TransAct：Pinterest基于Transformer的实时用户操作推荐模型
信息检索
2025-06-04 v1 人工智能
摘要
对用户活动进行编码以预测下一步操作的序列模型，已成为构建大规模个性化推荐系统的流行设计选择。传统的序列推荐方法要么利用实时用户操作进行端到端学习，要么以离线批量生成的方式单独学习用户表示。本文（1）介绍了Pinterest主信息流（我们的个性化推荐产品及最大互动版面）的排序架构；（2）提出TransAct，一种从用户实时活动中提取短期偏好的序列模型；（3）描述了我们的混合排序方法，其将通过TransAct的端到端序列建模与批量生成的用户嵌入相结合。该混合方法使我们能够兼具直接学习实时用户活动带来的响应性优势，以及较长时间段内学习的批量用户表示的成本效益。我们描述了消融研究的结果、在生产化过程中面临的挑战，以及在线A/B实验的结果，后者验证了我们混合排序模型的有效性。我们进一步展示了TransAct在上下文推荐与搜索等其他版面上的有效性。我们的模型已部署于Pinterest的主信息流、相关图钉、通知与搜索的生产环境中。
引用
@article{arxiv.2306.00248,
title = {TransAct: Transformer-based Realtime User Action Model for Recommendation at Pinterest},
author = {Xue Xia and Pong Eksombatchai and Nikil Pancha and Dhruvil Deven Badani and Po-Wei Wang and Neng Gu and Saurabh Vishwas Joshi and Nazanin Farahpour and Zhiyuan Zhang and Andrew Zhai},
journal= {arXiv preprint arXiv:2306.00248},
year = {2025}
}
备注
\c{opyright} {ACM} {2023}. This is the author's version of the work. It is posted here for your personal use. Not for redistribution. The definitive Version of Record was published in KDD'23, http://dx.doi.org/10.1145/3580305.3599918