VK Research улучшила рекомендательные алгоритмы
Исследователи AI VK Research предложили подход, который учит классические рекомендательные алгоритмы учитывать будущие интересы пользователей. Метод разработали при развитии рекомендательных технологий VK и уже применяют для отдельных прикладных задач. Система оценивает не только текущие предпочтения, но и то, как сегодняшняя рекомендация может изменить дальнейшее поведение человека в ленте.
В рекомендациях VK основную роль играют нейросетевые модели, но классические алгоритмы сохраняют значение там, где важны скорость и эффективность вычислений. Новый механизм планирования дополняет их без полной перестройки архитектуры. Он оптимизирует цепочку рекомендаций, а не только ближайший клик, и повышает качество подбора контента без существенного роста вычислительных затрат.
Подход протестировали на открытых датасетах, включая VK-LSVD. В офлайн-экспериментах он показал более высокое качество рекомендаций по сравнению с классическим методом отбора контента. Исследование представили на конференции KDD 2026 в работе Planning over Matrix-Factorization MDPs for Candidate Generation, где описан способ планирования поверх matrix factorization.
Ранее ВКонтакте обновила алгоритмы рекомендаций контента, и разработка продолжает улучшение лент и персонализации VK. Команда планирует точнее учитывать обратную связь пользователей и расширить применение метода в сценариях, где важны удержание и долгосрочное вовлечение аудитории.
Для авторов и брендов в соцсетях это означает более точный подбор контента в рекомендациях, где искусственный интеллект учитывает траекторию интересов, а не только разовый отклик пользователя. Для специалистов по интернет-маркетингу метод может повысить качество попадания материалов в ленту без замены всей рекомендательной инфраструктуры платформы VK.
