Исследователи AI VK Research разработали новейший способ прогнозирования энтузиазма к контенту

Исследователи AI VK Research разработали способ машинного обучения HEGM (Hierarchical Exponential-Gaussian Mixture), который помогает рекомендательным системам поточнее определять энтузиазм юзеров к контенту.

Работа принята на международную конференцию IEEE ICDM 2026, а код модели выложен в открытый доступ. Технологию уже ввели в VK Клипы: количество просмотренных роликов за один заход в сервис подросло на 10%, а число просмотров длительностью наиболее 10 секунд возросло на 6%.

В рекомендательных системах время взаимодействия с контентом – один из главных характеристик пользовательского энтузиазма. Классические методы обычно предсказывают лишь ожидаемую длительность просмотра, не беря во внимание различные сценарии поведения: юзер может сходу пролистать видео, поглядеть его отчасти, досмотреть до конца либо включить повторно. Подобная задачка возникает и при наставлениях музыки, текстовых публикаций, рекламы и продуктов.

Способ HEGM предсказывает не одно ожидаемое время просмотра, а распределение вероятной длительности просмотра с учетом различных сценариев поведения юзеров.

На базе одной модели можно оценивать возможность резвого пролистывания, досмотра видео до конца и остальные характеристики пользовательского энтузиазма.

Исследователи проверили HEGM на 2-ух открытых наборах данных KuaiRec и VK-LSVD, также на внутреннем датасете из 282 млн настоящих обезличенных пользовательских взаимодействий. Способ затмил остальные тестированные решения по качеству ранжирования.

Тестирование в VK Клипах показало, что юзеры стали почаще глядеть видео (+6%) и пореже ставить дизлайки (−8%).

Разработка может применяться в всех цифровых сервисах для прогнозирования длительности взаимодействия юзера с контентом. К примеру, в музыкальных стримингах – для прогнозирования пропусков и полного прослушивания треков, в маркетинговых системах – продолжительности просмотра видеорекламы, а в электрической коммерции – времени исследования карточек продуктов. HEGM дозволяет одной моделью предсказывать несколько характеристик пользовательского энтузиазма и быть может интегрирована в имеющиеся рекомендательные системы без конфигурации их главный архитектуры. Это упрощает внедрение и масштабирование технологии.

Модель размещена на GitHub, а научная статья доступна на arXiv.

Напомним, в июле 2026 года 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.

В августе VK соединила обезличенные поведенческие сигналы юзеров из разных сервисов экосистемы в единую ИИ-модель.

Добавить комментарий

Ваш адрес email не будет опубликован. Обязательные поля помечены *