Оптимизация рекомендательных систем

Оптимизация рекомендательных систем в VK получила механизм долгосрочного планирования без перехода на тяжелые нейросети

Команда VK Research разработала метод, позволяющий классическим алгоритмам учитывать влияние текущей рекомендации на будущие предпочтения пользователя, что подтверждено публикацией на конференции KDD 2026. Вместо мгновенного подбора контента система строит цепочку взаимодействий, где каждое предложение оптимизирует последующие шаги, сохраняя высокую скорость работы и низкую нагрузку на ресурсы. Технология уже внедрена в отдельные сервисы и показала в офлайн-экспериментах более высокое качество по сравнению с традиционными подходами.

Исследование: Метод был протестирован на открытых датасетах, включая VK-LSVD, и детали решения опубликованы в статье, принятой на воркшопе конференции KDD 2026.

Эффект: Внедрение механизма планирования в классические алгоритмы позволяет достичь качества современных нейросетевых моделей при сохранении высокой скорости и снижении нагрузки на вычислительные ресурсы.

Фактор: Оптимизация рекомендательных систем теперь возможна без полной перестройки архитектуры и использования ресурсоемких моделей, что актуально для сценариев с критичной скоростью отклика.

Анонс: Команда планирует дальнейшую работу над точностью учета обратной связи от пользователей и адаптацией технологии для более широкого промышленного применения.

Подробнее →