Pinterest heeft zijn systeem met meerdere stappen om gebruikersinteresses te groeperen vervangen door een fijn-afgesteld Qwen3-taalmodel met 4 miljard parameters. Volgens het bedrijf leidde een eerste test in de VS en Canada, vergeleken met het vorige systeem, tot 1,1% meer doorkliks vanuit e-mails en 1,3% meer opens van pushmeldingen.
Pinterest noemt een ‘journey’ een doel dat iemands interesses, intenties en omstandigheden over meerdere sessies met elkaar verbindt. Zo kunnen zoekopdrachten naar keukenkastjes, opgeslagen ideeën voor aanrechtbladen en later bezoek aan pagina’s over tegels of verlichting wijzen op één verbouwingsproject, in plaats van op losse interesses. Het model gebruikt de afgeleide journeys in het bestaande aanbevelingssysteem van Pinterest; het vervangt dat systeem niet.
Hoe werkt het nieuwe systeem?
De oude pijplijn haalde trefwoorden uit activiteiten, groepeerde die met embeddings en hiërarchische clustering en gebruikte vervolgens andere modellen en regels om de groepen namen te geven en te rangschikken. Volgens Pinterest kon dat ertoe leiden dat gerelateerde activiteiten in aparte journeys terechtkwamen, dat labels vaag waren of dat een eenmalige klik werd gezien als blijvende interesse.
Het nieuwe model leest een chronologisch overzicht van maximaal 150 activiteiten uit een periode van 360 dagen, plus een beknopt gebruikersprofiel, en genereert gerangschikte namen voor journeys. Zoek- en bewaaracties wegen zwaarder dan toevallige klikken. De instructies leggen nadruk op herhaalde activiteit, hoe recent die is en hoe specifiek die lijkt. Ook krijgt het model de opdracht om niet-gerelateerde interesses niet samen te voegen, eenmalige activiteit buiten beschouwing te laten en geen journey terug te geven als het bewijs zwak is.
Pinterest gebruikte grotere modellen om op basis van activiteitsoverzichten synthetische trainingsvoorbeelden te maken en stelde vervolgens kleinere Qwen3-modellen met open gewichten fijn af. Na modellen met 0,6 miljard tot 8 miljard parameters te hebben getest, koos het bedrijf de versie met 4 miljard parameters: een balans tussen de kwaliteit van de inferentie en de snelheid waarmee het model kan worden ingezet. Pinterest draait het model met NVIDIA Dynamo en vLLM op L40S-GPU’s en voert de inferentie niet opnieuw uit voor gebruikers van wie de journeys in de afgelopen paar dagen zijn gegenereerd.
Wat heeft Pinterest gemeten?
Pinterest beoordeelt de kwaliteit van journeys met vergelijkingen naast elkaar, een afzonderlijk taalmodel dat nagaat of een journey relevant is en door activiteiten wordt onderbouwd, en online-experimenten. Het bedrijf meldt statistisch significante verbeteringen in betrokkenheid en retentie in de eerste A/B-tests, naast de stijgingen in klik- en openingspercentages. In het aangeleverde verslag noemde Pinterest niet hoe groot de verbetering in retentie was.
De aanpak lijkt op de manier waarop Netflix lange reeksen activiteiten van leden gebruikt om aanbevelingssystemen te verbeteren. Pinterest genereert expliciete beschrijvingen van journeys, terwijl Netflix heeft verteld dat het herbruikbare representaties van voorkeuren maakt. Beide systemen verwerken gedrag over langere tijd in bestaande personalisatiesystemen.
Waarom het ertoe doet
Voor Pinterest-gebruikers kunnen projectgerelateerde e-mails en pushmeldingen door deze verandering beter aansluiten op activiteiten die over meerdere bezoeken zijn verspreid. Pinterest meldt in de eerste tests meer doorkliks en opens. De resultaten laten niet zien of iedere gebruiker relevantere aanbevelingen krijgt, of hoe groot de verbetering in retentie was.
