Pinterest通过引入Hadoop控制中心（HCC）优化大数据集群管理，简化了集群扩展和缩减操作。HCC自动处理节点退役、数据复制和ASG调整，减少人工干预，确保数据安全。HCC架构包括管理节点和多个工作节点，支持自动化的集群操作，并与Terraform协同工作，避免配置冲突。未来，HCC计划增加更多自动化功能，如节点轮换和故障检测。

Pinterest推出TransActV2，通过160倍的用户行为序列扩展，结合Next Action Loss和高效部署方案，实现终身行为建模。该模型提升了推荐系统的精度和多样性，显著减少用户隐藏行为，增加保存和互动。系统优化降低了99%的延迟，实际应用中提升了用户粘性和内容发现效果。这一突破为大规模实时个性化推荐树立了新标杆。

Pinterest工程师团队打造了内部文档系统PDocs，采用"文档即代码"理念，用Markdown编写、Git管理，结合静态站点生成器自动构建统一文档中心。PDocs解决了传统wiki工具的质量和可发现性问题，支持代码审查、搜索集成和AI问答，上线后获广泛采用。未来将优化编辑体验并增强文档互动性，持续提升技术文档质量。

Pinterest通过用户调查实现个性化推荐，避免纯按参与度或时间顺序排名的弊端。其“家庭动态相关性调查”帮助优化内容，确保用户看到的是真正与其兴趣相符的灵感。这种方法不仅提升了用户体验，还体现了对用户福祉的重视，展现了平台在健康个性化推荐上的创新与实践。

Pinterest升级了首页推荐系统的预排序层，采用全新系统与模型设计。通过请求级和物品级子组件联合训练、解耦服务提升效率，并引入根叶架构优化在线推理。创新性地结合早期漏斗日志与曝光数据，解决样本选择偏差问题。模型蒸馏技术进一步对齐预排序与完整排序效果，显著提升业务指标。团队还实现了模型自动重训练，持续优化推荐时效性。

Pinterest通过优化特征回填流程提升推荐和广告模型的迭代效率。从最初的Spark全量回填到两阶段回填，再到引入Iceberg表和Ray框架，显著降低了时间和成本。两阶段回填实现并行处理，减少数据混洗；Iceberg提升分区管理和数据压缩；Ray支持训练时动态数据加载。整体效率提升90倍，数据压缩率达75%。

Pinterest通过统一动态框架（UDF）解决了实验指标计算中的扩展性和延迟问题。UDF利用动态DAG技术，实现了并行批处理、自动回填和通知功能，显著提升了指标交付速度和可靠性。该框架支持100倍指标增长，未来可扩展至500倍，同时简化了管道创建，使开发者专注于创新。标准化处理推动了实验平台的创新和业务成果。

多门混合专家模型（MMoE）通过动态分配计算资源提升效率，促进多任务学习。结合知识蒸馏，弥补数据保留期短导致的性能差距，增强新模型表现。实验验证，MMoE在广告用户匹配任务中表现优异，显著提升线上线下指标。混合精度推断和轻量门层设计有效降低基础设施成本，确保模型性能不降。

Pinterest在八个月内将370万行代码从Flow迁移到TypeScript，提升了类型安全性和开发体验。迁移过程分为设置、转换和集成三个阶段，通过自动化工具和脚本大幅减少手动干预。最终，TypeScript的社区支持、语言特性和人才储备优势显著，迁移后开发效率和代码质量显著提升，且整个过程平稳无事故。

Pinterest通过LLM（大语言模型）优化搜索相关性，采用交叉编码器架构预测查询与Pin的相关性，并利用多种文本特征（如标题、描述、图像合成标题等）增强Pin表示。由于LLM实时服务成本高，通过知识蒸馏将LLM模型压缩为轻量级学生模型，实现在线服务。实验表明，该方法显著提升了搜索相关性和用户满意度，尤其在多语言场景下表现优异。未来将探索可服务LLM和多模态模型的集成，进一步提升系统效果。

Pinterest推出了“Holiday Finds”功能，旨在简化节日礼物发现过程。通过优化个性化推荐系统，智能生成愿望清单，并结合动态UI框架，为用户提供沉浸式购物体验。技术核心包括候选生成、排名和混合机制，确保推荐内容多样化且符合节日需求。自动生成的愿望清单减少了用户手动操作的繁琐，提升了购物效率。整体设计注重平台兼容性和用户体验，为未来购物功能扩展奠定了基础。

Pinterest的Homefeed引入了模块化内容，通过动态混合模块和Pins优化用户体验。模块分为落地页和轮播两种类型，提供更多浏览控制和推荐背景。通过疲劳机制，减少用户不感兴趣的模块展示。模块排名模型结合用户互动数据，优化模块排序。跳过槽混合方法根据预测互动动态调整模块位置，确保模块仅在预测互动高于Pins时显示。未来计划进一步优化排名和混合策略。

Pinterest通过三种方法分析关键指标波动的原因:首先,“切片分析”通过细分指标维度,找到显著变化的部分;其次,“通用相似性”通过扫描其他指标,找出与目标指标相似或相反的变化;最后,“实验效应”通过分析A/B测试,识别对指标影响最大的实验。这些方法结合使用,能有效缩小根因搜索范围,提升分析效率。

Pinterest Homefeed团队通过嵌入式检索技术提升个性化推荐,采用先进的特征交叉和ID嵌入,升级服务语料库,增强机器学习检索能力。改进的两塔模型引入MaskNet和DHEN框架,以提高用户参与度。预训练ID嵌入和条件检索进一步优化推荐精准度。采用多嵌入检索和条件检索方法,提升多样性和用户交互,提高推荐系统效率。

Pinterest通过多阶段推荐系统,利用两塔模型及自动再训练机制,提升内容检索和用户参与度。模型结合用户长期和短期行为进行嵌入生成,采用在线服务和离线索引策略,确保模型版本同步并支持快速回滚。自上线以来,新系统已显著提升用户覆盖率和保存率,成功取代其他候选生成器,实现整体用户参与度的提升。

NGAPI, the API platform for serving all first party client API requests, requires optimized system performance to ensure a high success rate of requests and allow for maximum efficiency to provide Pinners worldwide with engaging content. Recently, our team made a significant improvement in handling memory pressure to our API service by implementing a Lightning Memory-Mapped Database (LMDB) to streamline memory management and enhance the overall efficiency of our fleet of hosts. To handle parallelism, NGAPI relies on a multi-process architecture with gevent for per-process concurrency. However, at Pinterest scale, this can cause an increase in memory pressure, leading to efficiency bottlenecks. Moving to LMDB reduced our memory usage by 4.5%, an increase of 4.5 GB per host, which allowed us to increase the number of processes running on each host from 64 to 66, resulting in a greater number of requests each host could handle and better CPU utilization, thus reducing our overall fleet size. [1] The result? More happy Pinners, per host!