Pinterest a remplacé son système en plusieurs étapes de regroupement des centres d’intérêt par un modèle de langage Qwen3 de 4 milliards de paramètres, affiné pour cette tâche. L’entreprise affirme qu’un premier test aux États-Unis et au Canada a fait progresser le taux de clics sur les e-mails de 1,1 % et le taux d’ouverture des notifications push de 1,3 % par rapport à son système précédent.
Pinterest appelle « parcours » un objectif qui relie les centres d’intérêt, les intentions et les circonstances d’une personne au fil de plusieurs sessions. Par exemple, des recherches sur des armoires de cuisine, des idées de plans de travail enregistrées, puis la consultation de carrelages ou d’éclairages peuvent signaler un même projet de rénovation plutôt que des centres d’intérêt distincts. Le modèle exploite ces parcours déduits dans le système de recommandation existant de Pinterest ; il ne le remplace pas.
Comment fonctionne le nouveau système ?
L’ancien processus extrayait des mots-clés des activités, les regroupait à l’aide d’embeddings et d’un algorithme de classification hiérarchique, puis s’appuyait sur d’autres modèles et des règles pour nommer et classer les groupes. Selon Pinterest, cette méthode pouvait séparer des actions liées en plusieurs parcours, produire des intitulés vagues ou considérer un clic ponctuel comme une intention durable.
Le nouveau modèle analyse un historique chronologique pouvant contenir jusqu’à 150 actions sur une période de 360 jours, ainsi qu’un profil utilisateur synthétique, puis génère des noms de parcours classés par pertinence. Les recherches et les enregistrements pèsent davantage que les clics accidentels. Ses consignes mettent l’accent sur la répétition des activités, leur ancienneté et leur degré de précision. Elles lui demandent aussi de ne pas réunir des centres d’intérêt sans lien, d’écarter les activités isolées et de ne proposer aucun parcours lorsque les éléments sont insuffisants.
Pinterest a utilisé des modèles plus grands pour créer des exemples d’entraînement synthétiques à partir d’historiques d’activité, puis a affiné des modèles Qwen3 plus petits à poids ouverts. Après avoir testé des modèles de 0,6 à 8 milliards de paramètres, l’entreprise a choisi celui de 4 milliards pour trouver un équilibre entre qualité de l’inférence et vitesse de traitement. Pinterest l’exécute avec NVIDIA Dynamo et vLLM sur des GPU L40S et évite de relancer l’inférence pour les utilisateurs dont les parcours ont été générés au cours des deux jours précédents.
Qu’a mesuré Pinterest ?
Pinterest évalue la qualité des parcours au moyen de comparaisons côte à côte, d’un modèle de langage distinct qui vérifie la pertinence d’un parcours et son adéquation avec les activités, ainsi que d’expériences en ligne. L’entreprise fait état de gains statistiquement significatifs en matière d’engagement et de fidélisation lors de ses premiers tests A/B, en plus de la hausse des clics et des ouvertures. Elle n’a pas précisé l’ampleur du gain de fidélisation dans les informations fournies.
Cette approche rappelle l’utilisation par Netflix de longues séquences d’activité des membres pour améliorer ses systèmes de recommandation. Pinterest génère des descriptions explicites des parcours, tandis que Netflix a décrit la création de représentations réutilisables des préférences ; les deux entreprises intègrent les comportements à long terme à leurs systèmes de personnalisation existants.
Pourquoi c'est important
Pour les utilisateurs de Pinterest, ce changement pourrait rendre les e-mails et les notifications push liés à leurs projets plus adaptés à une activité répartie sur plusieurs visites ; Pinterest fait état d’une hausse des clics et des ouvertures lors de ses premiers tests. Les résultats ne montrent pas si tous les utilisateurs recevront des recommandations plus pertinentes, ni quelle a été l’ampleur de l’amélioration de la fidélisation.
