МОСКВА, 14 июля. /ТАСС/. Российские исследователи разработали подход, позволяющий одновременно ускорить работу алгоритмов для персонализированных рекомендаций и при этом повысить разнообразие подготовленных подборок товаров, кинофильмов, музыки и другого контента. Об этом ТАСС сообщила пресс-служба Т-Банка.
"Применение нового метода принесет практическую пользу как бизнесу, так и пользователям. Для цифровых платформ это означает рост удовлетворенности аудитории: рекомендации становятся не только релевантными, но и разнообразными, что помогает удерживать внимание и повышать вовлеченность. Например, стриминговый сервис вместо десяти однотипных фильмов теперь может предложить пять предсказуемых и пять неожиданных, но потенциально интересных вариантов", - говорится в сообщении.
Как отмечается в сообщении, новый алгоритм для подбора персональных рекомендаций был разработан группой исследователей из T-Bank AI Research, МФТИ и НИУ ВШЭ. Он представляет собой развитие классических подходов к формированию рекомендаций, но при этом отличается от них рядом принципиальных особенностей. В частности, разработка российских ученых использует вероятностную выборку из ограниченного числа кандидатов, а не пытается на каждом шагу отобрать наиболее релевантный объект.
По словам исследователей, это позволяет повысить разнообразие без значительной потери релевантности. Также в работе нового алгоритма используется так называемая пакетная выборка с увеличивающимся размером, что позволяет существенно ускорить работу модели, особенно на больших выборках, за счет снижения числа итераций. В частности, при подборе рекомендаций из нескольких тысяч объектов алгоритму требуется в 10-100 раз меньше итераций, чем для классических подходов.
При этом ученые отмечают, что их алгоритм позволяет управлять степенью консервативности отбора, что дает возможность настраивать подбор выборки под конкретные задачи и пользователя. Такой подход помогает найти оптимальный баланс между точностью рекомендаций и элементом неожиданности, что способствует повышению вовлеченности и расширению пользовательского опыта.
Разработка российских исследователей была успешно протестирована на трех открытых датасетах: MovieLens (фильмы), Dunnhumby (покупки) и MIND (новости). По словам ученых, их алгоритм продемонстрировал стабильные результаты как в потребительских сценариях, так и в более динамичных, в том числе в рекомендациях новостей. При этом он позволяет до 10% быстрее формировать выборку рекомендаций, что делает его особенно привлекательным для дальнейшего использования, подытожили разработчики.