Платформы для персонализированных предложений

Рекомендательные системы получили метод HEGM для точного прогнозирования интереса к контенту

Исследователи VK Research разработали алгоритм HEGM (Hierarchical Exponential-Gaussian Mixture), который заменяет прогнозирование единой средней длительности просмотра на оценку полного распределения вероятностей поведения пользователя. Технология учитывает различные сценарии взаимодействия, такие как быстрое пролистывание или досмотр до конца, что позволяет рекомендательным системам точнее ранжировать контент. Метод был проверен на наборах данных, включая внутренний датасет с 282 млн взаимодействий, и принят на конференцию IEEE ICDM 2026.

Событие: Алгоритм HEGM внедрен в сервис VK Клипы, где количество просмотренных роликов за одну сессию выросло на 10%, а число просмотров продолжительностью более 10 секунд увеличилось на 6%.

Исследование: Работа по разработке метода HEGM принята на международную конференцию IEEE ICDM 2026, а исходный код модели опубликован в открытом доступе на GitHub.

Фактор: Метод прогнозирует полное распределение вероятностей времени взаимодействия вместо одного среднего значения, что позволяет учитывать нюансы поведения пользователя и улучшать качество ранжирования.

Эффект: После интеграции технологии частота просмотров видео в VK Клипы выросла на 6%, а количество дизлайков снизилось на 8,3%.

Подробнее →

Рекомендательные системы получают доступ к непрерывному потоку данных благодаря опенсорс-решению YTsaurus Flow

Яндекс перевёл технологию обработки больших данных в реальном времени в открытый код под лицензией Apache 2.0. Инструмент позволяет обрабатывать события пользователей мгновенно, устраняя задержки, характерные для пакетной обработки информации. Это изменение напрямую влияет на работу алгоритмов, которым требуется актуальный контекст для формирования персональных предложений.

Событие: Яндекс перевёл технологию YTsaurus Flow в опенсорс, что позволяет компаниям свободно использовать систему потоковой обработки данных в коммерческих проектах.

Эффект: Время на подготовку данных для дообучения моделей подбора рекламы сократилось с более чем 10 часов до почти нуля, обеспечивая мгновенное реагирование на изменения поведения пользователей.

Фактор: Переход от накопления информации партиями к поштучной обработке событий сводит задержку обработки к минимуму, повышая точность рекомендаций и скорость обнаружения мошенничества.

Подробнее →

Рекомендательные системы переходят на единый генеративный контур с моделью Sona от Яндекса

Яндекс представил Sona — генеративную модель, которая заменяет традиционный каскад из десятков отдельных алгоритмов подбора и ранжирования. Система анализирует поведение пользователя и сразу формирует оптимальные рекомендации без ручного подбора признаков. Переход на такую архитектуру упрощает масштабирование сервисов и снижает вычислительную нагрузку за счет отказа от многоэтапного конвейера обработки данных.

Событие: Модель Sona протестировали в музыкальных рекомендациях умных колонок с Алисой, где она заменила действующую систему из десятков алгоритмов на протяжении одной недели.

Эффект: Эксперимент привел к росту времени прослушивания треков на 6,3%, увеличению просьб повторить трек почти на 18% и расширению аудитории активных слушателей на 4,5%.

Тренд: Развитие технологий идет по пути объединения этапов обработки данных: после внедрения системы ARGUS в 2025 году и архитектуры Gryphon в 2026 году, индустрия движется к использованию единых моделей вместо разрозненных алгоритмов.

Фактор: Наличие открытого датасета Yambda позволяет международным исследователям из Kuaishou, Meta⋆ и других компаний тестировать собственные подходы на базе данных Яндекса.

Подробнее →