⏺ Ученые T-Bank AI Research создали новый метод Sampled Maximal Marginal Relevance (SMMR), до 10% быстрее и разнообразнее формирующий рекомендации на онлайн-платформах

Метод размещен в открытой библиотеке Т-Банка на GitHub и доступен для использования.

Традиционные алгоритмы стремятся подбирать максимально подходящие объекты, основываясь на предпочтениях пользователя. Однако такой подход нередко приводит к однотипным рекомендациям, формируя «информационный пузырь». Аналогичная проблема наблюдается и в новостных лентах.

Метод SMMR решает эту проблему за счет вероятностного выбора: вместо того чтобы каждый раз отдавать предпочтение одному наиболее релевантному объекту, алгоритм случайным образом выбирает из ограниченного круга подходящих вариантов.

Помимо повышения разнообразия, SMMR также работает быстрее, чем его известные аналогии — MMR (Maximal Marginal Relevance) и DPP (Determinantal Point Process). Алгоритм выбирает несколько объектов за одну итерацию и увеличивает объем выборки с каждым шагом, что снизило количество необходимых шагов с 100 до 5–10 на размере выборки из 3000 кандидатов.

💬 Подробности в релизе.

#ТБанк #ИИ

@divannyi_it подписаться