Команда VK опубликовала, как устроена их новая нейросеть рекомендаций

Команда VK опубликовала, как устроена их новая нейросеть рекомендаций. Сейчас у меня порядка 1 миллиона просмотров в неделю в VK, я в этом посте объясню вам, как добиться похожих результатов. Это важно с учётом того, что РКН всё равно перебанит западные соцсети, поэтому связь производителей и потребителей контента перейдёт к VK значительно. И коллеги из VK сделали выдающуюся работу, чтобы связать производителей и потребителей контента. Я, имея всего 2000 подписчиков на старте, получил аудиторию на сотни тысяч релевантных потребителей контента.

Как это работает и что с этим делать.

1. Концепция «Две Башни» или история двух векторов.

Каждый пост превращается в вектор эмбеддингов как в традиционном RAG.

В случае пользователя вектор получается трансформером, который анализирует 1024 последних действий пользователя с постами и забирает их семантические признаки в вектор пользователя.

Из миллионов постов как предварительные кандидаты в ленту отбираются условные Top 1000 просто по косинусной близости. Вот тут перейдём к практике. Почему мои посты сразу влетели в «шорт-лист», а VK агрессивно стал давить старые «фотки с котиками». Дело в том, что посты у меня — длинная аналитика (400 токенов примерно). Также мой опыт архитектора позволяет мне писать кросс-доменную аналитику. Если заметили, я часто пишу про разные IT-технологии в разных применениях (HR, стройка, проектный менеджмент и т.п.). Это делает мои посты очень яркими векторами многогранной семантики. Если обычный пост IT-шника залетит нескольким сотням из «IT-пузыря», то на мой пост про ИИ с CAD пришли проектировщики, а на пост про финансовые результаты Nvidia — топ-менеджеры. Я просто вектор моего поста был про проектирование и про финансы, а не только про ИИ.

2. Концепция Cross-признаков на время просмотра, лайки и скрытия поста.

Перспективный Top 1000 близких постов далее уходят в нейросеть, разработанную изначально Google для ранжирования видео YouTube — DCDN (Deep Cross-Division Network), её команда VK доработала для предсказания ещё CTR-параметров. Задача этого этапа — найти не просто грубую косинусную близость, а найти сложные выводы близости векторов типа «этот пост про ИИ и CAD, пользователь читает про проектирование, CAD связан с проектированием ? пользователь будет его долго читать или много лайкать ? высокий рейтинг к показу». В целом такие признаки может найти и обычный многослойный перцептрон или даже вообще один перцептрон (вспоминаем теорему Цыбенко), но такой MLP будет очень плохо учиться из-за огромного количества пересечений косвенных признаков. Слои DCDN сделаны как раз под «перемножение фич», чтобы понять, как факторы связаны друг с другом.

Почему тут мои посты выигрывают уже в Top 1000 шорт-листа к показу? Дело в том, что DCDN обожает две вещи: кросс-доменную экспертизу (он же и ищет кросс-корреляции признаков), а также сравнительно длинную аналитику, т.к. самая важная целевая функция нейросети — время чтения.

Какие отсюда выводы, если вы хотите в условиях Православного Интернета в VK получить аудиторию:

• VK с фотками про котиков помер, нет его больше. Короткие посты и открытки улетают чаще в мусорку, т.к. бедные вектора контента

• Кросс-доменная аналитика и тематика становится королём, т.к. позволяет вам работать с аудиторией, которая даже не всегда догадывалась сама, что ей интересен такой контекст, узкая аналитика в одной теме понижается в выдаче до её прямых читателей

• Параметр чтения поста является в реале основной метрикой, поэтому вам нужна или развёрнутая аналитика как у меня, или графическая схема, которую будут значительное время разглядывать

• Нейросеть VK показывает и доказывает, что хейтеры канала — полный мусор, без жалости баньте и выгоняйте их, если посты взлетели. Наплевать на их комменты, все в сад. Просто если уже вас нейросеть VK показывает, то она учла уже сокрытие постов как нерелевантных у нормальных людей, поэтому прибежавшие хейтеры просто шумят, но никого не представляют. Если бы вы писали не так и сокрытие было высоким, то пост бы не показали.

https://arxiv.org/abs/2608.23356

Телеграм: t.me/ainewsline

Источник: t.me

Комментарии: