Исследователи T-Bank AI Research разработали метод Sampled Maximal Marginal Relevance (SMMR). Он делает онлайн-рекомендации на 10% быстрее и разнообразнее. Метод поможет крупным компаниям, медиа, соцсетям, онлайн-кинотеатрам и маркетплейсам. SMMR создаёт подборки, которые учитывают интересы пользователя, но не ограничиваются одним типом контента. Результаты исследования представили на международной конференции ACM SIGIR в Падуе.
«Т-Банк» будет использовать SMMR в своих сервисах. В «Т-Шопинге» метод поможет делать более широкие подборки товаров. В соцсети «Пульс» — разнообразить ленту новостей. Сейчас алгоритмы подбирают контент по прошлым интересам пользователя. Из-за этого человек видит однотипные предложения. Например, если пользователь смотрит комедии, ему показывают только их. SMMR решает эту проблему. Он случайным образом выбирает контент из подходящих вариантов.SMMR работает в 2–10 раз быстрее других методов. Он делает меньше шагов — всего 5–10 вместо 100. Разнообразие рекомендаций выросло на 5–10%.
Технические особенности метода SMMR:
Вероятностный выбор из ограниченного списка. Вместо выбора одного наиболее релевантного объекта SMMR использует случайную выборку из подходящих кандидатов. Это увеличивает разнообразие рекомендаций без существенной потери точности.
Пакетная выборка с постепенным увеличением размера. Алгоритм формирует рекомендации группами, что сокращает количество итераций и ускоряет обработку больших объёмов данных.
Регулируемый уровень случайности. Параметр «температура» позволяет настраивать баланс между точностью и разнообразием рекомендаций — от консервативного отбора до более широкого охвата вариантов.
Масштабируемость на больших данных. При работе со списками из тысяч объектов SMMR требует в 10–100 раз меньше шагов по сравнению с традиционными методами.
Простота интеграции в существующие системы. Метод совместим с текущими рекомендательными системами, что минимизирует затраты на внедрение и упрощает адаптацию технологии.
По словам разработчиков метода, для бизнеса SMMR означает более высокую удовлетворённость пользователей. Стриминговые сервисы смогут предлагать не только популярные фильмы, но и неожиданные варианты. Больше контента получит шанс быть показанным. Также для пользователей SMMR открывает новые возможности. Они увидят разнообразный контент вместо однотипных предложений.
Метод успешно протестировали на трёх наборах данных: MovieLens (фильмы), Dunnhumby (покупки) и MIND (новости). Исходный код метода доступен на GitHub.
Источник: habr.com