详细内容或原文请订阅后点击阅览
VK教会了推荐算法考虑到用户未来的兴趣
AI VK Research 研究人员提出了一种新方法，让经典推荐系统不仅能够考虑用户当前的兴趣，还能考虑推荐对其未来偏好的影响。该方法是在 VK 推荐技术开发过程中开发的，并且已经用于解决某些应用问题。
来源:OSP网站大数据新闻AI VK Research 研究人员提出了一种新方法，让经典推荐系统不仅能够考虑用户当前的兴趣，还能考虑推荐对其未来偏好的影响。该方法是在 VK 推荐技术开发过程中开发的，并且已经用于解决某些应用问题。
现代神经网络模型在VK推荐系统中发挥着主要作用。同时，在某些注重计算资源使用速度和效率的场景中，仍然使用经典算法。通常，算法仅根据当前与用户最相关的内容来选择内容。新方法使您可以考虑今天的推荐将如何影响下一个推荐，从而使整个推荐链变得更好。该解决方案可以实施到现有的推荐系统中，而无需完全重建其架构。
正如 AI VK 研究部门负责人 Alexander Dyakonov 指出的那样，当今大多数研究都集中在大型神经网络推荐模型上。与此同时，在推荐系统的许多服务和单个组件中，经典算法仍然是最有效的解决方案。在工作过程中，有可能表明它们可以通过规划机制来补充：不仅考虑当前的推荐，还考虑其对用户进一步与内容交互可能产生的影响。这种方法提高了推荐的质量，而不会显着增加计算成本，并且允许在不合理使用重型神经网络模型的情况下使用现代规划方法。