В рекомендательных системах VK основную роль играют современные нейросетевые модели. При этом классические алгоритмы по-прежнему применяются в отдельных сценариях, где важны скорость работы и эффективность использования вычислительных ресурсов. Обычно алгоритмы подбирают контент только исходя из того, что больше всего подходит пользователю в текущий момент. Новый подход позволяет учитывать, как сегодняшняя рекомендация повлияет на следующие, чтобы вся цепочка рекомендаций становилась качественнее. Решение можно внедрять в существующие рекомендательные системы без полной перестройки их архитектуры.

Как отмечает Александр Дьяконов, руководитель отдела исследований AI VK Research, сегодня большинство исследований сосредоточены на больших нейросетевых рекомендательных моделях. При этом во многих сервисах и отдельных компонентах рекомендательных систем классические алгоритмы остаются наиболее эффективным решением. В ходе работ удалось показать, что их можно дополнить механизмом планирования: учитывать не только текущую рекомендацию, но и ее возможное влияние на дальнейшее взаимодействие пользователя с контентом. Такой подход повышает качество рекомендаций без существенного роста вычислительных затрат и позволяет применять современные методы планирования там, где использование тяжелых нейросетевых моделей неоправданно.

Новый подход протестировали на нескольких открытых датасетах, включая VK-LSVD. В офлайн-экспериментах он показал более высокое качество рекомендаций по сравнению с классическим методом отбора контента. В дальнейшем команда планирует исследовать способы точнее учитывать обратную связь пользователей и адаптировать подход для более широкого промышленного применения.