Исследователи AI VK Research научили классические рекомендательные алгоритмы учитывать будущие интересы пользователей

Исследователи AI VK Research предложили новый подход, который позволяет классическим рекомендательным системам учитывать не только текущие интересы пользователя, но и влияние рекомендаций на его дальнейшие предпочтения. Подход был разработан в ходе развития рекомендательных технологий VK и уже используется для решения отдельных прикладных задач.

Сегодня в рекомендательных системах VK основную роль играют современные нейросетевые модели. При этом классические алгоритмы по-прежнему применяются в отдельных сценариях, где важны скорость работы и эффективность использования вычислительных ресурсов. Обычно алгоритмы подбирают контент только исходя из того, что больше всего подходит пользователю в текущий момент.

Новый подход позволяет учитывать, как сегодняшняя рекомендация повлияет на следующие, чтобы вся цепочка рекомендаций становилась качественнее.

Решение можно внедрять в существующие рекомендательные системы без полной перестройки их архитектуры.

Александр Дьяконов, руководитель отдела исследований AI VK Research:

Сегодня многие исследования сосредоточены на больших нейросетевых рекомендательных моделях. При этом во многих сервисах и отдельных компонентах рекомендательных систем классические алгоритмы остаются наиболее эффективным решением. Мы показали, что их можно дополнить механизмом планирования: учитывать не только текущую рекомендацию, но и ее возможное влияние на дальнейшее взаимодействие пользователя с контентом. Такой подход повышает качество рекомендаций без существенного роста вычислительных затрат и позволяет применять современные методы планирования там, где использование тяжелых нейросетевых моделей неоправданно.

Новый подход протестировали на нескольких открытых датасетах, включая VK-LSVD. В офлайн-экспериментах он показал более высокое качество рекомендаций по сравнению с классическим методом отбора контента. В дальнейшем команда планирует исследовать способы точнее учитывать обратную связь пользователей и адаптировать подход для более широкого промышленного применения.

Решение подробно изложено в статье Planning over Matrix-Factorization MDPs for Candidate Generation.

Напомним, ранее в июле VK Tech расширила возможности платформы VK AI Space, добавив многоуровневую систему памяти для корпоративных AI-агентов. Также VK начал внедрение в продукты нейропоиск Discovery AI. Технология поможет пользователям подбирать контент и получать готовые ответы на вопросы в продуктах компании с помощью генеративного ИИ.

Источник: пресс-релиз VK