Pinterest, 사용자 활동에서 장기 목표를 추론하는 LLM 구축

Pinterest가 검색과 저장 기록을 읽고 ‘주방 리모델링’이나 ‘사워도우 배우기’처럼 사용자가 이루려는 목표를 추론해 추천과 알림에 활용 키워드를 추출하고 묶어 이름을 붙이던 다단계 처리 대신, 미세 조정한 40억 파라미터 LLM 하나가 활동 기록에서 목표 목록과 우선순위를 직접 생성하는 방식으로 전환 대형 모델이 만든 학습 데이터를 Qwen3 4B에 학습시켜 비용을 줄이고, 따로 분리되던 관심사를 하나의 목표로 묶거나 사용자 언어로 구체적인 이름을 생성 L40S GPU 약 100개로 초당 약 775건을 처리하며, 목표가 자주 바뀌지 않는 특성을 활용해 최근 며칠 내 분석한 사용자는 건너뛰어 처리 부담을 절감 미국과 캐나다 실험에서 기존 클러스터링 방식보다 이메일 클릭률 1.1%, 푸시 열람률 1.3% 상승했으며, 실제 사용자 피드백을 반영하는 추가 학습은 실험 중 개별 관심사가 아닌 장기 목표를 추천에 활용 Pinterest의 여정(journey) 은 사용자가 특정 목표를 이루기 위해 여러 차례 방문하며 검색하고 저장하는 일련의 활동을 뜻함 ‘여름 드레스’는 관심사지만, ‘8월에 참석할 여름 결혼식에 입을 옷 알아보기’는 여정에 해당 주방 리모델링, 채소 정원 가꾸기, 사워도우 배우기처럼 여러 여정이 동시에 존재하며 생활 변화에 따라 달라짐 다음에 클릭할 콘텐츠나 ‘홈 데코’ 같은 넓은 관심사만으로는 수주에서 수개월에 걸친 목표를 파악하기 어려움 수납장 이미지 클릭, 주방 벽면 검색, 정원 화단 저장이 하나의 프로젝트인지, 별개 프로젝트인지, 일시적인 관심인지 구별할 필요 이 판단에 따라 추천할 콘텐츠와 알림 문구, 알림을 보내지 않을 시점도 달라짐 원하는 결과는 분류표의 항목이 아니라, 사용자가 자신의 목표로 알아볼 수 있는 구체적인 이름과 우선순위 사용자 활동이 시간순으로 쌓이는 전자상거래, 스트리밍, 검색 서비스에서도 같은 방식으로 활동 기록에서 의도를 추론할 수 있음 초기 클러스터링 시스템의 성과와 한계 초기 사용자 여정 시스템은 정답이 붙은 데이터가 거의 없어, 사전 학습된 텍스트 임베딩과 사람이 만든 수백 개의 예시로 시작 검색어, 사용자가 반응한 Pin의 설명 태그와 관심사, 보드에 모은 Pin에서 키워드 추출 키워드를 벡터로 변환하고 비슷한 것끼리 단계적으로 묶어 여정 후보 생성 묶음 안에서 가장 중요한 키워드를 골라 여정 이름으로 사용 후보별 점수로 순위를 매기고, 비슷한 후보에는 감점을 ...