KOEN
Read Original
#AI

피너의 성장: 핀터레스트의 주간 활성 사용자 증가를 이끄는 유스케이스 표현 개선 사례

피너의 성장: 핀터레스트의 주간 활성 사용자 증가를 이끄는 유스케이스 표현 개선 사례
01

Summary

클릭률 최적화의 함정에서 탈피하라: 핀터레스트가 장기 리텐션을 확보한 비결, UIC

단기적 engagement 중심에서 벗어나 유저의 라이프사이클과 다중 관심사 전이를 추적하는 추천 시스템 아키텍처

본 아티클은 단기 지표 최적화에 매몰되지 않고 주간 활성 사용자(WAU)를 늘리기 위해 핀터레스트가 개발한 '사용자 관심사 클러스터(UIC)' 프레임워크를 다룹니다. 사용자의 개별 관심사를 유스케이스 단위의 라이프사이클로 정교하게 모델링하고, 이를 검색 단계부터 실시간 서빙의 다양화 단계까지 유기적으로 통합 적용해 낸 기술적 여정을 소개합니다.

  • 01단기적 클릭 유도와 장기 리텐션의 괴리를 극복하기 위해 추천 목적 함수를 유저 리텐션 중심으로 재정의
  • 02글로벌 카탈로그 기준이 아닌 개별 유저가 실제 반응한 콘텐츠 범위 내에서만 군집화를 수행하여 유의미한 유스케이스를 정교하게 획득
  • 03고정된 클러스터 개수(K) 대신 코히어런스 임계치를 활용해 사용자의 활성 관심사 수에 맞춰 클러스터 개수를 동적으로 결정
  • 04클러스터 중심에서 벗어난 경계 지점의 랜드마크를 추출하는 '프론티어 샘플링' 기법을 검색 단계에 도입하여 자연스러운 관심사 탐색 유도
  • 05최종 노출 제어 레이어(SSD)에 UIC 가중치 패널티를 부여해 시각적 유사성뿐만 아니라 고차원적 유스케이스 단위의 피드 다양성 확보

RECOMMENDATION

단기 전환 마케팅이나 클릭 최적화 위주의 필터 버블 문제로 유저 이탈을 겪고 있는 대규모 플랫폼 엔지니어들에게 추천하며, 단일 벡터가 아닌 다중 임베딩 생애주기로 관심사를 모델링하는 방법을 제안합니다.

The Problem

기존의 핀터레스트 추천 시스템은 클릭이나 저장 같은 단기 참여(Engagement) 지표에 치우쳐 최적화되어 있었으며, 이는 사용자의 장기적인 플랫폼 리텐션이나 새로운 관심사의 발견으로 이어지지 못하는 한계가 있었습니다.

The Solution

사용자가 최근 참여한 500개 행동 임베딩을 바탕으로 '완전 연결 계층적 군집화'를 수행하여 상태 기반의 '사용자 관심사 클러스터(UIC)'를 구축하고, 이를 검색(Retrieval), L1 유틸리티, 랭킹 및 다양성 블렌딩 단계에 일관되게 통합했습니다.

The Result

유저의 유스케이스별 생애주기를 추천 시스템 전체 레이어에 반영함으로써 온라인 실험에서 참여도 향상, 상호작용 콘텐츠 다양성 증가 및 세션 시간 증가를 달성했으며, 만료된 관심사 필터링을 통해 검색 인프라 비용을 절감했습니다.

Trade-off

메타데이터를 통해 생애주기를 판단하지만 일시적인 호기심과 실제 형성 중인 장기적 습관을 완벽하게 구분하는 데는 근본적인 기술적 한계가 존재하며, 완전 연결 방식 특성상 임계치를 보수적으로 설정하면 미세하게 연관된 하위 관심사들이 서로 통합되지 못하고 분절될 수 있습니다.

03

Key Concepts

Concept · 01

User Interest Clusters (UIC)

사용자의 최근 참여 행동을 기반으로 동적으로 추출되는 다중 관심사 클러스터 표현체입니다.

  • 각 클러스터는 유저의 특정 유스케이스(예: 방 꾸미기, 등산 등)를 대변하며, 최근성과 빈도 등의 temporal 메타데이터를 가집니다.
  • 검색 레이어부터 최종 블렌딩 레이어까지 추천 시스템 전반에서 유저를 표상하는 공통 추상화 계층으로 작동합니다.
Concept · 02

OmniSage Embedding Space

이미지 및 텍스트의 시각적/의미적 유사도와 사용자들의 공동 큐레이션 패턴, 인터랙션 그래프 신호를 결합한 핀터레스트 고유의 그래프 임베딩 스페이스입니다.

  • 물리적 특징이 다르더라도 동일한 유스케이스(예: 등산화와 에너지바)에 사용되는 아이템들을 가깝게 인코딩합니다.
  • UIC 생성의 기초 벡터 스페이스로 기능하여 기능적 유용성 중심의 의미 있는 유저 관심사 클러스터 구축을 돕습니다.
Concept · 03

Complete Linkage Hierarchical Clustering

두 군집 간의 유사도를 측정할 때 가장 멀리 떨어진(유사도가 가장 낮은) 쌍을 기준으로 계층적인 병합을 진행하는 클러스터링 알고리즘입니다.

  • 군집 내 병합된 모든 개체들이 엄격한 임계치 이상의 코히어런스를 유지하도록 보장합니다.
  • 고양이와 청바지처럼 연관이 전혀 없는 무관한 관심사들이 단일 클러스터로 성급하게 묶이는 현상을 차단합니다.