핀터레스트(Pinterest), 홈 피드(Home Feed) 추천 시스템의 진화: DPP에서 SSD, Soft-Spacing까지

DPP: GraphSAGE(GraphSAGE) 임베딩과 카테고리 분류를 활용하여 아이템 간 유사도를 계산하고, Cholesky 분해(Cholesky Decomposition)를 통해 다양성을 확보

SSD: 윈도우 기반의 스펙트럼 분해(Spectral Decomposition)를 통해 계산 효율성(Computational Efficiency)을 높이고, PyTorch(PyTorch)를 활용하여 유연성을 확보

결과: SSD는 DPP 대비 낮은 지연 시간(Latency)과 더 많은 시그널(Signal)을 활용할 수 있는 장점을 제공하며, 2025년 초에 도입되어 핀터레스트(Pinterest)의 추천 시스템에 기여

윈도우 기반: 슬라이딩 윈도우(Sliding Window) 내에서 로컬 유사성(Local Similarity) 구조를 분석하고, 각 스펙트럼(Spectrum)의 노출 빈도를 조절

수식: Uᵢ(𝑡) = f(rᵢ) − β ∑ₖ₌₁ᴷ wₖ(𝑡)·(uₖ^(ᵗ)[i])² 와 같은 수식을 통해 다양성(Diversity)과 관련성(Relevance)의 균형을 조절

PyTorch(PyTorch) 활용: PyTorch(PyTorch)의 선형대수(Linear Algebra) 연산을 활용하여 구현, DPP(Determinantal Point Process) 대비 계산 복잡도(Computational Complexity) 감소 및 유연성 확보

Soft-Spacing: qᵢ(t) = 𝟙[cᵢ ∈ R] ∑{d=1}^w (1/d) 𝟙[c{t−d} ∈ R] 와 같은 수식을 통해 품질 위험 콘텐츠(Quality Risk Content)의 클러스터링(Clustering)을 방지

목적: 사용자에게 더 나은 경험(Better Experience)을 제공하고, 품질 저하 콘텐츠의 과도한 노출을 방지

효과: 2025년 중반에 도입되어 콘텐츠 품질 개선에 기여했으며, 향후 확장 가능한 프레임워크(Extensible Framework) 구축을 통해 지속적인 개선을 추진

초기 시스템: Lightweight Reranking 노드를 통해 단기적 참여(Short-term Engagement)와 다양성(Diversity)을 최적화하고, DPP(Determinantal Point Process) 노드를 통해 다양성(Diversity)을 강화

PyTorch(PyTorch) 기반 전환: SSD(Sliding Spectrum Decomposition) 도입과 함께 블렌딩 레이어(Blending Layer)의 로직(Logic)을 PyTorch(PyTorch)로 이전하여 유연성 확보

목표: 블렌딩 레이어(Blending Layer) 내 휴리스틱 로직(Heuristic Logic)을 모델 서버(Model Server)로 이전하여 시스템 복잡성(System Complexity)을 줄이고, 실험(Experiment) 용이성 증대

초기: 카테고리 시그널(Categorical Signal)과 GraphSAGE(GraphSAGE)를 활용하여 핀(Pin) 간 유사도(Similarity)를 계산

2025년: SSD(Sliding Spectrum Decomposition) 도입과 함께 시각적 임베딩(Visual Embedding), 텍스트 임베딩(Text Embedding), 그래프 임베딩(Graph Embedding)을 활용하여 다양한 시그널(Signal)을 통합

PinCLIP: 2025년 3분기에 PinCLIP 이미지 특징(Image Features)을 도입하여 시각적 표현(Visual Representation)을 강화하고, 실시간(Real-time)에 가까운 시그널(Signal)을 활용

Semantic ID: 2025년 4분기에 Semantic ID를 추가하여 의미론적 다양성(Semantic Diversity)을 확보하고, 반복적인 콘텐츠 클러스터(Content Cluster) 노출을 방지