---
title: Pinterest sostituisce il clustering del viaggio con un modello LLM da 4 miliardi di parametri, aumentando l'engagement
url: https://www.elseif.net/it/pinterest-sostituisce-il-clustering-del-viaggio-con-un-modello-llm-da-4-miliardi-di-parametri-aumentando-lengagement
published: 2026-11-12T08:11:17+00:00
language: it
source: https://www.infoq.com/news/2026/11/pinterest-journey/?utm_campaign=infoq_content&utm_source=infoq&utm_medium=feed&utm_term=global
organizations: Pinterest, Qwen3, NVIDIA, Netflix, InfoQ
publisher: elseif
---

# Pinterest sostituisce il clustering del viaggio con un modello LLM da 4 miliardi di parametri, aumentando l'engagement

Pinterest ha sostituito il suo sistema di inferenza del viaggio con un modello LLM da 4 miliardi di parametri, Qwen3, che ha reso possibile un miglioramento del 1,1% nell'apertura degli email e del 1,3% nelle aperte push. Il nuovo sistema analizza le attività degli utenti per identificare obiettivi a lungo termine e invia quei viaggi all'infrastructure di raccomandazione esistente di Pinterest. Il sistema di Pinterest definisce un "viaggio" come un obiettivo che collega gli interessi, l'intenzione e il contesto in più sessioni. Un utente che sta rinnovando una cucina, ad esempio, potrebbe cercare progetti per le scatole, salvare idee per i contropiani e poi esplorare le lamiere o le luci. Queste interazioni raccolte suggeriscono un progetto coerente piuttosto che diversi interessi unrelated. Il sistema di Pinterest precedente estratte le parole chiave dagli attività degli utenti, le raggruppò utilizzando le rappresentazioni e le clusterizzazioni gerarchiche, diede un nome alle cluster risultanti e le classificò con altri modelli e heuristici di diversità. Sebbene sia stato efficace rispetto al sistema precedente di notifiche basate sull'interesse, l'approccio poteva frammentare le attività correlate in separate viaggi, produrre etichette generiche o confondere l'ingresso occasionale per l'intenzione sostenuta. Il nuovo sistema invece tratta l'inferenza del viaggio come compito di generazione. Un modello LLM fine-tunato legge una cronologia di fino a 150 azioni degli utenti in un arco di 360 giorni, insieme a un profilo utente compattato, e genera un insieme gerarchizzato di nomi di viaggio.

Le azioni di ricerca e salvare hanno più peso che gli click occasionali, mentre la richiesta istruisce il modello a considerare l'engagement ripetuto, la recenza e la specificità. Il sistema di Pinterest ha spostato gran parte del comportamento di classificazione e filtraggio del precedente sistema nella richiesta. Le istruzioni scoraggiano gli interessi unrelated dall'essere combinati, soffocano le attività uniche e le etichette automaticamente generate, e consentono un risultato vuoto quando non ci sono prove sufficienti di un viaggio significativo. Pinterest tratta le modifiche a queste istruzioni come lanci di produzione piuttosto che come semplici modifiche della richiesta. Per costruire il sistema senza un dataset etichettato umanamente esteso, Pinterest ha utilizzato modelli di frontiera per generare esempi di addestramento sintetici dalle attività degli utenti. Questi esempi sono stati utilizzati per fine-tunare modelli Qwen3 più piccoli attraverso l'addestramento supervisionato e l'adattamento a basso rango (LoRA). Il team ha testato modelli che variavano da 0,6 miliardi a 8 miliardi di parametri, scegliendo il modello da 4 miliardi per il suo equilibrio tra qualità di inferenza e throughput di servizio. L'implementazione del modello al grande scalare ha presentato un altro sfida tecnica. La società ha deployato NVIDIA Dynamo davanti ai lavoratori vLLM che eseguivano su L40S GPU, utilizzando batch continuo, PagedAttention e routing a cache prefissa per migliorare l'efficienza di inferenza.

Tuttavia, uno dei maggiori miglioramenti di throughput è venuto dall'evitare le inferenze non necessarie. Il sistema traccia quando ogni utente ha generato i suoi viaggi per l'ultima volta e bypassa gli utenti elaborati nel corso dei giorni precedenti. Pinterest valuta la qualità dei viaggi attraverso confronti laterali, un modello LLM giudice che valuta la rilevanza e il supporto dalle attività degli utenti, e esperimenti online. I test A/B iniziali negli Stati Uniti e in Canada hanno prodotto i miglioramenti del 1,1% nell'apertura degli email e del 1,3% nelle aperte push rispetto al sistema di clustering. Inoltre, sono stati ottenuti guadagni significativi di partecipazione e retention. L'approccio ha paralleli con il lavoro di Netflix su modelli fondazionali per raccomandazioni personalizzate. Netflix ha descritto l'apprendimento da sequenze lunghe di interazioni dei membri per creare rappresentazioni reutilizzabili da modelli di raccomandazione downstream. Mentre Netflix si concentra sulle rappresentazioni preferenziali reutilizzabili e Pinterest genera descrizioni esplicite di viaggio, entrambi gli approcci utilizzano storie di comportamento a lungo termine per arricchire l'infrastructure di raccomandazione esistente piuttosto che sostituirla completamente.