VK: учёт будущих интересов пользователя в классических рекомендательных алгоритмах

В VK научили классические рекомендательные алгоритмы учитывать не только текущие, но и будущие интересы пользователей. Метод учитывает, как сегодняшние рекомендации влияют на последующие, оптимизируя качество цепочки рекомендаций целиком, а не каждой выдачи по отдельности. По заявлению исследователей, «сегодня многие исследования сосредоточены на больших нейросетевых рекомендательных моделях, однако классические алгоритмы во многих сервисах остаются наиболее эффективным решением». Подход протестирован на открытых датасетах, включая VK-LSVD, и показал превосходство над обычными методами подбора контента в офлайн-оценке. В настоящее время используется для отдельных задач платформы VK. Команда планирует доработать учёт обратной связи пользователей и расширить подход для более широкого промышленного внедрения. Научная статья опубликована на arXiv (arxiv.org/abs/2607.02115).

Вендор и технология: Внутренняя разработка VK Research; модификация классических рекомендательных алгоритмов с учётом влияния текущей выдачи на последующие.

Классические рекомендательные алгоритмы оптимизируют каждую выдачу изолированно, не учитывая, как она изменит интересы пользователя дальше. Это ведёт к «схлопыванию» ленты и снижению качества цепочки рекомендаций на длинном горизонте. Переход на тяжёлые нейросетевые модели во многих сервисах экономически не оправдан.

• Научить классические алгоритмы учитывать будущие интересы пользователя

• оптимизировать качество цепочки рекомендаций, а не отдельной выдачи

• превзойти обычные методы подбора контента в офлайн-оценке

• сохранить экономичность классических алгоритмов

• доработать учёт обратной связи

• расширить подход для промышленного внедрения

• Результаты

• Превосходство над традиционными методами подбора контента в офлайн-оценке

• тестирование на открытых датасетах, включая VK-LSVD

• подход применяется для отдельных задач платформы VK

• научная статья на arXiv (2607.02115)

• числовых результатов не раскрыто Нагрузка и масштаб

• Отдельные задачи рекомендательной платформы VK; тестирование на открытых датасетах, включая VK-LSVD Сроки

• Опубликовано 29 июля 2026