Pinterestのレコメンデーションシステム: あなたの体験を作り上げる

オンラインプラットフォームの世界では、みんながあなたの注意を引こうと奮闘している中、Pinterestは毎月5億人以上のアクティブユーザーを持つ巨大な存在として際立っています。ユーザーがアイデアを見つけて保存するために集まる場所で、クリエイティブなインスピレーションでいっぱいのデジタル掲示板だと思ってください。今、Pinterestの課題は、ログインしたときに最初に目にするものが、あなたが好きかもしれないものであることを確実にすることです。ここで推薦システムが登場します。これらのシステムは、あなたが必要だとさえ思っていなかったものを案内してくれる個人的なショッピングアシスタントのようなものです。

でも、効率的な推薦システムを作るのは簡単じゃない、特にPinterestのような競争の激しい場所では。まるで、お菓子で山積みにされた部屋の中からお気に入りのスナックを見つけるようなものです。正しいものを選ぶためには、いくつかの巧妙な戦略が必要です。

#推薦システムとは？

推薦システムは、簡単に言えば、あなたの行動や好みを分析して次に何を見たいかを予測するアルゴリズムです。過去にあなたが好きだったり、保存したり、無視したりしたことを考慮に入れて、その情報を使ってあなたの体験をキュレーションします。あなたの好きなデザートを覚えていて、必ずパーティーに持ってくる古い友達を想像してみてください。

Pinterestの推薦システムは、リトリーバル、ランキング、ブレンディングの3つの主要なステージで構成されています。リトリーバルステージでは、さまざまなオプションを集め、ランキングステージでは、これらのオプションに対してあなたがどれくらいの確率でそれに関与するかに基づいてスコアを割り当て、最終的にブレンディングで全てを組み合わせて、フィードに最も関連性の高いオプションを表示します。

#業界の制約による課題

学術研究は自由に行えるものですが、実際のアプリケーションは多くの制約に直面することがよくあります。こう考えてみてください：学者は、最高のレシピを見つけるまであらゆる方法を試すことができます。一方で、忙しいレストランのシェフは、高コストを避けつつ迅速に提供できるテスト済みのレシピに従う必要があります。

推薦システムが直面する主な課題のいくつかは以下の通りです：

1. モデルのレイテンシ：これは「どれくらい早く結果を出せるか？」ということです。モデルが遅すぎると、ユーザー体験に影響を与え、システムの維持コストが増えるかもしれません。

2. メモリ制限：すべてのモデルはリソースを効率的に使用する必要があります。これを、狭いリビングルームに巨大なソファを入れようとすることに例えてみてください。もし合わなければ、それは頭痛の種になります。

3. モデルの再現性：システムが不安定に動作すると、毎回ルールが変わるゲームをしているようなものです。安定性を保つことは、チームが進捗や影響を理解するのに役立ちます。

#特徴の相互作用を改善する

推薦システムの最も重要な側面の1つが、特徴の相互作用です。これらの相互作用は、システムがユーザーの行動を理解するのに役立つ異なる要素間の関係のようなものです。たとえば、あなたがよくケーキのレシピを保存するなら、システムはその興味をあなたのベーキングへの愛に結びつけ、さらにマッチするレシピを提案するかもしれません。

Pinterestは、Homefeedランキングモデルでこれらの特徴の相互作用を改善することに注力しています。前述の制約の下でこれを効果的に行うには、体系的なアプローチが必要です。会社は、学問的理論から実際のアプリケーションに成功を再現するためのさまざまな戦略やトレードオフを検討しました。

#Homefeedランキングモデル

Pinterestの推薦システムの中心にあるのが、Homefeedランキングモデルです。このモデルは、あなたが過去の行動に基づいて異なるピンに関与する可能性を予測します。さまざまなデータタイプを考慮に入れます：

• 密な特徴：これらは精度を調整する必要がある数値的な値です。
• まばらな特徴：これらはカテゴリカルまたはテキストベースの特徴で、意味を明確にするために少しの魔法（埋め込み）を必要とします。
• 文脈的特徴：これにより、モデルは、現在の状況、例えば時間帯やトレンドトピックを理解します。

ランキングモデルは、この情報を通じて、異なる特徴がどのように相互作用するかを識別するように設計された層を通過させます。これは、友達があなたが過去のお気に入りと照らし合わせて映画を楽しむかどうかを判断しようとしているようなものです。

#モデルを最適化するためのさまざまな実験

モデルが堅牢であることを確保するために、Pinterestは特徴の相互作用を改善することに焦点を当てたさまざまな実験を行いました。それは、火山や重曹の代わりにデータと相互作用を測定している科学フェアのようなものです。

1. 相互作用のオーダーを増やす：特徴の相互作用に対してさらに多くの層を追加することで、チームはメモリの問題にぶつかることなく、ユーザーエンゲージメントを効果的に向上させることができることを発見しました。これは、建物のブロックを高く積み上げるのに似ています—ただし、倒れないように注意してください！

2. 並行相互作用：システムは、単一の相互作用手法に依存するのではなく、複数のアプローチを同時に評価できるようになりました。これは、複数のダンスムーブを同時に試して、どれが全体のパフォーマンスを向上させるかを見るようなものです。

3. 非線形性の追加：これは、特徴間のより複雑な関係を取り入れることに関するものです。難しいこともありますが、ユーザーの好みをよりニュアンスのある理解を生むのに役立ちます。

#適切なアーキテクチャの選択

実験を通じて、Pinterestは特徴の相互作用の効果的な学習を約束するさまざまなアーキテクチャを検討しました。彼らは、直面している制約の下で、これらのアーキテクチャがどのように機能するかを比較しました。

たとえば、DeepFMやWide & Deepのような従来の方法は、学術的な環境では有望に見えましたが、増加した複雑さやレイテンシにより実際のアプリケーションでつまずきました。Pinterestチームは、モデルがデータの膨大な量を処理できるように、遅延や不安定を引き起こさずに十分効率的であることを確認する必要がありました。

#成功のための指標

モデルの成功を評価するために、Pinterestはいくつかの重要な指標を使用しています：

• HIT@3/save Metric：これは、ユーザーが保存した上位3つの推薦ピンの数を測定します。あなたが持ってきたデザートが友達にどれだけ好まれたかを見るようなものです。

• メモリ使用量：トレーニング中に使用されるGPUメモリの量を追跡します。より多くのメモリは、より良いパフォーマンスを意味することがありますが、特定の制限を超えると問題を引き起こす可能性があります。

• レイテンシ：これは、モデルが推薦を提供する速度を追跡します。少しの遅延でも不満を引き起こすことがあるので、注意が必要です。

#A/B テストと継続的改善

新しいモデルアーキテクチャが確立されると、PinterestはA/Bテストを実施します。これとは、ユーザーの半分にサービスの1つのバージョンを表示し、もう半分に別のバージョンを表示することを意味します。目的は？ユーザーエンゲージメントやフィードバックの観点から、どのバージョンがより良いかを分析することです。これは、キッチンで2つの異なるレシピを試して、どちらが早く消費されるかを見るようなものです。

新しいアーキテクチャの実装はエキサイティングな結果をもたらす可能性がありますが、チームは常にモデルを向上させ、一貫性を確保する方法を探しています。

#結論

Pinterestのような巨大なプラットフォームのために推薦システムを構築するのは、障害物や改善の機会に満ちた複雑な冒険です。制約を慎重に考慮し、ターゲットを絞った実験を行い、テクノロジーを活用することで、Pinterestはユーザーにインスパイアされたパーソナライズされた体験を提供することを目指しています。

完璧なレシピを作るのと同じように、その旅は続いています。Pinterestチームは、経験から学び、システムを適応させることを続けており、すべてのユーザーが探しているクリエイティブな宝物を見つける手助けをする個人アシスタントを持っていると感じられるようにしています。だから、次回ログインして共鳴するピンを見たとき、裏でたくさんの思考とエンジニアリングの仕事がその発見を可能にしたことを思い出してください。