В России нашли способ ускорить и разнообразить сетевые рекомендации

Ученые из T-Bank AI Research разработали метод, который позволяет быстрее и разнообразнее формировать рекомендации на онлайн-платформах. Метод, получивший название Sampled Maximal Marginal Relevance (SMMR), помогает создавать более персонализированные подборки под интересы пользователя, не зацикливаясь на одном типе контента, сообщили в Т-Банке.

Результаты исследования были представлены на одной из ведущих конференций в области машинного обучения и ИИ ACM SIGIR, которая проходит в итальянской Падуе 13-18 июля.

Традиционные алгоритмы стремятся подбирать максимально подходящие объекты — товары, фильмы, новости — основываясь на предпочтениях пользователя. Однако такой подход формирует так называемый «информационный пузырь», когда пользователь видит только те товары или контент, которые схожи с его предыдущими интересами, пояснили в компании.

Метод SMMR решает эту проблему за счет вероятностного выбора: алгоритм выбирает случайным образом из ограниченного круга подходящих вариантов.

Кроме того, SMMR работает быстрее, чем известные аналогии — MMR (Maximal Marginal Relevance) и DPP (Determinantal Point Process). Новый способ оказался в 2–10 раз быстрее и при этом обеспечил рост разнообразия рекомендаций на 5–10%. Это открывает новые возможности для крупнейших финтех-компаний, медиа и социальных сетей, онлайн-кинотеатров, маркетплейсов и других онлайн-платформ, так как сервисы станут удобнее и интереснее для пользователей, считают в T-Банке. Компания планирует внедрить новый метод в собственные цифровые сервисы для повышения качества рекомендаций, подчеркнули в Т-Банке.