Специалисты исследовательского подразделения T-Bank AI Research создали инновационный подход, ускоряющий и расширяющий вариативность рекомендательных систем в интернете. Разработанный алгоритм Sampled Maximal Marginal Relevance (SMMR) генерирует индивидуальные подборки для каждого пользователя, избегая однообразия в предлагаемом контенте, сообщили представители банка.

Данные о научной работе были обнародованы в рамках авторитетной конференции ACM SIGIR, посвященной искусственному интеллекту и машинному обучению. Мероприятие состоялось с 13 по 18 июля в итальянском городе Падуя.

Как пояснили разработчики, классические рекомендательные системы фокусируются на подборе строго релевантных позиций — будь то продукты, киноленты или новостные материалы. Но подобная стратегия ведет к созданию "информационного кокона", ограничивающего кругозор пользователя уже знакомыми темами.

Технология SMMR преодолевает этот недостаток благодаря вероятностному отбору: система случайным образом выбирает варианты из предварительно отфильтрованного списка подходящих объектов.

По сравнению с распространенными аналогами — MMR (Maximal Marginal Relevance) и DPP (Determinantal Point Process) — новый метод демонстрирует повышенную скорость работы (в 2–10 раз быстрее) и увеличивает разнообразие рекомендаций на 5–10%. Это перспективное решение для финтеха, медиаресурсов, соцсетей, стриминговых сервисов и торговых площадок, поскольку улучшает пользовательский опыт, отмечают в T-Банке. Финансовая организация уже рассматривает возможность интеграции SMMR в свои цифровые продукты для усовершенствования рекомендательных механизмов.