Всем привет! Объявляем неделю обзоров наиболее интересных, на наш взгляд, статей, представленных на конференции RecSys 2025.

В онлайн-кинотеатрах холодный старт возникает как для новых пользователей, так и для контента, который только появился на платформе. Трудность в том, что история взаимодействий слишком короткая, чтобы построить качественные рекомендации. Ситуация осложняется, если сервис запускает принципиально новый класс продуктов. Так произошло у Netflix при запуске онлайн-трансляций (например, спортивных матчей).

Авторы статьи рассказывают, как они адаптировали модель рекомендаций для работы с таким сценарием и смогли справиться с вызовом холодного старта.

Детали

1. Новые признаки
Для трансляций стали использовать дополнительные источники информации:
🔸данные, доступные до начала события (например, составы команд);
🔸динамические признаки, отражающие возможные действия пользователя в разные моменты (установка напоминания, просмотр в прямом эфире, запись, репост и др.).

2. Изменения в архитектуре
Появление новых признаков потребовало доработки модели:
🔸пересмотр архитектуры и гиперпараметров,
🔸корректировка стратегии предобучения,
🔸настройка метрик так, чтобы повысить вовлечённость без просадки в других показателях.

3. Функция награды
Главное изменение коснулось оценки ожиданий пользователя: модель теперь учитывает, насколько конкретный зритель ждёт трансляцию. Это напрямую повлияло на точность рекомендаций.

4. Подготовка данных
Для формирования обучающей выборки Netflix применил многорукие бандиты. В случае трансляций предпочтение отдавалось исследованию (exploration), а не только использованию прошлого опыта (exploitation), что позволило быстрее находить оптимальные решения.

Результаты

Сравнение с прежним алгоритмом показало заметный прирост:
🔸в оффлайн-тестах Recall для всех видео вырос на 1%, а для трансляций — на 193%;
🔸A/B-тесты показали рост вовлечённости пользователей в онлайн-события на 20%.
При этом бизнес-метрики остались стабильными, без серьёзных потерь.

Разработчики подчёркивают, что им удалось сбалансировать краткосрочные и долгосрочные интересы пользователей. Помимо пользы для Netflix, новый алгоритм можно адаптировать и в других сервисах для решения проблемы холодного старта при появлении новых типов контента.

Обзор статьи подготовлен командой AI VK
#обзорстатьи #RecSys