Как с вами связаться

Введите сообщение

Войти

Как с вами связаться

Введите сообщение

Войти
Аватар сообщества Т-ТЕХНОЛОГИИ [новости]

Т-ТЕХНОЛОГИИ [новости]

НОВОСТИ АКЦИЙ РФ

Новейший алгоритм рекомендаций SMMR: прорыв в персонализации от T-Bank AI Research

4 183
Новейший алгоритм рекомендаций SMMR: прорыв в персонализации от T-Bank AI Research

Учёные T-Bank AI Research разработали новый метод, ускоряющий и разнообразящий алгоритмы рекомендаций. Этот метод, названный Sampled Maximal Marginal Relevance (SMMR), был представлен на одной из ведущих конференций в области машинного обучения и искусственного интеллекта по информационному поиску уровня А. Конференция проходила в итальянской Падуе с 13 по 18 июля 2025 года. Суть метода заключается в том, что он использует вероятностный подход к выбору объектов. Вместо того чтобы каждый раз выбирать наиболее релевантный объект, алгоритм случайным образом выбирает из ограниченного числа кандидатов. Это позволяет повысить разнообразие без потери релевантности. Кроме того, метод SMMR работает быстрее, чем его аналоги, такие как MMR (Maximal Marginal Relevance) и DPP (Determinantal Point Process). Он выбирает несколько объектов за одну итерацию и увеличивает размер выборки с каждым шагом, что снижает количество необходимых шагов с 100 до 5–10 на выборке из 3000 кандидатов. В результате новая методика оказалась в 2–10 раз быстрее MMR и DPP и обеспечила рост разнообразия рекомендаций на 5–10%. Метод SMMR также отличается от традиционных подходов тем, что он выбирает случайным образом похожие категории для показа, что повышает скорость и разнообразие рекомендаций. Метод SMMR представляет собой развитие классических подходов к формированию разнообразных рекомендаций и имеет ряд уникальных особенностей: SMMR использует вероятностную выборку, что повышает разнообразие рекомендаций без потери релевантности. В отличие от традиционных методов, выбирающих наиболее релевантный объект, SMMR формирует рекомендации из нескольких элементов, увеличивая их размер. Это ускоряет работу модели, особенно для больших выборок, за счёт снижения количества итераций. Метод включает параметр «температуры», регулирующий степень случайности выбора объектов. Это позволяет настраивать алгоритм под конкретные задачи: от консервативного отбора до большего разнообразия. SMMR эффективно работает с большими объёмами данных, требуя в 10–100 раз меньше итераций для списков из нескольких тысяч объектов. Метод легко интегрируется в существующие рекомендательные системы, снижая издержки на внедрение и упрощая адаптацию. Для бизнеса SMMR увеличивает удовлетворённость аудитории за счёт релевантных и разнообразных рекомендаций, что повышает вовлечённость. Для пользователей метод предлагает разнообразные предложения, делая взаимодействие с сервисом более персонализированным. SMMR успешно протестирован на MovieLens (фильмы), Dunnhumby (покупки) и MIND (новости), демонстрируя стабильные результаты в потребительских и динамичных сценариях. Источник: www.tbank.ru*

Войти

Войдите, чтобы оставлять комментарии

Аватар пользователя 'АДМИНИСТРАТОР'

АДМИНИСТРАТОР

25ac12c4-48cf-4bb6-a157-d0abf096f08a.png

Скачайте бесплатно приложение MONDIARA на свой мобильный телефон.

Другие новости сообщества / НОВОСТИ АКЦИЙ РФ

Вы уверены, что хотите выйти из аккаунта?