Нейросетевые рекомендации сообществ ВКонтакте: как сделать так, чтобы работало

Нейронные сети, искусственный интеллект

Доклад принят в программу конференции

Любовь Пекша

ВКонтакте

2021: Data scientist в vk.com (http://vk.com/) / единое видео:
* Нейросетевые рекомендации.
* Ранжирование и языковые модели в поиске.

2019-2021: Data Scientist в ok.ru (http://ok.ru/):
* Нейросетевые персональные рекомендации.
* Тематические и локальные рекомендации.
* Алгоритмы ранжирования и diversity ленты.

Тезисы

Видео

Главная проблема красивых нейросетевых подходов в рекомендациях — их только показывают.

На практике и тем более на масштабах сервиса с миллионами пользователей результаты обычно получаются совсем не такие, как в статьях. Даже опубликованные крупными продуктовыми компаниями сети для боевой реализации требуют много трюков — в том числе грязных.

На примере рекомендаций сообществ ВКонтакте, расскажу, как сделать нейросетевую архитектуру для рекома, которая действительно хорошо работает и даже (маленький спойлер) приносит приросты не только для команды Сообществ.

Главное преимущество нейросетевого подхода — гибкость архитектуры. Наше решение позволяет нам инкорпорировать в рекомендательную систему различные требования. Например: дайверсити, бустинг маленьких сообществ, качественные эмбеддинги сообществ. Также гибкая архитектура позволяет использовать разные метаданные: от счетчиков взаимодействий пользователя с контентом до эмбеддингов текста и картинок. Но сделать так, чтобы эти метаданные действительно улучшали алгоритм, не так просто, как кажется, и я расскажу, как мы в Вконтакте решили эту проблему.