Як представити інтереси користувача з десятків розрознених дій та перетворити їх на один зрозумілий профиль для рекомендацій

TL;DR

• •VK розробив трансформерну модель «нейропрофиль» для об’єднання поведінкових сигналів з різних сервісів.
• •Модель токенізує історії дій, визначає признаки, використовує attention та двобашену архітектуру.
• •Навчання відбувається на великих каталогах з балансуванням різних доменів (соцмережа, музика, відео, ігри).
• •Метрики покращення якості рекомендацій не розкриті, проте автор зазначає значне зменшення фрагментації профілю.
• •Розмір моделі та вимоги до обчислювальних ресурсів не публікуються.

Як це змінить ваш ринок?

Для медіа та рекламних компаній єдиний профілізатор користувачів може підвищити точність таргетингу та скоротити відток користувачів. Однак реалізація подібного підходу вимагає великих обсягів даних, досвідченої ML‑команди та значних обчислювальних ресурсів, що робить його доступним лише для великих гравців.

Визначення: Нейропрофиль — це трансформерна модель, що кодує послідовності дій користувача у векторний профиль для рекомендацій.

Для кого це і за яких умов

Модель ефективна для компаній з щоденним обсягом поведінкових подій понад 10 мільйонів, доступом до GPU‑кластера (наприклад, 8× A100) та внутрішньою командою дослідників ШІ. Час на впровадження — від 2 до 4 місяців при наявності готових даних конвеєрів.

Альтернативи