Российские исследователи разработали новый метод, который значительно ускоряет работу алгоритмов для персональных рекомендаций и повышает их разнообразие. Этот подход позволяет цифровым платформам предлагать пользователям более релевантный и разнообразный контент, такой как фильмы, музыка и товары, что способствует увеличению удовлетворенности аудитории и повышению вовлеченности.
Новый алгоритм был создан командой специалистов из T-Bank AI Research, МФТИ и НИУ ВШЭ. Он основан на вероятностной выборке из ограниченного числа кандидатов, что позволяет не только повысить разнообразие рекомендаций, но и ускорить вычисления за счет снижения количества итераций — в 10-100 раз по сравнению с классическими методами. Кроме того, разработка предусматривает возможность настройки степени разнообразия, что обеспечивает баланс между точностью и неожиданностью в рекомендациях.
Метод был протестирован на нескольких популярных датасетах — MovieLens, Dunnhumby и MIND — и показал отличные результаты как в сценариях рекомендаций фильмов и покупок, так и новостей. Он позволяет формировать рекомендации в 10% быстрее, что делает его особенно актуальным для крупных платформ, конкурирующих за внимание пользователей.