VK Research улучшила классические рекомендации

Исследователи AI VK Research предложили подход, который позволяет классическим рекомендательным системам учитывать не только текущие интересы пользователя, но и влияние рекомендаций на его дальнейшие предпочтения. Метод разработали в ходе развития рекомендательных технологий VK и уже применяют для отдельных прикладных задач без полной перестройки архитектуры существующих систем.

В рекомендательных системах VK основную роль играют современные нейросетевые модели. Классические алгоритмы по-прежнему используют в сценариях, где важны скорость работы и эффективное расходование вычислительных ресурсов. Обычно они подбирают контент только исходя из того, что больше всего подходит пользователю в текущий момент, не оценивая последствия для следующих показов.

Новый подход добавляет механизм планирования и учитывает, как сегодняшняя рекомендация повлияет на следующие, чтобы вся цепочка выдачи становилась качественнее. Решение можно внедрять в действующие рекомендательные системы без полной перестройки их архитектуры и без существенного роста вычислительных затрат там, где тяжелые нейросетевые модели неоправданны.

Подход протестировали на открытых датасетах, включая VK-LSVD. В офлайн-экспериментах он превзошел классический отбор контента. Ранее ВКонтакте обновила алгоритмы рекомендаций контента, и VK Research продолжает развивать рекомендательные технологии платформы для более точного подбора материалов в ленте.

Команда планирует точнее учитывать обратную связь пользователей и адаптировать метод для более широкого промышленного применения. Результаты изложены в статье Planning over Matrix-Factorization MDPs for Candidate Generation. Для авторов и брендов улучшение рекомендаций усиливает интернет-маркетинг и SMM, помогая точнее доставлять контент аудитории в ленте и смежных разделах сервиса.