Исследователи из лаборатории T-Bank AI Research создали подход название Sampled Maximal Marginal Relevance (SMMR), позволяющий ускорить формирование рекомендаций на различных цифровых платформах и сделать их более разнообразными.

Результаты исследования были представлены на одной из ведущих конференций в области машинного обучения и ИИ ACM SIGIR.

Этот алгоритм направлен на повышение персонализации рекомендательных сервисов путем подбора предложений, соответствующих интересам пользователей, избегая концентрации на однотипном контенте. Традиционные подходы зачастую формируют «информационный пузырь»: система предлагает пользователям только тот контент, который совпадает с ранее отмеченными предпочтениями. Подобное поведение снижает разнообразие рекомендуемых объектов и создает ограничения для открытий нового контента.

По словам разработчиков, SMMR устраняет этот недостаток благодаря применению метода выборочного отбора: алгоритм случайно выбирает из предварительно отобранного набора подходящих элементов, расширяя таким образом круг предлагаемых товаров, фильмов, новостей и другого контента.

Новый подход демонстрирует высокую эффективность и скорость обработки данных. Экспериментальные исследования показали, что он превосходит существующие аналоги, такие как Maximal Marginal Relevance (MMR) и Determinantal Point Process (DPP), в скорости работы от двух до десяти раз. При этом качество и разнообразие рекомендаций возрастает на 5–10%.

В компании считают, что SMMR открывает новые возможности для FinTech-компаний, медиа и социальных сетей, онлайн-кинотеатров, маркетплейсов и других онлайн-платформ, считают разработчики. «Т-Технологии» планируют внедрить новый метод в собственные цифровые сервисы для повышения качества рекомендаций.