VK внедрила алгоритм с долгосрочным планированием для снижения затрат на инфраструктуру
VK научила старые алгоритмы предсказывать будущее пользователя, чтобы одна рекомендация не отпугивала его от сервиса в долгосрочной перспективе. Это дает бизнесу эффект дорогих нейросетей без затрат на переоснащение серверов и рост вычислительных мощностей.
Исследователи AI VK Research разработали метод, позволяющий классическим рекомендательным системам учитывать не только текущие интересы пользователя, но и влияние текущей рекомендации на его будущие предпочтения. Технология уже применяется в отдельных сервисах VK и прошла проверку на международной конференции KDD 2026. Вместо того чтобы подбирать контент только под момент «здесь и сейчас», алгоритм строит цепочку, где каждое предложение оптимизирует следующие шаги пользователя. Это позволяет повысить качество рекомендаций без необходимости полной перестройки архитектуры и использования ресурсоемких нейросетей.
Ключевой момент: Внедрение механизма планирования в классические алгоритмы позволяет получить эффект современных нейросетевых моделей, но с сохранением высокой скорости работы и низкой нагрузки на вычислительные ресурсы.
Как работает новый подход
Современные системы VK в основном полагаются на тяжелые нейросетевые модели, однако классические алгоритмы остаются актуальными в сценариях, где критична скорость и экономия ресурсов. Традиционно такие алгоритмы выбирают контент, который лучше всего подходит пользователю в текущий момент, игнорируя долгосрочный эффект. Новый подход меняет эту логику: система оценивает, как сегодняшняя рекомендация изменит поведение пользователя в будущем, и корректирует выбор контента для улучшения всей цепочки взаимодействий.
Решение интегрируется в существующие системы без кардинальных изменений архитектуры. Александр Дьяконов, руководитель отдела исследований AI VK Research, отметил, что метод дополняет классические алгоритмы механизмом планирования. Это дает возможность применять продвинутые стратегии там, где использование больших нейросетей неоправданно дорого или технически сложно.
Результаты тестирования и планы
Эффективность нового подхода подтверждена в офлайн-экспериментах на нескольких открытых датасетах, включая VK-LSVD. По сравнению с классическим методом отбора контента, обновленный алгоритм показал более высокое качество рекомендаций. Команда планирует дальнейшую работу над точностью учета обратной связи от пользователей и адаптацией технологии для более широкого промышленного применения.
Детали решения опубликованы в статье «Planning over Matrix-Factorization MDPs for Candidate Generation», принятой на воркшопе Customer Journey конференции KDD 2026.
Операционные последствия, тренды и практические аспекты
- Оптимизация затрат на инфраструктуру: Возможность внедрения продвинутых алгоритмов планирования в классические системы снижает потребность в масштабном обновлении оборудования под тяжелые нейросети, что уменьшает операционные расходы на вычислительные мощности.
- Повышение удержания пользователей: Учет долгосрочного влияния рекомендаций на интересы пользователя позволяет формировать более персонализированный контент-поток, что потенциально увеличивает время сессии и лояльность аудитории.
- Гибкость модернизации: Решение позволяет улучшать качество сервисов поэтапно, не останавливая работу существующих систем для полной замены архитектуры, что минимизирует риски сбоев при обновлении.
Источник: vk.company
