Рекомендательные системы: от похожести к предсказанию намерений с LLM

В недавней конференции Urban ML, прошедшей в Москве, ведущие специалисты из МТС и других компаний обсудили фундаментальный сдвиг в работе рекомендательных систем. Традиционный подход, основанный на поиске похожих пользователей (collaborative filtering) или схожих товаров (content‑based), всё чаще уступает место интеллектуальному предсказанию намерений.

Основным драйвером трансформации стали большие языковые модели (LLM). Их способность понимать контекст, анализировать естественный язык запросов и извлекать скрытые сигналы из пользовательского поведения позволяет системам предугадывать, что именно пользователь хочет увидеть, а не просто предложить «похожие» элементы. На Urban ML были продемонстрированы прототипы, где LLM‑модуль интегрирован в пайплайн рекомендаций и генерирует персонализированные подсказки в реальном времени.

По словам докладчиков, первые пилотные проекты в онлайн‑кинотеатрах и сервисах аудиокниг уже показывают рост вовлечённости на 25‑30 % и увеличение среднего времени сессии. Кроме того, такие системы лучше справляются с «холодным стартом» новых пользователей, поскольку могут оперировать только их текущими запросами и контекстом, без необходимости накопления исторических данных.

Однако переход к LLM‑поддерживаемым рекомендациям несёт новые вызовы: необходимость контроля качества генерируемого контента, защита от «галлюцинаций» модели и обеспечение прозрачности решений для конечного пользователя. На конференции также обсудили методы оценки качества предсказаний намерений, включая A/B‑тесты с метрикой «intention match» и пользовательские опросы.

Для разработчиков это открывает новые возможности: от создания LLM‑обёрток для существующих рекомендационных сервисов до построения полностью новых архитектур, где генеративный слой отвечает за формулирование рекомендаций, а традиционный ранжирующий слой – за их финальную сортировку. Подробнее о докладах и видеоматериалах можно узнать на сайте Urban ML https://urbanml.com.