Сегодня продолжаю освещать наши работы, принятые на конференции RecSys'25. Речь пойдет о 3 статьях, принятых в секции Late-breaking Results и представленных в формате постеров.

Рекомендательные системы во многом работают на основе построения неявных и неинтерпретируемых моделей принятия решений человеком. И поэтому многие механизмы работы рексистем можно понять и улучшить только правильно поставив эксперимент. В такую категорию попадает как уже упомянутая работа, так и следующая.

1. Recommendation Is a Dish Better Served Warm

Мы решили проверить, когда пользователь или товар перестают быть «холодными» — то есть когда данных о взаимодействиях становится достаточно для качественных рекомендаций алгоритмами коллаборативной фильтрации. До сих пор это определялось скорее интуитивно и порой даже противоречиво. Мы же провели масштабное численное исследование, которое позволяет определить данный порог активности более формально. Реализованная нами схема даёт возможность обоснованно переключаться между алгоритмами для «холодных» и «тёплых» объектов, что особенно важно в начале взаимодействия пользователя с сервисом. Подробнее уже у постера расскажут мои аспиранты – Никита Сухоруков и Данил Гусак.

Но, конечно же, не над всем в исследованиях рексистем главенствует эксперимент. Порой удается вначале обнаружить связь между теоретическими конструкциями и наблюдениями из реального мира, а затем уже подтвердить ее экспериментом. Одним из таких примеров является следующая работа.


2. Leveraging Geometric Insights in Hyperbolic Triplet Loss

Использование гиперболической геометрии имеет ряд преимуществ (конечно же, заслуживающих отдельного поста), что легло в основу целой серии работ от нас в этом направлении (раз, два, три). В представленной здесь работе мы заметили проблему в подходах на основе triplet-loss: иногда случайные нерелевантные товары оказывались ближе к пользователю, чем те, что ему действительно интересны. Чтобы это исправить, мы решили заменить функции расстояния на аналоги специального вида в гиперболическом пространстве. Это не только повысило качество рекомендаций, но и сделало модель более согласованной, избегая смешивания релевантных и нерелевантных объектов. Наш подход оказался лучше не только Евклидовых, но и других гиперболических моделей в рассматриваемом классе. Кроме того, наш подход также позволил повысить эффективность вычислений в гиперболической геометрии, чем не могут похвастаться большинство существующих решений. Главный автор – Вячеслав Юсупов – работающий под руководством Максима Рахубы и меня, не смог добраться до конференции, поэтому рассказывать о применении гиперболической геометрии в рексистемах буду я.

В заключение, ещё одна наша совместная работа с Лабораторией ИИ Сбера.

3. PNFRec: Modeling Explicit Positive and Negative Feedback

Стандартные рекомендательные модели часто игнорируют явные негативные сигналы от пользователя — скипы или дизлайки. Мы предложили архитектуру с двумя трансформерами: один учится на том, что нравится пользователю, другой — на том, что не нравится. Это позволяет явно противопоставлять позитивные и негативные паттерны, снижая количество рекомендаций, которые могут разочаровать пользователя. У постера будет моя аспирантка и главный автор работы – Вероника Иванова.

Если вы на конференции – приходите пообщаться.

вот такой рисерч