В России ускорили рекомендательные системы с помощью ИИ

Обычные рекомендательные системы хорошо улавливают цепочки действий пользователя, но хуже понимают его истинные предпочтения, особенно если данных мало. Большие языковые модели умеют восстанавливать эти скрытые смыслы, но использовать их напрямую слишком долго: один запрос может длиться более 10 минут. Новый подход решает эту проблему. На этапе обучения формируется профиль пользователя в виде вектора, с которым выравниваются внутренние представления рекомендательной модели. На этапе выдачи ответов тяжелая модель уже не нужна.

Проверка на четырех наборах данных показала устойчивый прирост качества. На датасете ML-20M точность выросла на 5,62%, а полнота на 4,74% по сравнению с обычной моделью. При этом скорость выдачи рекомендаций оказалась в 190 раз выше, чем у базового метода на основе больших языковых моделей. Результаты представлены на конференции ECIR 2026.