Анатомія рекомендаційних систем

Анотація

У статті розглянуто принципи побудови сучасних рекомендаційних систем соціальних платформ на прикладі TikTok та Instagram. Показано, що основою їхньої роботи є двоетапна архітектура, яка поєднує швидкий пошук потенційно релевантного контенту (Retrieval) і точне ранжування відібраних кандидатів (Ranking). Детально описано модель двох нейронних «веж» (Two-Tower Neural Network), у межах якої користувач і контент подаються у вигляді векторів у багатовимірному просторі, а їхня відповідність визначається за допомогою косинусної близькості. Проаналізовано, як текстові, візуальні, аудіальні та метадані контенту об’єднуються в єдине векторне представлення, а також, як поведінкові та контекстуальні ознаки формують динамічний профіль користувача. Окрему увагу приділено порівнянню підходів TikTok і Instagram, зокрема їхнім різним цілям оптимізації, швидкості адаптації та ступеню складності моделей. Стаття має на меті продемонструвати, що рекомендаційні системи не є «чорною скринькою», а спираються на добре відомі ідеї лінійної алгебри, геометрії та машинного навчання, доступні для розуміння учнями старших класів і студентами початкових курсів.