一个人今天收藏婚礼穿搭，下周搜索夏季礼服，之后又翻看配饰。单看每次点击，它们彼此零散；连起来看，却可能是在准备参加八月的婚礼。Pinterest Engineering尝试让大语言模型（LLM——能从大量文本中归纳含义的模型）从这类活动记录中，推断用户正在推进的“旅程”。
事件日志只记下何时点击、搜索或收藏，用户旅程则追问这些行为是否服务于同一目标。Pinterest此前会先聚类关键词，再用不同机器学习模型补充属性；新方案把任务改成直接生成：一个经过微调的40亿参数模型按时间读取活动日志，输出按相关性排序的旅程名称，并使用用户所在地区的语言。这样，推荐所依据的就不只是“刚看了什么”，而是“想完成什么”，也能覆盖跨越多次会话、持续数周或数月的目标。
值得留意的是，这套思路把推荐的观察单位从单个内容抬高到了意图层。不过，供稿节选没有披露准确率、线上效果或具体部署成本，因此目前能确认的是方法与生产方向，不能据此判断它比旧系统好多少。