단기 참여(Engagement) 중심 추천에서 장기 리텐션(Retention) 중심으로 전환하며 사용자 관계 구축을 목표로 함
사용자 관심사 클러스터(User Interest Clusters, UICs) 신호 도입으로 사용자의 지속적인 이용 동기를 파악하고 새로운 발견을 지원함
OmniSage 임베딩 기반의 개인화된 클러스터링과 상태 메타데이터를 활용하여 사용자의 관심사 라이프사이클을 모델링함
검색, 랭킹, 블렌딩 등 추천 파이프라인 전반에 UICs를 통합하여 사용자 경험(User Experience) 개인화를 강화함
UICs 도입 후 참여도 및 리텐션 지표 개선과 함께 세션 시간 증가 효과를 확인함
Pinterest는 사용자 관심사 클러스터(User Interest Clusters, UICs)를 통해 사용자의 다양한 관심사를 포착하는 새로운 접근 방식을 도입했습니다. 기존에는 사용자의 모든 행동을 전역 임베딩 공간에서 클러스터링했지만, UICs는 사용자가 실제로 참여한 핀(Engaged Pins)에만 집중하여 클러스터링을 수행합니다. 이 방식은 각 클러스터가 사용자가 적극적으로 추구하는 특정 사용 사례(Use-case)를 의미하도록 하여 의미론적 일관성을 높입니다. 동일한 핀이라도 사용자마다 다른 클러스터에 속할 수 있으며, 이는 핀의 시각적 유사성뿐만 아니라 사용 맥락(Usage Context)의 중요성을 강조합니다. 또한, 고정된 클러스터 개수 대신 사용자의 활동 수준에 따라 동적으로 클러스터 수를 결정하여 개인화된 관심사 표현을 가능하게 합니다.
기존 추천 시스템은 클릭, 저장 등 단기적인 참여 지표(Engagement Metrics) 최적화에 집중하여 사용자 만족도를 높였으나, 이는 장기적인 사용자 유지(Retention)로 이어지지 않는다는 한계가 있었습니다. Pinner Progression 프로그램은 리텐션(Retention)을 최우선 목표로 재정의하고, 사용자의 지속적인 플랫폼 이용 동기를 파악하는 데 초점을 맞춥니다. 분석 결과, 사용자의 특정 사용 사례 채택률이 높을수록 지속적인 참여(Sustained Engagement)가 증가하며, 이는 단순한 호기심 기반 행동을 넘어선 사용자 가치(User Value)의 프록시 역할을 합니다. 특히, 상위 10% 사용자 그룹에서 리텐션 혜택이 급격히 증가하는 비선형 관계는 특정 임계점(Threshold Effect)의 존재를 시사합니다.
Pinterest는 사용자 관심사 클러스터(UICs) 신호를 검색(Retrieval), L1 유틸리티(L1 Utility), 랭킹(Ranking), 다양성(Diversity) 등 추천 파이프라인의 여러 단계에 걸쳐 통합했습니다. 검색 단계에서는 기존의 고정된 관심사 분류 대신 UICs를 조건으로 사용하여 개인화된 후보군 생성을 강화했습니다. L1 유틸리티 단계에서는 UIC 중복에 대한 페널티를 적용하여 덜 대표된 관심사의 노출 기회를 늘렸습니다. 랭킹 단계에서는 관심사 라이프사이클에 따라 유틸리티 가중치(Utility Weights)를 동적으로 조정하여 사용자의 현재 니즈에 맞는 추천을 제공합니다. 마지막으로, 블렌딩 단계의 SSD(Sliding Spectrum Decomposition) 알고리즘에 UICs를 통합하여 시각적 다양성뿐만 아니라 사용 사례(Use-case) 수준의 다양성을 확보했습니다.
Pinterest의 사용자 표현 연구는 PinnerSage에서 시작하여 OmniSage로 발전해왔습니다. PinnerSage는 다중 임베딩(Multi-embedding)을 통해 사용자의 다양한 관심사를 포착하는 기반을 마련했으며, OmniSage는 시각/의미론적 특징, 상호작용 그래프 신호 등을 융합한 다중 개체 그래프 표현(Multi-entity Graph Representation)으로 이를 더욱 발전시켰습니다. 새로운 UICs는 이러한 선행 연구를 바탕으로, 참여한 콘텐츠에 대한 개인화된 클러스터링, 동적인 클러스터 개수 결정, 그리고 상태 기반 라이프사이클 메타데이터를 추가하며 혁신을 이루었습니다. 특히, OmniSage 임베딩 공간에서의 클러스터링은 단순히 시각적 유사성을 넘어 기능적 유용성(Functional Utility)을 반영하여 사용자의 실제 생활 맥락과 연결되는 클러스터를 생성합니다.
UICs는 각 관심사가 사용자의 삶에서 어떤 단계에 있는지 파악할 수 있도록 시간적 및 행동적 메타데이터(Temporal and Behavioral Metadata)를 포함합니다. 이는 사용자의 '아파트 꾸미기'와 같이 가속화되는 관심사와 '사워도우 레시피'처럼 쇠퇴하는 관심사를 구분하는 데 도움을 줍니다. 기존의 점 추정 모델은 이러한 사용 사례의 라이프사이클(Lifecycle of Use-case)을 구분하지 못했지만, UICs는 각 관심사의 성숙도에 따라 다른 방식으로 처리할 수 있는 구조화된 신호를 제공합니다. 이를 통해 시스템은 사용자가 플랫폼과 장기적인 관계를 유지하는 데 필요한 추천을 제공하고, 새로운 관심사 탐색(Serendipitous Discovery)을 촉진할 수 있습니다.
