Исследовательская группа T-Bank AI Research разработала новый алгоритм Sampled Maximal Marginal Relevance (SMMR), который значительно повышает производительность рекомендательных систем и разнообразие предлагаемого контента.

Скорость формирования рекомендаций возросла в 2-10 раз, а разнообразие рекомендуемого контента увеличилось на 5-10%. Главное техническое преимущество достигается за счет оптимизированного алгоритма, который одновременно отбирает несколько объектов за итерацию и последовательно наращивает объем выборки.

Для обработки выборки из 3000 потенциальных кандидатов SMMR требуется всего 5-10 итераций вместо обычных 100, необходимых для классических алгоритмов. При работе с крупными массивами данных вычислительная сложность снижается в 10-100 раз, что критически важно для онлайн-сервисов с высокой нагрузкой.

SMMR решает ключевую проблему современных рекомендательных систем — однообразие предлагаемого контента. В отличие от классических алгоритмов, новый метод использует механизм контролируемой случайной выборки объектов из подходящего пула кандидатов, вместо простого ранжирования по релевантности.

Это техническое решение позволяет формировать более разнообразные подборки, увеличивая вероятность открытия пользователем нового контента. Научная статья, детально описывающая метод, опубликована в библиотеке ACM Digital Library и представлена на международной конференции ACM SIGIR.

Технические испытания продемонстрировали существенное превосходство SMMR над традиционными методами Maximal Marginal Relevance (MMR) и Determinantal Point Process (DPP) по ключевым метрикам.

Важной технической особенностью метода является параметр «температуры», позволяющий точно регулировать степень случайности при отборе объектов. Этот механизм обеспечивает гибкую настройку баланса между релевантностью и разнообразием в зависимости от специфики конкретной рекомендательной платформы.