Pinterest Home feed의 다목적 최적화 진화

Pinterest Home feed의 마지막 추천 단계는 단순히 각 Pin의 클릭 확률을 예측하는 수준이 아니라, 피드 전체의 구성을 최적화하는 역할을 맡는다. retrieval, pre-ranking, ranking, re-ranking으로 이어지는 추천 파이프라인 중 이 단계는 단기 참여도와 장기 만족도, 신규 사용성 확산, 사업 요구사항을 함께 맞추는 핵심 레이어다.

다양성은 이 레이어의 핵심 축이다. 피드 수준의 diversity를 제거하면 day 1의 save 같은 즉시 반응은 늘 수 있지만, 2주차에는 오히려 역효과가 나고 세션 시간도 줄어든다. 더 좁고 반복적인 콘텐츠를 보여줄수록 사용자의 행동 신호도 그 방향으로 강화돼, 시스템이 다시 덜 다양한 피드를 학습하는 악순환이 생긴다.

초기 버전인 V1: DPP(Determinantal Point Process) 는 2021년에 도입됐다. DPP는 대각 성분으로 각 아이템의 relevance/quality를, 비대각 성분으로 아이템 간 유사도를 표현하는 커널 행렬을 사용하며, Pinterest는 GraphSAGE와 taxonomy 신호를 활용해 이 유사도를 구성했다. 출시 이후 중요한 구성요소로 자리잡았고, DPP를 제거한 ablation에서는 첫 주 이후 time spent impression이 2% 이상 감소했다.

이후 V2: Sliding Spectrum Decomposition(SSD) 로 발전했다. SSD는 후보 피드를 슬라이딩 윈도우 단위로 분해해 latent spectrum(토픽, intent, style)을 추적하고, 덜 노출된 spectrum은 밀어주고 과도하게 반복되는 spectrum은 완만히 억제하는 position-adaptive diversification 방식이다. DPP보다 계산 복잡도가 낮고, Cholesky 기반 분해나 positive semi-definite 제약, log-determinant, 불안정한 수치 문제에 덜 민감해서 PyTorch 스타일로 구현하기 쉽고 serving latency도 낮다.

Pinterest는 2025년 초 SSD를 PyTorch 기반으로 회사의 model serving cluster에서 실행하기 시작했다. 덕분에 pairwise Pin similarity를 계산할 때 더 풍부한 embedding을 넣을 수 있었고, visual embeddings, text embeddings, graph embeddings 같은 신호를 더 넓게 활용해 다양성과 참여도의 균형을 개선했다.

그 다음 단계가 Unified Soft-Spacing Framework 다. SSD에 quality 목표를 결합해, 특히 품질 리스크가 있는 콘텐츠는 가까운 위치에 몰리지 않도록 soft spacing penalty를 적용했다. 이는 기존처럼 강한 filtering에만 의존할 때 생길 수 있는 backfill 부족과 사용자 경험 저하를 줄이면서도, 민감 콘텐츠의 분포를 더 정교하게 제어하는 방식이다. 이 로직은 mid 2025 에 배포됐고, late 2025 에는 config-based로 추상화돼 확장 가능한 프레임워크로 발전했다.

인프라도 함께 진화했다. DPP 시절에는 Lightweight Reranking 노드, DPP 노드, 히ュー리스틱 spacing 로직이 연결된 체인이 backend 안에 묶여 있어 기존 의존성에는 잘 얹히지만 로컬 테스트나 실험이 어렵고 유연성이 낮았다. SSD 도입 이후에는 blending logic의 상당 부분이 PyTorch 기반 model serving cluster 로 이동했고, 앞으로도 더 많은 heuristic logic을 서버 쪽으로 옮겨 blending layer 자체를 단순화하는 방향으로 가고 있다.