AI VK Reserach масштабировали графовые нейросети для рекомендаций

Исследователи представят на конференции CIKM 2026 метод масштабирования графовых нейросетей (GNN). Решение протестировали на социальном графе из 194 млн пользователей и 28 млрд связей. В A/B-тесте количество добавлений в друзья из рекомендаций выросло на 16%.

Графовые нейросети анализируют связи между пользователями и их социальное окружение, чтобы предсказывать новые знакомства. Основная сложность — обучение таких моделей на графах с сотнями миллионов пользователей и миллиардами связей.

Для масштабирования исследователи предложили два подхода:

• Multi-Hash User Embeddings — вместо хранения отдельного эмбеддинга для каждого пользователя применяются несколько хеш-функций и общая таблица векторов. Это позволило сократить потребление видеопамяти со 203 до 2 ГБ, более чем в 100 раз.
• Temporal Neighbor Sampling — алгоритм учитывает время появления социальных связей и исключает использование будущих данных при обучении. Оптимизация ускорила семплирование в 2,5 раза.

📊 В двухнедельном A/B-тесте относительно предыдущей модели ранжирования получили:

+16% добавлений в друзья из рекомендаций
+11,5% пользователей, добавивших хотя бы одного рекомендованного друга
При этом задержки онлайн-ранжирования не увеличились.

Исследование: Scaling Graph Neural Networks for Friend Recommendation: Multi-Hash User Embeddings and Temporal Neighbor Sampling, основной трек CIKM 2026.