Знает лучше всех: в России появился новый алгоритм персональных рекомендаций SMMR
Фильмы, музыка или товары – именно такие, которые вызывают у вас интерес и среди них несколько неожиданных, но любопытных рекомендаций. Это не магия вне Хогвартса, а новая разработка российских ученых. Исследователи из T-Bank AI Research, МФТИ и НИУ ВШЭ создали алгоритм для персонализированных рекомендаций на онлайн-платформах.
Новые возможности
Метод Sampled Maximal Marginal Relevance (SMMR) позволяет до 10% быстрее и разнообразнее, если сравнивать с другими известными науке методами, формировать подборки различного контента на онлайн-платформах.
Обычно алгоритмы стремятся подобрать товары, фильмы или новости, исходя из предпочтений пользователя, что приводит к однотипным рекомендациям. Однако метод SMMR учитывает интересы потребителя услуги, но не отдает «пальму первенства» одному наиболее релевантному объекту, алгоритм случайным образом выбирает из ограниченного круга подходящих вариантов. Благодаря этому пользователь может открыть для себя новый контент.
Код проекта уже доступен на Github, а результаты исследования были представлены на 48-й международной конференции по информационному поиску ACM SIGIR, которая проходит в итальянской Падуе до 18 июля 2025 года.
Более широкий выбор и гибкость
Разработка российских ученых откроет новые возможности для финтех-компаний, медиа и социальных сетей, онлайн-кинотеатров, маркетплейсов и других онлайн-платформ – этот метод формирования рекомендаций позволит клиентам иначе взглянуть на сервисы, повысит их вовлеченность и расширит пользовательский опыт.
Например, при поиске книг традиционный алгоритм предлагает 10 произведений одного жанра, исходя из предпочтений пользователя, а технология SMMR рекомендует кроме них еще 2-3 книги других жанров, которые могут быть интересны пользователю. Для продавцов и производителей это тоже выгодно – больше товаров или услуг получают шанс быть замеченными, а взаимодействие покупателя с сервисом становится более персонализированным.
Тесты прошли успешно
Российские платформы смогут внедрять алгоритм сразу – без языковой адаптации, при этом разработка соответствует действующему законодательству. Технология SMMR может найти широкое применение в государственных сервисах, связанных с образованием или с предоставлением услуг в удаленном формате. Как рассказали в «Т-Банке», компания собирается внедрять новый метод в собственные цифровые сервисы. Для повышения качества рекомендаций и формирования более широких и гибких товарных подборок будет использовать его в «Т-Шопинге», а в социальной сети «Пульс» – применять для повышения разнообразия в пользовательской ленте.
Новый метод ускорения алгоритмов рекомендаций – значимый шаг для российской IT-отрасли, он может стать альтернативой западным цифровым решениям, обеспечит более широкий доступ к разнообразным товарам и услугам, а при масштабировании будет способствовать технологической независимости России.
Экспортные перспективы этой разработки российских исследователей высоки: алгоритм SMMR был успешно протестирован на трех открытых датасетах – MovieLens (фильмы), Dunnhumby (покупки) и MIND (новости). Как говорится в сообщении Т-Банка, метод демонстрирует стабильные результаты как в потребительских сценариях, так и в более динамичных — например, в рекомендациях новостей. Потенциальными рынками экспорта могут стать ЕС и Латинская Америка, где интерес и требования к персонализации растут.
В русле общемировых тенденций
Новое цифровое решение российских ученых соответствует мировым трендам: развитие персонализированных рекомендаций позволяет стимулировать продажи и повысить лояльность клиентов, поэтому разработки в этом направлении ведутся активно.
Так, Amazon рекомендует пользователям товары на основе их предыдущих покупок и поисковых запросов, Netflix использует алгоритмы для рекомендаций фильмов и сериалов, базируясь на предпочтениях пользователей, их истории просмотров и рейтингах, а Spotify создаёт плейлисты на основе предпочтений.
В России «Яндекс» внедряет в свои сервисы рекомендательные системы на основе генеративных моделей. Новый метод SMMR сочетает ускорение и качественные метрики, его успешная монетизация возможна в течение ближайших 1-2 лет.
