为了保证Pinterest的安全和激励，除了用实时规则引擎打击垃圾信息外，我们还通过版主调查和自动系统主动对违反社区准则的内容采取行动。我们的机器学习模型可以识别出违反我们政策的内容，从健康错误信息到仇恨言论、自我伤害和图形暴力。多年来，我们还在使用Spark、LSH和TensorFlow检测类似图像的能力上取得了进步，并将其应用于信任和安全工作。

作为信任与安全团队，我们的主要职责之一是保护Pinners免受垃圾信息的侵害。如果没有保护措施，垃圾信息就有可能遍布 Pinterest。

在 Pinterest，我们打击垃圾信息的最有价值的工具之一是我们使用的规则引擎。规则引擎允许我们查看事件流，如果满足规则中的标准，我们就可以采取行动（如阻止消息，停用发送人，或对用户进行标记并人工审查）。 在这里，我们将分享我们的垃圾信息打击规则和查询的演变，以及在整个过程中我们学到的东西。

工程效能团队的愿景是“建立一个能激励开发者把工作做到最好的开发平台”。持续集成（CI）是这个平台不可或缺的部分。CI负责验证代码变更，并生成可以部署到持续交付平台的发布项。公司有超过1000名工程师，我们的团队面临着一个挑战，提供可靠和快速的CI，服务于大规模的代码仓库。

As more use cases are onboarded to Manas, one special scalability and efficiency challenge emerges when serving documents with a hierarchical structure. Manas, as a traditional search engine, was designed and optimized to support flattened documents. As a result, we have to flatten attributes of root documents all the way to the leaf level regardless of the hierarchical structure, leading to inefficiencies in both indexing and serving pipelines.

在上一篇文章中，我们介绍了我们的内部搜索引擎--Manas，并分享了我们如何大规模地提供基于术语的搜索服务。自推出以来，Manas已经成长为Pinterest的关键候选生成器之一，服务于许多超出其最初目的的用例。

特别是，基于嵌入的检索是Pinterest的发现和推荐引擎的一个关键组成部分。Manas传统上支持通过位置敏感哈希(LSH)在反向索引上进行近似最近邻(ANN)搜索，这是基于术语搜索引擎的自然扩展。在Hierarchical Navigable Small World graphs (HNSW)等新的先进技术发布后，我们在Manas中建立了一个灵活的基于嵌入的检索框架，使我们能够轻松地搭载新的ANN技术。我们使用新的框架向我们的批量索引集群推出了HNSW（从几分钟到几天的索引延迟），与LSH相比，我们节省了巨大的服务成本，降低了延迟。

Manas是Pinterest内部的搜索引擎，是一个通用的信息检索平台。Manas被设计为一个具有高性能、可用性和可扩展性的搜索框架。今天，Manas为大多数Pinterest产品提供了搜索功能，包括Ads、搜索、Homefeed、Related Pins、Visual和Shopping。 搜索系统的关键指标之一是索引延迟，即更新搜索索引以反映变化所需的时间。随着系统能力的不断增强和新用例的上线，即时索引新文档的能力变得更加重要。Manas已经支持增量索引，能够提供数十分钟以内的索引延迟。不幸的是，这不能满足日益增长的来自Ads和follow feeds的业务需求。于是在Manas中构建了一个新的模块，进一步将索引延迟降低到几分之一秒。 在这篇文章中描述了系统的架构及其关键挑战，并给出了权衡的细节。

Challenges naturally occur with Pinterest’s rapid growth. As a Pinner, you might have noticed some instances where your data doesn’t look “correct,” and you may have had a negative experience because of it. For example: the “Pin count” in your profile shows the incorrect number of Pins.

Demand on Pinterest’s core infrastructure systems is accelerating faster than ever as more Pinners come to Pinterest to find inspiration. A distributed cache layer fronting many services and databases is one of our core storage systems that sits near the bottom of Pinterest’s infrastructure stack, responsible for absorbing the vast majority of backend traffic driven by this growth.

People have always come to Pinterest for shopping inspiration, and we’ve made big strides over the years to make that as seamless as possible so Pinners (users) can go from inspiration to purchase, including evolving shoppable Product Pins, improving recommendations and making it easier for merchants to upload their catalogs to curate and feature their products.

Ankit Patel | Software engineer, Content Acquisition and Media Platform

Philip Apps | Data Scientist, Ads Quality

How experimentation and cross-functional collaboration are key to making a redesign successful

Urvashi Reddy | Software Engineer, Engineering Productivity Team Adam Berry | Tech Lead, Engineering Productivity Team Rui Li | Software…

James Ouhyoung | Growth Search Traffic, Bruce Yu | Growth Search Traffic

Rui Huang, Song Cui | Software Engineers, Content Interest Understanding Team, Jennifer Zhao | Software Engineers, Content Core Signal…

Nishant Roy | Ads Serving