Исследователи AI VK Research сделали рекомендательный алгоритм VK, который смотрит не только на то, что человеку нравится прямо сейчас, но и на то, как сегодняшняя выдача может сдвинуть его интересы завтра. Подход уже тестируют внутри экосистемы VK в нескольких задачах, а саму работу показали на конференции KDD 2026.
Идея в том, чтобы считать не только шанс клика здесь и сейчас. Алгоритм пытается прикинуть и отложенный эффект от совета: один удачный подбор может надолго удержать человека в сервисе, а промах — отправить его в сторону, где системе потом сложнее поймать нужный тон.
Сама схема опирается на обычные рекомендательные системы. Они всё ещё нужны там, где важны скорость и экономия вычислений. VK пишет, что новый метод можно встроить в уже существующую архитектуру без перестройки платформы с нуля, а на открытых наборах данных, включая VK-LSVD, он дал более точный подбор контента, чем классические методы.
Для рынка это не выглядит чем-то редким. Spotify, YouTube и крупные e-commerce-платформы уже давно тестируют рекомендации, которые учитывают не только разовый интерес, но и более длинную линию поведения пользователя. Для VK здесь ещё и вполне прикладная задача: усилить свои рекомендательные сервисы в гонке за внимание, где ошибка в ленте быстро заметна.
Дальше исследователи собираются точнее встроить в модель обратную связь от пользователей и расширить технологию на большее число промышленных сценариев. Если точность сохранится на реальных данных сервисов, у VK появится ещё один инструмент для настройки ленты и видео-рекомендаций без перехода на совсем новую систему.