Исследователи AI VK Research обучили традиционные рекомендательные методы учесть будущие интересы юзеров

Исследователи AI VK Research предложили новейший подход, который дозволяет традиционным рекомендательным системам учесть не только лишь текущие интересы юзера, да и воздействие советов на его последующие предпочтения. Подход был разработан в процессе развития рекомендательных технологий VK и уже употребляется для решения отдельных прикладных задач.

Сейчас в рекомендательных системах VK главную роль играют современные нейросетевые модели. При всем этом традиционные методы как и раньше используются в отдельных сценариях, где важны скорость работы и эффективность использования вычислительных ресурсов. Обычно методы подбирают контент лишь исходя из того, что больше всего подступает юзеру в текущий момент.

Новейший подход дозволяет учесть, как нынешняя рекомендация воздействует на последующие, чтоб вся цепочка советов становилась лучше.

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

Александр Дьяконов, управляющий отдела исследовательских работ AI VK Research:

Сейчас почти все исследования сосредоточены на огромных нейросетевых рекомендательных моделях. При всем этом в почти всех сервисах и отдельных компонентах рекомендательных систем традиционные методы остаются более действенным решением. Мы проявили, что их можно дополнить механизмом планирования: учесть не только лишь текущую рекомендацию, да и ее вероятное воздействие на предстоящее взаимодействие юзера с контентом. Таковой подход увеличивает свойство советов без существенного роста вычислительных издержек и дозволяет использовать современные способы планирования там, где внедрение томных нейросетевых моделей необоснованно.

Новейший подход протестировали на нескольких открытых датасетах, включая VK-LSVD. В офлайн-экспериментах он показал наиболее высочайшее свойство советов по сопоставлению с традиционным способом отбора контента. В предстоящем команда планирует изучить методы поточнее учесть оборотную связь юзеров и адаптировать подход для наиболее широкого промышленного внедрения.

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

Напомним, ранее в июле VK Tech расширила способности платформы VK AI Space, добавив многоуровневую систему памяти для корпоративных AI-агентов. Также VK начал внедрение в продукты нейропоиск Discovery AI. Разработка поможет юзерам подбирать контент и получать готовые ответы на вопросцы в продуктах компании при помощи генеративного ИИ.

Добавить комментарий

Ваш адрес email не будет опубликован. Обязательные поля помечены *