핀터레스트 홈 피드용 조건부 학습 검색 스케일링

핀터레스트 홈 피드의 후보 생성은 대규모 사용자-핀 검색 문제이다. 기존 2-tower 모델은 단일 사용자 임베딩으로 다중 의도를 포착하기 어려웠으나, 조건부 학습 검색(CLR) 은 명시적인 검색 컨텍스트에 기반해 다양한 관심사를 반영하는 임베딩을 생성한다.

CLR은 초기 관심사 기반 알림에서 홈 피드의 멀티-임베딩 검색 프레임워크로 진화했다. LLM 기반 사용자 관심사 신호, 최근 참여 핀 클러스터링을 통한 핀 조건, 그리고 보드 그래프 랜덤 워크를 활용한 보드 조건까지 지원 범위를 확장했다. 이를 통해 기존 휴리스틱 후보 생성기를 대체하고 서빙 스택을 단순화하는 동시에 지표 개선을 달성했다.

인프라 측면에서는 GPU 기반 서빙으로 레이턴시를 낮추고, Claude Code를 활용해 요청당 조건 수를 자동 튜닝하는 에이전틱 예산 조정 정책을 도입했다. 또한 20GB 규모의 ID 임베딩 테이블을 TorchRec으로 샤딩하여 대규모 ID 공간의 메모리화와 충돌을 관리하는 등 모델 기반을 강화했다.