Ещё одна статья из нашей серии обзоров будет про то, как просмотры, комментарии и языковые модели помогают улучшать рекомендации.

Классический коллаборативный подход к рекомендациям строится на идее: пользователи с похожей историей взаимодействия должны получать схожие рекомендации. Сегодня этот метод обогащают дополнительными сигналами — от контентных признаков до учёта последовательности действий.

Исследователи из Kuaishou Technology предложили ещё один шаг вперёд: использовать не только историю просмотров, но и активность пользователя в комментариях.

Детали

1. Модельная архитектура
В основе лежит вычислительно недорогая модель последовательных рекомендаций (SR), применяемая в продукте. Её задача — предсказать следующий элемент последовательности.

Для обучения SR используется более тяжёлая LLM-модель, которая решает расширенную задачу: рекомендации как для видео, так и для комментариев. Хотя эта модель не применяется в продакшене, она задаёт «эталон», с которым согласуется SR через контрастивную функцию потерь. После этого SR-модель дообучается классическими методами.

2. Сравнение с другими подходами
Алгоритм протестировали против целого спектра моделей:

🔸для видео — от коллаборативной фильтрации до современных последовательных и мультимодальных алгоритмов (Caser, GRU4Rec, SASRec, BERT4Rec, NARM, DMT, MBHT, FDSA, S3-Rec, UniSRec, VQ-Rec);
🔸для комментариев — DSSM, GRU, ATT, MHA, UniSRec, ZAM, TEM.

На внутреннем датасете (собранном с 31 октября 2023 года) новая модель уверенно превзошла аналоги по метрикам NDCG и Recall. Более того, на стороннем датасете Amazon, где доступны только названия товаров и история взаимодействий, алгоритм также показал улучшения.

Результаты

1. Оффлайн-эксперименты: рост качества по NDCG и Recall относительно всех бейзлайнов.

2. A/B-тесты:

🔸для видео — +0.36% к времени просмотра и +0.78% к числу взаимодействий;
🔸для комментариев — +4.12% и +1.35% соответственно.
Даже такие, казалось бы, небольшие приросты в масштабах платформы имеют серьёзное значение.

Авторы считают, что подход легко переносим на другие домены. В будущем они планируют:

🔸оптимизировать производительность, особенно LLM-блока;
🔸расширить модель мультимодальными LLM, чтобы учитывать не только сигналы взаимодействия, но и контентные характеристики видео.

Это исследование подтверждает важность интеграции разных источников пользовательской активности. Использование сигналов из комментариев открывает новые перспективы для построения персонализированных рекомендаций.

Предыдущие обзоры статей с RecSys 2025 от команды AI VK:
🔸Про рекомендации Netflix для прямых эфиров
🔸Amazon о том, как просмотры и комментарии улучшают рекомендации с помощью LLM

#обзорстатьи #RecSys