dumaiПрепринт — материал ещё не прошёл рецензирование
Новый подход делает ИИ-рекомендации точнее и гибче
Кратко
Авторы предложили способ обучения рекомендательных систем, где знания модели и её настройка для конкретной задачи разделены. Это позволяет заново обновлять заранее обученную модель, не мешая её донастройке под поток новых данных.
Зачем это знать
В тестах на восьми открытых наборах данных подход обошёл сильные базовые методы, а в живом тесте на площадке Shopee дал рост продаж и рекламной выручки на одного пользователя. Это показывает, что такой способ может помочь чаще обновлять рекомендательные системы без потери качества.
Разбор
Авторы сначала разделили одну общую проблему на две разные: что именно модель должна выучить из истории действий пользователя и как потом переносить это знание в систему, которую регулярно обновляют. Для первой части они отказались от обычной схемы «предсказывай следующий элемент», потому что такая схема часто цепляется за случайные соседние переходы — например, за шаги внутри одной сессии, которые не всегда отражают реальный интерес человека. Вместо этого они оставляли в обучении только будущие товары, которые действительно связаны с предыдущими — либо по смыслу, либо по совместному поведению пользователей. Так знание получается чище и лучше переносится дальше.
Во второй части они развели по разным наборам параметров само знание и настройку под задачу. Проще говоря, одна часть модели отвечает за обновляемую память о поведении пользователей, а другая — за то, как это знание использовать именно в рекомендательной задаче. Между ними нет прямого конфликта: задача читает состояния энкодера через механизм внимания, который работает только на чтение, а свою собственную «геометрию» строит через отдельную поправку, не смешанную с уже выученными представлениями. Это важно, потому что при обычном обучении новая настройка может ломать то, что модель уже успела выучить.
В результате у них получилось обновлять предобученную модель без того, чтобы каждый новый шаг обучения мешал старым знаниям. На восьми открытых наборах данных подход дал прирост по сравнению с сильными базовыми методами, а в потоке данных за 90 дней преимущество сохранялось, тогда как у конкурентов оно исчезало. Ещё один важный контекст: систему не просто проверили в лаборатории — её уже внедрили в реальный поиск на главной странице Shopee.
Ключевые цифры
Можно ли доверять
Это препринт на arXiv: работу ещё не оценили независимые рецензенты. Но здесь есть сильный плюс — метод проверили не только на восьми открытых наборах данных, но и в реальном A/B-тесте на Shopee, а ещё наблюдали его на потоке данных 90 дней. Такая комбинация обычно даёт более надёжный сигнал, чем одна лабораторная проверка.
Пересказано ИИ по научной статье. Как это устроено