Команда исследователей Центра искусственного интеллекта МГУ в партнерстве со специалистами Лаборатории ИИ Сбербанка и Сколковского института науки и технологий разработала и протестировала новые методы повышения точности в системах последовательных рекомендаций. Их работа сосредоточена на анализе и создании стратегий авторегрессионных прогнозов для длинных горизонтов пользовательских действий, что является особенно актуальным для современных рекомендательных платформ в сферах развлечений, онлайн-сервисов и электронной коммерции. Вместо классических подходов, часто применяемых в языковых моделях, таких как greedy search, beam search или температурное сэмплирование, ученые продемонстрировали, что эти алгоритмы не всегда оптимальны при необходимости многошагового предсказания пользовательских реакций. В их исследовании предложены инновационные стратегии, способные кардинально улучшить метрики точности рекомендаций при длительных прогнозах, оставаясь при этом простыми в интеграции в существующие ИИ-системы без необходимости их значительной переработки.
Актуальность многошаговых предсказаний в современных сервисах
Современные рекомендательные системы зачастую ограничиваются короткими прогнозами — обычно предсказывается только один следующий элемент во взаимодействии с пользователем. Однако опыт многочисленных стриминговых платформ, сервисов доставки и онлайн-магазинов подтверждает: предугадывание намерений на несколько шагов вперед помогает точнее выявлять долговременные предпочтения аудитории, усиливать вовлеченность и удовлетворять индивидуальные интересы пользователей. Разработка методов многошагового прогнозирования становится одной из ключевых задач для специалистов по искусственному интеллекту и машинному обучению.
Инновационные стратегии: RRA и RA
В своей работе исследователи МГУ, Сбера и Сколтеха предложили две оригинальные схемы агрегации траекторий — Reciprocal Rank Aggregation (RRA) и Relevance Aggregation (RA). В основе каждой из них лежит идея, что авторегрессионная модель, например GPT-2, может не один раз, а сразу несколько раз спрогнозировать последовательность будущих событий или взаимодействий пользователя с системой. Далее эти варианты объединяются с помощью особого метода агрегации, что позволяет получить согласованный и более точный итоговый прогноз. Такой подход открывает новые возможности для адаптации рекомендаций к индивидуальной истории пользователя и позволяет лучше учитывать долгосрочные интересы человека — от просмотра сериалов до выбора обучающих курсов.
Практическая реализация и тестирование
Предложенные алгоритмы были внедрены на платформе, использующей архитектуру GPT-2 в формате next-item prediction — предсказания следующего элемента последовательности. Ученые провели масштабные тестирования на различных открытых датасетах, включающих данные киноиндустрии, отзывы о товарах и игровые сценарии. Результаты продемонстрировали, что новые стратегии с агрегацией маршрутов (RRA и RA) стабильно превосходят стандартные Top-K подходы и простые методы авторегрессионного предсказания в задачах с длинными горизонтами. Такой эффект особенно заметен при прогнозировании действий пользователей, склонных к разнообразным интересам и сложным паттернам поведения.
Внедрение без изменений архитектуры
Одним из главных преимуществ разработанных Центром ИИ МГУ решений стала их простота интеграции в существующие рекомендательные системы. Для повышения качества прогнозов не требуется кардинально перестраивать или переобучать модели — достаточно внедрить новую стратегию агрегации предсказанных траекторий. Таким образом, сервисы, основанные на трансформерах и GPT-подобных архитектурах, могут уже сейчас повысить свой уровень персонализации и точности рекомендаций, используя описанные алгоритмы.
Позитивные перспективы для индустрии
Данные методы, инициированные командой под руководством Алексея Васильева, представляют значительный шаг вперед для всей отрасли рекомендательных сервисов. Их применение открывает пути к созданию по-настоящему интеллектуальных систем персональных советов, способных адаптироваться к меняющимся интересам пользователей и учитывать широкий спектр их действий на длительном временном интервале. Это не только отвечает вызовам рынка, но и создает прочный фундамент для будущих исследований в области искусственного интеллекта и взаимодействия человека с интеллектуальными цифровыми помощниками. Благодаря совместной работе ученых Центра ИИ МГУ, Сбера и Сколтеха, мир становится немного ближе к умным, дружественным и заботливым технологиям, обретающим большую точность в понимании наших потребностей.
Информация предоставлена пресс-службой МГУ
Источник фото: ru.123rf.com
Источник: scientificrussia.ru
