Радио 
Исследователи «Т-Технологий» разработали два новых подхода — рекомендательную модель E2L3AE и архитектуру для рекомендательных моделей MoE-IGR. Они помогают рекомендательным системам лучше подбирать пользователям новые товары и контент. Об этом Sostav рассказали в пресс-службе «Т-Технологий».
Рекомендательная модель E2L3AE объединяет обучение алгоритма рекомендаций и нейросети для анализа текстов, повышая качество подбора товаров и контента на 20,3% по полноте рекомендаций и на 17,2% по качеству ранжирования по сравнению с базовой L3AE. Архитектура для рекомендательных моделей MoE-IGR повысила качество ранжирования рекомендаций на 35% по сравнению с существующими решениями.
Е2L3AE снимает ограничение L3AE и совместно обучает текстовый энкодер и рекомендательную модель. Благодаря информации о взаимодействиях пользователя с товаром или контентом текстовый энкодер лучше понимает, какие особенности объекта важны пользователю.
Исследователи разработали архитектуру MoE-IGR, объединив графовую рекомендательную модель с архитектурой «смесь экспертов» (Mixture of Experts). MoE-IGR анализирует характеристики товаров и определяет, какая специализированная нейросеть-эксперт или комбинация экспертов лучше подходит для каждого из них, а затем объединяет результаты их работы с разными весами.
E2L3AE может применяться во всех сервисах, где важно подбирать товары и контент с учетом интересов пользователей и где объекты имеют подробные текстовые описания, в том числе в интернет-магазинах косметики, игрушек, канцелярии и продуктов. Модель закрывает проблему «холодных стартов»: даже если пользователи мало взаимодействовали с товаром или контентом, дообученный энкодер может использовать описание объекта для рекомендации. Исходный код E2L3AE открыт на GitHub.
MoE-IGR может быть полезна сервисам, каталоги которых постоянно пополняются, особенно в таких отраслях, как кинематограф, книжная индустрия и ресторанный бизнес.