يحدد Pinterest التحسينات الأخيرة في الخوارزمية والتي عززت تفاعل الدبوس
شهدت Pinterest ارتفاعًا في التفاعل والاستخدام مؤخرًا، وقد يكون هناك سبب وجيه لذلك، مع قيام النظام الأساسي بنشر نظرة عامة تقنية جديدة حول كيفية تحسين خوارزميات التوصيات الخاصة به لزيادة التفاعل – وعلى وجه التحديد، كيفية الاستخدام الأحدث والتكيف ساعدتها البيانات في تعزيز نشاط المشاركة.
من الصعب جدًا قراءة النظرة العامة الكاملة لغير المطورين:
يتم استخدام قناع النافذة الزمنية العشوائية لجعل النموذج أقل استجابة ولتجنب انخفاض التنوع. ثم نقوم بإدخاله في محول ترميز. بالنسبة للتجربة الأولية، نستخدم طبقة ترميز محول واحدة فقط. ناتج محول التشفير هو مصفوفة الشكل. ثم نقوم بتسوية الإخراج إلى متجه وإطعامه مع جميع الميزات الأخرى لطبقات MLP للتنبؤ بإجراءات المستخدم متعددة الرؤوس”.
نعم، إنه ليس ملخصًا ترفيهيًا بأي وسيلة، ولكن في جوهره، يقدم فريق Pinterest الهندسي شرحًا لكيفية تحسين أنظمته لاتخاذ إجراءات مستخدم أحدث في التطبيق، مما يجعل التوصيات التي يقدمها أكثر صلة، وبالتالي تحسين مشاركة Pinner.
وهو بالطبع منطقي تمامًا، ولكن من المثير للاهتمام أن نلاحظه في سياق خاص بـ Pin.
يوضح Pinterest أنه يستخدم أحدث 100 إجراء مستخدم كإجراء لتحديد الاهتمام الفردي، لكنه تم مؤخرًا تحديث عمليته لتحديث هذه البيانات بشكل متكرر أكثر مما كانت عليه.
حسب Pinterest:
″ [من أجل] مواجهة تحدي تناقص المشاركة، نقوم بإعادة تدريب نموذج تسلسل الوقت الفعلي مرتين في الأسبوع. عند القيام بذلك، أصبح معدل المشاركة أكثر استقرارًا”.
نظرًا لأن Pinterest يعرض توصيات أكثر صلة لكل مستخدم، بناءً على أحدث نشاط له، فإن ذلك يخلق حذافة جديدة للتحسين في توصيات Pin الخاصة به.
كما ترى في هذه النظرة العامة، تؤدي التوصيات الأحدث إلى مزيد من سلوكيات المشاركة، بما في ذلك re-Pins ، والتي تلاحظ Pinterest أنها “ أحد المؤشرات الرئيسية لمشاركة المستخدم على النظام الأساسي ″.
يؤدي ذلك بعد ذلك إلى منح Pinterest مزيدًا من البيانات حول ما يُرجح أن يقوم كل مستخدم بإعادة تثبيته أو حفظه، مما يؤدي بعد ذلك إلى تحسين نظام التوصيات الخاص به بشكل أكبر، مما أدى بشكل عام إلى تحسينات كبيرة في عمليته:
″ أثناء التجربة عبر الإنترنت، لاحظنا أن حجم repine للمستخدمين بشكل عام زاد بنسبة 6٪، ولاحظنا أن زيادة حجم repine على المستخدمين غير الأساسيين يمكن أن تصل إلى 11٪.”
تقلل العملية أيضًا من عمليات إخفاء Pin ، أو يتخلص الأشخاص من التوصيات غير ذات الصلة – بينما يلاحظ Pinterest أيضًا أن المكاسب التي شهدتها منذ ذلك الحين في الإنتاج الفعلي أكبر من إحصائيات الاختبار هذه.
″الزيادة الفعلية في حجم repine التي لاحظناها بعد شحن هذا النموذج إلى الإنتاج أعلى من نتائج التجارب عبر الإنترنت. ومع ذلك، لن نكشف عن الرقم الدقيق في هذه المدونة”.
باختصار، قامت Pinterest بتحسين خوارزميتها من خلال تحديث بياناتها في كثير من الأحيان، وجعل توصيات Pin الخاصة بها أكثر صلة، ودفع المزيد من إجراءات المشاركة. يمكن لـ Pinterest بعد ذلك تضمين إجراءات المشاركة هذه في عمليتها، مما يؤدي بعد ذلك إلى تحسين التجربة الفردية لكل مستخدم.
أيضًا، يعد Pin Saves عاملاً رئيسيًا يحدد مدى وصول الخوارزمية. ليس هناك كومة يمكنك القيام بها بالضرورة بهذه المعلومات، ولكن من الجدير بالذكر أن هذا عنصر حاسم سيحدد أداء Pin الخاص بك في التطبيق.
إنها نظرة عامة مثيرة للاهتمام، لا سيما بالنظر إلى نمو Pinterest المتسارع مؤخرًا، وميزات الاكتشاف المتطورة باستمرار.
يمكنك قراءة النظرة العامة التقنية الكاملة لـ Pinterest هنا إذا كنت تبحث عن مزيد من المعلومات حول التحديث – على الرغم من ذلك، مرة أخرى، فهو تقني إلى حد ما، وستجد نفسك تحدق وتعيد قراءة الكثير من السطور.
المصدر: socialmediatoday
إقراء ايضا:
