های باز را تنظیم دقیق کرد. پس از آزمایش مدل‌هایی با ۰٫۶ تا ۸ میلیارد پارامتر، نسخه ۴ میلیاردپارامتری را به‌دلیل توازن میان کیفیت استنتاج و سرعت ارائه سرویس انتخاب کرد. پینترست آن را با NVIDIA Dynamo و vLLM روی پردازنده‌های گرافیکی L40S اجرا می‌کند و برای کاربرانی که مسیرهایشان در یکی دو روز گذشته تولید شده، استنتاج را دوباره اجرا نمی‌کند.

## پینترست چه چیزی را سنجید؟

پینترست کیفیت مسیرها را با مقایسه‌های کنارهم، یک مدل زبانی جداگانه برای داوری درباره مرتبط‌بودن مسیر و پشتیبانی آن با فعالیت کاربر، و آزمایش‌های آنلاین ارزیابی می‌کند. این شرکت می‌گوید آزمایش‌های اولیه A/B از نظر آماری افزایش تعامل و حفظ کاربران را نشان داده‌اند و نرخ کلیک و بازشدن نیز بالا رفته است. در گزارشی که ارائه کرده، اندازه افزایش حفظ کاربران را اعلام نکرد.

این رویکرد به استفاده نتفلیکس از توالی‌های طولانی فعالیت اعضا برای بهبود سامانه‌های پیشنهاددهی شباهت دارد. پینترست توصیف‌های صریحی از مسیرها تولید می‌کند، در حالی که نتفلیکس از ساخت بازنمایی‌های قابل‌استفاده مجدد از سلیقه‌ها گفته است؛ هر دو، رفتار بلندمدت را وارد سامانه‌های شخصی‌سازی فعلی خود می‌کنند.

## حقایق

- مدل حداکثر ۱۵۰ کنش کاربر را از یک بازه ۳۶۰روزه، در کنار نمایه‌ای فشرده، بررسی می‌کند.
- پینترست مدل‌های Qwen3 با اندازه ۰٫۶ تا ۸ میلیارد پارامتر را آزمایش کرد و مدل ۴ میلیاردپارامتری را برگزید.
- پینترست می‌گوید در آزمایش‌های اولیه A/B در آمریکا و کانادا، نرخ کلیک ایمیل‌ها ۱٫۱٪ و نرخ بازشدن اعلان‌های فوری ۱٫۳٪ بیشتر از سامانه مبتنی بر خوشه‌بندی قبلی بود.
- پینترست می‌گوید آزمایش‌ها افزایش معنادار آماری تعامل و حفظ کاربران را نیز نشان دادند، اما اندازه افزایش حفظ کاربران را اعلام نکرد.

## چرا مهم است

این تغییر ممکن است باعث شود ایمیل‌ها و اعلان‌های فوری مرتبط با پروژه‌ها، فعالیت کاربران را در چندین بازدید بهتر بازتاب دهند؛ پینترست در آزمایش‌های اولیه خود از افزایش نرخ کلیک و بازشدن خبر داده است. نتایج نشان نمی‌دهند که پیشنهادها برای همه کاربران مرتبط‌تر خواهند شد یا افزایش حفظ کاربران چه اندازه بوده است.

## منابع و ارجاع‌ها

1. [Pinterest Replaces Journey Clustering with 4B Qwen3 LLM, Reports Improved Engagement](https://www.infoq.com/news/2026/11/pinterest-journey/?utm_campaign=infoq_content&utm_source=infoq&utm_medium=feed&utm_term=AI%2C+ML+%26+Data+Engineering) – InfoQ, 2026-11-09

آخرین به‌روزرسانی: 2026-11-09