Как меняются и на чем учатся рекомендательные системы медиасервисов

С каждым годом рекомендательные алгоритмы работают все лучше: они накапливают знания о пользователях и могут лучше угадывать, что им предложить. Такие технологии развивают социальные сети, маркетплейсы, онлайн-кинотеатры и книжные сервисы. “Ъ” узнал у участников рынка, откуда берутся данные для рекомендаций, как они обрабатываются и как рекомендательные сервисы будут работать в ближайшем будущем.

Как работают рекомендации

Рекомендательная система — это разновидность системы фильтрации информации. Такие алгоритмы помогают принимать пользователям сервисов решения, например, о том, какой продукт приобрести, какую музыку послушать, какой фильм посмотреть в определенный момент времени. Рекомендации работают по-разному в зависимости от задачи конкретного сервиса.

Так, например, в маркетплейсе рекомендации — это персональный шопинг-ассистент, который предлагает пополнить запасы, находит более подходящий или выгодный товар, говорит руководитель направления рекомендаций Wildberries Максим Пасашков. «Под капотом все выглядит более прозаично: набор алгоритмов машинного обучения предсказывает, что и в какой момент может понадобиться пользователю. Здесь применяется целый спектр технологий: от простейших коллаборативных фильтраций и статистических моделей до глубоких нейронных сетей на последовательностях и графах»,— говорит он.

В музыкальных сервисах рекомендации можно назвать «очень внимательным музыкальным консультантом, который не только экспертен в музыке, звучании и жанрах, но и знает именно вас, ваши вкуса и предпочтения», объясняет руководитель сервиса «Яндекс Музыка» Александра Сагалович. Он одновременно анализирует три важных аспекта: что слушает пользователь, что слушают похожие на него пользователи и саму музыку — ее звучание, ритм, настроение, добавила она.

В целом рекомендации всегда ориентируются на два показателя: личные предпочтения пользователя и пересечение интересов конкретного пользователя с другими, похожими на него, рассказывает представитель «Кинопоиска». «Система рекомендаций не только начинает предлагать вам больше фильмов того жанра, который вы выбираете чаще, но и находит пользователей, которые высоко оценили те же картины, что и вы. Алгоритм рекомендует фильмы и сериалы, которые пользователи, похожие на вас, уже посмотрели и оценили высоко»,— говорят в сервисе.

В книжных сервисах рекомендации позволяют преодолеть «первичный барьер к чтению» — проблему выбора, говорит руководитель сервиса «Яндекс Книги» Виталий Григораш: «Рекомендации помогают найти нужную или подходящую в этот момент книгу, пользователь знает, что будет читать и слушать следующим».

Какие данные используют рекомендации

Виды данных, которые уточняют «цифровые профили» пользователей, зависят от конкретного продукта. Рекомендации в Wildberries, например, работают с использованием данных по кликам, заказам, поисковым запросам и иной информации об активности пользователя на сайте, рассказали в маркетплейсе. В VK рекомендательные алгоритмы строятся на основе анализа десятков и сотен петабайт данных, говорят в холдинге: «Например, в "VK Видео" мы анализируем не только просмотры, лайки, комментарии, но и время просмотра, географию, досматриваемость и другие контекстные данные».

В основе рекомендаций «Яндекс Музыки» лежат данные о том, какие треки пользователь дослушивает до конца, какие пропускает или какие ему понравились, говорит Александра Сагалович: «При этом система анализирует анонимные данные миллионов других пользователей — это помогает находить неочевидные музыкальные связи и делать рекомендации для конкретного пользователя разнообразными, но в то же время подходящими именно ему». Специальные нейросети также «вслушиваются» в каждый трек, определяя его характеристики: ритм, громкость, наличие вокала, тембр и множество других параметров. Это позволяет находить композиции, близкие по звучанию и настроению. В результате в рекомендации быстрее попадают новые или малоизвестные треки.

В «Кинопоиске» алгоритмы анализируют оценки пользователей. «Выставляя фильмам и сериалам оценку от 1 до 10, пользователь дает сигнал: это кино мне нравится, предлагайте больше похожих, а это — трата времени, не показывайте подобные фильмы в подборках, собранных на основе моих интересов»,— говорят в сервисе.

В онлайн-кинотеатре KION, помимо истории просмотров, анализируется также информация о канале привлечения пользователя, его соцдем (пол, возраст и подобные характеристики) и взаимодействия с контентом в других экосистемных сервисах МТС, говорит директор по управлению продуктовым портфелем холдинга «МТС Медиа» Алексей Арефьев.

В Okko с самого начала в основе рекомендаций лежал портрет пользователя, говорит директор по продукту Okko Денис Имполитов: «Сейчас на первый план выходят знания о контексте, в котором он находится, о его жизненном ритме, а также гипотезы о его эмоциональном состоянии для построения гиперперсонализированных рекомендаций, попадающих в настроение и соответствующих атмосфере момента».

Зачем это нужно

Раньше рекомендации были вау-фактором, теперь это необходимый минимум для выбора пользователя, говорит представитель «VK Музыки». Более точные рекомендации положительно влияют на лояльность пользователей и их активность, увеличивая время, которое он проводит в сервисе, также объясняют в пресс службе «VK Музыки»: «Чем меньше времени пользователя уходит на поиск того, что он хотел бы послушать, тем больше времени он потратит на само прослушивание».

Рекомендации не только решают задачу по подбору для пользователя музыки, исходя из его предпочтений, но и растят интерес слушателей к новым артистам, отметила Александра Сагалович. «Точная система рекомендаций продлевает жизнь пользователя в подписке. В сентябре 2024 года уже более 80% пользователей "Яндекс Музыки" слушали "Мою волну" хотя бы раз в неделю»,— добавила она.

Есть прямая зависимость между количеством часов, проведенных в онлайн-кинотеатре, и вероятностью оттока, отмечает Алексей Арефьев. Каждый дополнительный час, проведенный за просмотром фильма и сериала, снижает вероятность оттока. В конечном счете это позитивно влияет и на активную базу, и на число подписчиков, и на выручку.

В Okko рассказали, что за год смотрение из рекомендаций в Okko выросло в полтора раза. В видеосервисах рекомендательные системы позволяют также одновременно показывать сразу несколько проектов с большой аудиторией, говорят в «Кинопоиске»: рекомендации покажут контент тому подписчику, который будет релевантнее, и поэтому большие франшизы не поглощают друг друга.

Как меняются рекомендации

Рекомендательные системы развиваются органически: растет сервис и количество взаимодействий, а значит, и выборка для обучения модели, говорит Алексей Арефьев из «МТС Медиа»: «То есть чем больше у тебя пользователей, тем больше данных и лучше развивается алгоритм».

В VK совершенствование рекомендательных систем происходит за счет внедрения более продвинутых алгоритмов искусственного интеллекта, рассказали в холдинге. В «VK Музыке» в октябре сделали обновление рекомендательных технологий. «Мы увеличиваем количество сигналов, которые могут подсказать, в каком настроении пользователь, что ему хотелось бы послушать в конкретный момент»,— говорят там.

В «Яндекс Музыке» для совершенствования рекомендаций внедрили глубокие нейронные сети, что позволяет системе персональных рекомендаций понимать, как меняются музыкальные интересы пользователей, и прогнозировать возможные варианты развития. В Okko работают над мультиформатными рекомендациями. «Например, люди, которые смотрят матчи Лиги чемпионов, получают предложение сыграть в тематическую игру на SMART TV»,— объясняет Денис Имполитов.

Маркетплейсы также совершенствуют рекомендации — алгоритмы «Яндекс Маркета», например, научились отличать модные товары и показывать их. Для этого «Маркет» использовал нейросеть команды компьютерного зрения «Яндекса» и обучил ее на данных, подготовленных профессиональными стилистами. Они посмотрели изображения десятков тысяч товаров на маркетплейсе из категории одежды и обуви и ранжировали их от модных к немодным.

Куда приведут нас алгоритмы

«Со стопроцентной вероятностью желания пользователей мы вряд ли когда-нибудь угадаем»,— признает Алексей Арефьев. Однако, по его словам, алгоритмы смогут узнавать, чего хочет клиент, еще до того, как он сам это осознал. «Речь здесь не просто про качественное улучшение ответа на вопрос "Что порекомендовать?", но и про уточнение контекста, то есть в какое именно время рекомендовать и каким образом»,— говорит он.

Максим Пасашков из Wildberries отмечает, что один из трендов — это рекомендации в виде чат-бота по примеру нашумевших ИИ-ассистентов нового поколения. Пользователь взаимодействует с ассистентом в формате диалога, а не исследует сайт или приложение в поисках нужного товара. Интерфейс чата может стать привычным для пользователя и заменить другие способы взаимодействия с системами, прогнозирует он. Однако, по словам Максима Пасашкова, есть и другая точка зрения: рекомендации могут стать настолько умными, что пользователям вообще не нужно будет ни с чем взаимодействовать, а только подтверждать покупки: «Все остальное сервисы будут делать за нас».

В «VK Музыке» отмечают, что сервисам предстоит научиться выводить пользователя из так называемого рекомендательного пузыря, чтобы рекомендации постоянно открывали новые треки, новых артистов и новые жанры. Тот, кто справится с этим лучше всего с помощью новых технологий и редакции, сможет поднять сервис на следующий уровень, считают в компании.

В книжных сервисах технологии уровня YandexGPT в будущем позволят находить не только похожие по жанру книги, но и сюжетные повороты, и персонажей, которые были бы особенно интересны читателю, надеется Виталий Григораш: «С помощью технологий мы сможем лучше понимать, какая книга затянет читателя благодаря своим художественным особенностям, языку или практической информации, а какая — нет».

Валерия Лебедева