Исследователи 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. Исследование принято на воркшопе Customer Journey международной конференции KDD 2026.

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.

«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», — отметил Александр Дьяконов, руководитель отдела исследований AI VK Research.

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.