Расходы на обновление рекомендательных систем в крупных сервисах можно сократить в восемь раз с помощью нового метода работы с Semantic ID. Исследователи из AI VK и ИТМО разработали технологию выравнивания идентификаторов, которая позволяет учитывать смену интересов пользователей без остановки и полного переобучения нейросетей.
VK и ИТМО ускорят обновление рекомендаций в восемь раз
Расходы на обновление рекомендательных систем в крупных сервисах можно сократить в восемь раз с помощью нового метода работы с Semantic ID. Исследователи из AI VK и ИТМО разработали технологию выравнивания идентификаторов, которая позволяет учитывать смену интересов пользователей без остановки и полного переобучения нейросетей.
Проблема традиционного подхода заключается в быстром устаревании Semantic ID — внутренних кодов, описывающих поведение пользователей и свойства контента. Раньше инженерам приходилось выбирать между поверхностным дообучением и полным пересчетом базы, который часто нарушал логику работы уже запущенных сервисов. Новый алгоритм предлагает компромисс: система сначала обновляет идентификаторы на свежих данных, а затем принудительно выравнивает их со старой версией для сохранения стабильности.
Ведущий исследователь AI VK Владимир Байкалов пояснил, что этот метод позволяет избежать деградации рекомендаций при резкой смене трендов. Главное преимущество заключается в экономии ресурсов — затраты на поддержку актуальности модели снижаются в восемь раз. Это упрощает внедрение генеративного поиска в крупные платформы, где объемы данных и скорость смены интересов аудитории не позволяют проводить регулярное переобучение всей архитектуры с нуля.
Комментарии (0)
Пока нет комментариев. Будьте первым!