AI VK Research научила классические рекомендательные системы учитывать будущие интересы пользователей

Запросы по «AI VK Research» и «рекомендательным алгоритмам VK» резко вошли в тренды Рунета 28 июля — в день, когда исследовательская команда VK анонсировала подход, обучающий классические рекомендательные системы учитывать будущие интересы пользователей. Как сообщает Хабр со ссылкой на пресс-службу компании, разработка представлена на международной конференции KDD 2026 и уже применяется в ряде прикладных задач экосистемы. Характерный паттерн: новость за несколько часов параллельно ушла в технические и корпоративные СМИ — индикатор взрывного роста поискового интереса.

Суть метода

Стандартные алгоритмы подбирают контент под текущий профиль пользователя и не учитывают, как выдача меняет его дальнейшие предпочтения. Новый подход добавляет слой планирования: модель оценивает влияние сегодняшней рекомендации на всю последующую цепочку подбора. Решение интегрируется в существующие пайплайны без полной перестройки архитектуры — критично для сценариев, где скорость отклика и экономия вычислительных ресурсов важнее мощности нейросетевых моделей. В VK отдельно подчеркнули: основную роль в рекомендациях по-прежнему играют современные нейросети, а классика востребована там, где нужна высокая скорость обработки данных. Именно в таких узких сценариях новая методология и раскрывается.

Что показали тесты

Офлайн-эксперименты на открытых наборах данных, включая VK-LSVD, показали более высокое качество подбора по сравнению с классическим отбором контента без существенной дополнительной нагрузки на инфраструктуру. Подробное описание опубликовано в научной статье «Planning over Matrix-Factorization MDPs for Candidate Generation». Руководитель отдела исследований AI VK Research Александр Дьяконов назвал подход способом «применять современные методы планирования там, где использование тяжёлых нейросетевых моделей неоправданно».

Что отслеживать дальше

Команда намерена развивать метод в сторону более точного учёта обратной связи пользователей и адаптации для более широкого промышленного применения. По типичным паттернам взрывного роста вокруг крупных техноанонсов в Рунете, пик частотности по этой теме придётся на ближайшие сутки–двое, после чего начнётся спад. Долгосрочный поисковый след сохранится только в узких профессиональных запросах — среди исследователей, ML-инженеров и команд, развивающих собственные рекомендательные системы.