Pinterest와 같은 온라인 플랫폼에서 사용자 재방문은 사용자 충성도를 강화하고 성장을 이끄는 중요한 목표이다. 재방문을 모델링하고 최적화하는 것은 개인화된 추천 및 사용자 만족과 관련이 있지만, 특정 사용자 행동이나 콘텐츠 노출이 재방문을 유발하는지 정확하게 파악하기 어렵다는 어려움이 있다. 또한 재방문의 규모와 시기가 복잡성을 더한다. 본 논문에서는 Pinterest의 검색 기반 추천 환경에서 재방문 행동을 모델링하고 장기적인 사용자 유지를 최적화하기 위한 새롭고 가볍고 해석 가능한 프레임워크를 제시한다. 저장과 재방문 간의 대리 속성 프로세스를 정의함으로써 사용자 행동과 재방문 간의 인과 관계에서 노이즈를 줄였다. 대규모 이벤트 집계 파이프라인을 통해 대규모 사용자 재방문 패턴 분석을 가능하게 하고, 높은 유지 가치를 가진 항목을 제시하는 랭킹 시스템의 능력을 향상시켰다. 이 프레임워크는 Pinterest의 Related Pins에 배포되어 5억 명 이상의 사용자에게 서비스를 제공하며, 추가 계산 비용 없이 활성 사용자 수를 0.1% 증가시켰다.
