Об эксперте: Денис Самохвалов – руководитель отдела рекомендаций социальных сервисов AI VK. Обеспечивает разработку и развитие рекомендательных систем в продуктах экосистемы: VK Знакомства, RuStore, VK Истории.
Что произошло
Что вообще произошло с рекомендациями
Еще три-четыре года назад большинство сервисов работали по простой логике: «эти люди похожи на вас, им понравилось вот это — попробуйте тоже». Коллаборативная фильтрация — так называется этот подход — была основой рекомендаций в десятках платформ. Принцип понятный: если вы и еще тысяча человек любите один и тот же сериал, вам, вероятно, зайдет и следующий из их списка.
Работало неплохо, но с двумя оговорками. Первая: система ничего не могла предложить новому пользователю, о котором она пока ничего не знает. Вторая: свежий контент, который еще никто не посмотрел, просто не попадал в рекомендации — у него не было истории взаимодействий.
Потом случился сдвиг. Сначала платформы начали обучать нейросети на поведенческих данных — не только на лайках, а на том, сколько человек смотрел видео, когда выключил, что пролистнул, к чему вернулся. Эти сигналы гораздо информативнее, чем простое «понравилось / не понравилось». Модели научились строить эмбеддинги — векторные представления и пользователей, и контента в одном математическом пространстве, где «близкие» объекты означают совпадение интересов.
А в последние пару лет произошел еще один скачок — к моделированию намерений. Алгоритм пытается понять не «что вам нравится в принципе», а «зачем вы сейчас зашли в приложение». Утром по дороге на работу — это одно. Вечером на диване — совсем другое. Даже если это один и тот же человек.
Алгоритмы
Алгоритмы стали спрашивать напрямую
В январе 2026 года Meta* опубликовала результаты работы над моделью UTIS (User True Interest Survey). Суть простая: вместо того чтобы гадать по косвенным сигналам, платформа стала буквально спрашивать пользователей — «Насколько это видео соответствует вашим интересам?» — прямо в ленте, между роликами, по шкале от 1 до 5.
Выяснилось, что старые методы — лайки, время просмотра, шеры — попадали в реальные интересы пользователей только в 48,3% случаев. Меньше половины. То есть каждый второй ролик в ленте был мимо. После внедрения UTIS точность совпадения выросла до 70 с лишним процентов.
Почему так? Потому что лайк и досмотр — шумные сигналы. Человек может досмотреть ролик из любопытства или по инерции, но при этом не считать его интересным. А может промотать видео, которое ему на самом деле релевантно, просто потому что момент неудачный. Прямой вопрос «тебе это интересно?» оказался точнее, чем все поведенческие метрики вместе взятые.
При этом UTIS не заменяет основную рекомендательную модель, а работает поверх нее — как дополнительный слой, который корректирует ранжирование. A/B-тест на более чем 10 миллионах пользователей показал рост вовлеченности на 5,2% и снижение негативных оценок почти на 7%.
Три технологии
Три технологии, которые все поменяли
За точностью рекомендаций стоят не отдельные фишки, а набор технологий, которые сошлись в одной точке.
Большие языковые модели в рекомендациях. LLM научились анализировать описания контента глубже, чем простой набор тегов. Если раньше алгоритм видел, что видео помечено тегами «кулинария» и «Италия», то теперь модель может «прочитать» описание, понять, что речь о бюджетных ресторанах Неаполя для студентов, и предложить это видео именно тому, кто недавно искал дешевые билеты в Рим. Крупные компании уже используют LLM на этапе ранжирования — для понимания содержания, а не только формальных признаков контента.
Мультимодальные модели. Раньше алгоритм работал с одним типом данных — текстом описания или тегами. Сейчас модели одновременно анализируют картинку, звук, текст на экране и поведение зрителя. Видеоплатформы вроде VK видео могут определить настроение ролика, смысл, оценить визуальный стиль — и на этой основе понять, кому он подойдет, еще до того, как его посмотрит хоть один человек. Это критически важно для нового контента, который только что загрузили.
Анализ сессий вместо профилей. Традиционный подход — накопить долгосрочный профиль интересов и рекомендовать по нему. Но поведение человека внутри одной сессии рассказывает о его текущей задаче гораздо точнее. Session-based модели смотрят, с чего пользователь начал, что открыл дальше, что пропустил — и на ходу корректируют рекомендации. Если вы начали с обзора смартфонов, потом перешли к сравнению камер, а затем к конкретной модели, алгоритм понимает: вы выбираете телефон прямо сейчас. И предложит не абстрактный «топ-10 гаджетов», а конкретный тест камеры модели, на которую вы уже смотрите.
Как понять
Как вообще понять, что рекомендации стали лучше
С метриками качества рекомендаций не все очевидно. CTR (сколько людей кликнули) легко накрутить, если показывать только самый предсказуемый контент. Время просмотра — тоже ненадежный показатель: человек может смотреть длинное видео фоном, не получая от него вообще никакой пользы.
На практике платформы смотрят на баланс нескольких показателей одновременно: точность попадания в интерес, разнообразие ленты, способность предложить что-то новое и долгосрочное удержание. Финальный ответ на вопрос «стало ли лучше» дают A/B-тесты на живых пользователях — когда одной группе показывают старый алгоритм, другой — новый, и сравнивают результат не за день, а за недели.
[Иллюстрация 3: инфографика — ключевые метрики качества рекомендаций (точность, разнообразие, новизна, удержание) и почему ни одна из них не работает в изоляции. Источник: автор / инфографика редакции]
Точность
Точность — не всегда хорошо
Когда алгоритм слишком точно подбирает «ваше», лента превращается в зеркало. Те же темы, те же авторы, тот же формат — раз за разом. Термин «информационный пузырь» (filter bubble), который ввел Эли Паризер еще в 2011 году, до сих пор описывает эту проблему. Правда, свежие исследования показывают, что ее масштаб, возможно, преувеличен.
Однообразие ленты — реальная штука, и оно может ухудшать пользовательский опыт. Именно поэтому современные системы работают в двух режимах одновременно. Exploitation — показывать то, что точно зайдет прямо сейчас. Exploration — иногда подкидывать неочевидное: новые темы, незнакомых авторов, непривычные форматы. Такие рекомендации срабатывают реже, но именно они не дают ленте превратиться в жвачку.
Парадокс
Парадокс: алгоритмы умнеют, а люди все равно спрашивают друзей
Вот что любопытно. Алгоритмы становятся объективно точнее, но доверие к ним растет медленнее, чем можно ожидать. В декабре 2025 года Scribd опубликовал ежегодный отчет о чтении, и главный вывод такой: личная рекомендация от знакомого человека обогнала все остальные источники — платформы, соцсети и ИИ-инструменты — как главный способ выбора книг.
Исследование проводилось на выборке из 1600 человек, и результат не выглядит случайным. Самое частое действие после прочтения книги — поделиться ей с другом. Не сохранить на полку, не оценить в приложении, а отправить кому-то конкретному.
Это не опровергает пользу алгоритмов — они отлично справляются с задачей первичного отсева. Но финальное решение люди по-прежнему принимают на основе чужого живого опыта..
Что будет дальше
Что будет дальше
Главный вектор на 2026 год — рекомендации, которые работают не по профилю, а по намерению в конкретный момент. Алгоритмы учатся различать утреннюю прокрутку ленты от целенаправленного поиска конкретной вещи. Учитывают время суток, устройство, сценарий потребления.
Второе направление — ИИ-агенты как рекомендательный интерфейс. Вместо ленты, которую вы листаете, — ассистент, который спрашивает, что вам нужно, и предлагает три варианта вместо бесконечного скролла. Пока это скорее эксперименты, но крупные платформы уже тестируют подобные форматы.
Алгоритмы перестали угадывать. Они моделируют. И чем точнее это моделирование, тем меньше у вас ощущение, что вам что-то рекомендуют, — и тем больше ощущение, что вы сами это нашли.
* Meta — организация, деятельность которой запрещена на территории РФ
Источник: hi-tech.mail.ru