Научная группа из T-Bank AI Research представляет результаты оптимизации алгоритма БПР

Научная группа из T-Bank AI Research провела исследование и представила результаты оптимизации алгоритма байесовского персонализированного ранжирования (БПР) на конференции ACM RecSys. В исследовании было обнаружено, что практическая реализация БПР часто неоптимальна, что приводит к снижению эффективности до 50% от теоретически возможной.

Авторы создали свою модель БПР и тщательно настроили её гиперпараметры, получив результаты, превосходящие популярные реализации на 50% и 10% по сравнению с моделями из фреймворков RecBole и Mult-VAE соответственно. Работа опубликована на сервере препринтов Корнеллского университета и доступна на GitHub.

Оптимизация алгоритма БПР позволит рекомендательным системам более точно предсказывать интересы пользователей, улучшая качество выдач в социальных сетях и интернет-магазинах.