ВКонтакте научила Ленту отличать интерес к контенту от намерения купить

✔️ ВКонтакте научила Ленту отличать интерес к контенту от намерения купить Инженеры AI VK построили отдельный контур товарных рекомендаций внутри Ленты ВКонтакте. Обычный рекомендер оптимизируется под релевантный показ, за которым обычно следует лайк, комментарий и другие реакции, но интерес к посту ещё не означает готовность купить товар. Поэтому для товарных публикаций сделали отдельную систему со своими кандидатами, логированием и моделью ранжирования. Она оценивает вероятность того, что конкретный товарный пост приведёт пользователя к заказу. На старте возник классический cold start: мало показов → мало переходов и заказов → мало данных → модель не на чем обучать. Команда подняла логирование товарного домена с 2% до 100%, увеличив обучающую выборку в 15 раз. А пока заказов было недостаточно, использовала более частые proxy-сигналы – например, раскрытие текста поста, которое коррелировало с дальнейшим переходом к партнёру. Для поиска кандидатов система использует два типа сигналов: товарное поведение и обычные контентные интересы. Например, если человек взаимодействует с постом про книги или рецептами, система может найти близкие по смыслу товарные публикации – книги, посуду или другие связанные товары. После этого ранкер решает, стоит ли показывать конкретный товар конкретному пользователю. Само ранжирование мультитаргетное: максимальный вес получает заказ, затем переход к партнёру и только потом более лёгкие действия вроде лайков и времени просмотра. То есть система оптимизируется не под CTR как таковой, а под всю воронку до покупки. За пять месяцев: 🟢сквозная конверсия из показа в созданный заказ выросла на 53%; 🟢число созданных заказов – в 43,2 раза; 🟢переходы к партнёру – в 55,3 раза; 🟢CTR перехода к партнёру – на 95,6%. Инфраструктурно всё работает на Discovery-платформе VK: она позволила настраивать отдельное логирование, быстрее запускать эксперименты и тестировать гипотезы без разработки отдельных сервисов под каждый новый сценарий. Подробно про архитектуру, cold start, proxy-таргеты и ранжирование – в статье на Хабре. @ai_machinelearning_big_data