VK улучшил алгоритм рекомендаций: сессии в Клипах стали длиннее на десятую часть
VK внедрил алгоритм HEGM в «Клипы», что увеличило время просмотра видео на 10% и снизило число дизлайков на 8,3%. Технология оценивает полное распределение вероятностей взаимодействия с контентом, а не усредненную длительность, позволяя рекомендательным системам точнее подбирать ролики.
Исследователи AI VK Research разработали алгоритм машинного обучения HEGM (Hierarchical Exponential-Gaussian Mixture). Новая технология помогает рекомендательным системам точнее определять, насколько пользователь заинтересован в видео или другом материале. Работа принята на международную конференцию IEEE ICDM 2026, а исходный код модели выложен в открытый доступ. В сервисе VK Клипы внедрение технологии уже дало измеримый эффект: количество просмотренных роликов за одну сессию выросло на 10%, а число просмотров продолжительностью более 10 секунд увеличилось на 6%.
Как работает алгоритм HEGM
Традиционные системы рекомендаций часто опираются на один показатель — ожидаемую длительность просмотра. Этот подход не учитывает разнообразие сценариев поведения: зритель может сразу пролистать видео, досмотреть его до конца или пересмотреть позже. Метод HEGM прогнозирует не одно среднее значение, а полное распределение вероятностей возможного времени взаимодействия.
Одной моделью можно оценить вероятность быстрого пролистывания и досмотра ролика до конца. Это позволяет сервису учитывать нюансы поведения пользователя, а не усредненные данные.
Благодаря такой детализации алгоритм лучше ранжирует контент. Исследователи протестировали HEGM на двух открытых наборах данных (KuaiRec и VK-LSVD) и на внутреннем датасете, содержащем 282 млн обезличенных пользовательских взаимодействий. По качеству ранжирования новый метод превзошел другие протестированные решения.
Результаты внедрения в VK Клипы
После интеграции технологии в VK Клипы изменились ключевые метрики вовлеченности:
- Частота просмотров видео выросла на 6%.
- Количество дизлайков снизилось на 8,3%.
- Общий объем просмотренных роликов за одну сессию увеличился на 10%.
Применение в других цифровых сервисах
Технология универсальна и подходит для любых платформ, где важно прогнозировать длительность взаимодействия пользователя с контентом. Алгоритм можно интегрировать в существующие рекомендательные системы без изменения их основной архитектуры, что упрощает масштабирование.
Возможные сферы применения:
- Музыкальные стриминги: прогноз вероятности пропуска трека или его полного прослушивания.
- Рекламные системы: оценка длительности просмотра видеорекламы.
- Электронная коммерция: анализ времени, которое пользователь тратит на изучение карточки товара.
Научная статья доступна на arXiv, а код модели опубликован на GitHub.
Подтверждение: vk.company
