Вот кажется, что сложного в рекомендациях: есть товар, есть пользователь, надо просто подобрать первое ко второму. Но не все так просто с новыми товарами, у которых еще нет истории покупок. Как в таком случае выстраивать реки - вопрос. Ответ на него нашла команда из Т-Банка. Она предложила два подхода, которые были представлены в Риме на конференции ACM CIKM. Первый – модель E2L3AE, которая учит две части системы – текстовую и рекомендательную – работать в паре, а не по отдельности, как в базовой L3AE. Так, алгоритм лучше понимает, какие особенности товара важны. Проверяли на косметике, игрушках, продуктах, офисных товарах и одежде: полнота рекомендаций на датасете офисных товаров выросла на 20,3%, качество ранжирования — на 17,2% по сравнению с L3AE. Хорошо работает там, где у товаров есть подробные описания, и помогает с холодным стартом. Есть и второй подход — архитектура MoE-IGR со «смесью экспертов»: она сама решает, какая нейросеть лучше подойдёт для конкретного товара. Так, качество ранжирования выросло на 35% по сравнению с базовой PinSAGE на датасете MovieLens при рекомендации новых объектов.
https://dl.acm.org/doi/10.1145/3799682.3839945 https://dl.acm.org/doi/10.1145/3799682.3839967