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