Исследователи AI VK Research предложили решение, который позволяет классическим рекомендательным системам учитывать не только текущие интересы пользователя, но и влияние рекомендаций на его дальнейшие предпочтения. Его разработали во время развития рекомендательных технологий VK и уже используют для решения отдельных прикладных задач, рассказали у в пресс‑службе компании.

Там отметили, что сейчас в рекомендательных системах VK основную роль играют современные нейросетевые модели. При этом классические алгоритмы по‑прежнему применяют в отдельных сценариях, где важны скорость работы и производительность использования вычислительных ресурсов.

Обычно алгоритмы подбирают контент только исходя из того, что больше всего подходит пользователю в текущий момент. Свежий подход позволяет учитывать, как сегодняшняя рекомендация повлияет на следующие, чтобы вся цепочка рекомендаций становилась качественнее. Подход можно внедрять в существующие рекомендательные системы без полной перестройки их архитектуры, подчеркнули в VK.

«Такой подход повышает качество рекомендаций без существенного роста вычислительных затрат и даёт возможность применять современные методы планирования там, где использование тяжёлых нейросетевых моделей неоправданно», — отметил руководитель отдела исследований AI VK Research Александр Дьяконов.

Новый решение протестировали на нескольких открытых датасетах, в том числе VK‑LSVD. В офлайн‑экспериментах он представил более высокое качество рекомендаций по сравнению с классическим методом отбора контента, рассказали в компании. В дальнейшем команда планирует исследовать способы точнее учитывать обратную связь пользователей и адаптировать решение для более широкого промышленного применения.

Подход подробно изложено в статье Planning over Matrix‑Factorization MDPs for Candidate Generation.