VK сообщила о внедрении модели HEGM в рекомендательную систему «VK Клипов». По данным компании, после запуска технологии пользователи стали смотреть за один заход на 10% больше роликов, число просмотров продолжительностью более 10 секунд выросло на 6%, а дизлайков стало на 8,3% меньше.
Эти показатели приводит сама VK. В научной статье команды говорится, что производственный A/B-тест продолжался полтора месяца и показал статистически значимый рост вовлечённости, но в доступной версии статьи конкретные проценты не раскрыты. Независимого подтверждения результатов и подробного описания эксперимента пока нет.
HEGM разработали исследователи AI VK и МГУ для прогнозирования времени просмотра коротких видео. Обычная модель может выдать одно ожидаемое значение, например 15 секунд. HEGM вместо этого строит распределение возможной продолжительности просмотра и разделяет два принципиально разных режима: быстрый пропуск и вовлечённый просмотр.
Читайте также
За быстрые пролистывания отвечает экспоненциальный компонент, а частичные просмотры, досмотры и повторные просмотры описывает смесь нескольких гауссовых компонентов. Обучаемый фильтр разделяет быстрый пропуск и вовлечённый просмотр. Из одного распределения рекомендательная система может получить несколько сигналов: вероятность мгновенного пропуска, просмотра дольше заданного времени или досмотра ролика.
Авторы проверили подход на открытых наборах данных KuaiRec и VK-LSVD, а также на внутренней выборке VK из 282 млн обезличенных взаимодействий. Компания утверждает, что HEGM превзошла другие протестированные решения по качеству ранжирования. Научная работа уточняет, что сравнение проводилось с воспроизводимыми облегчёнными базовыми моделями при неизменной основной архитектуре. Независимого сопоставления моделей на одинаковом вычислительном бюджете в доступных источниках нет.
Репозиторий включает код, скрипты подготовки данных, обработанные выборки, восемь конфигураций и готовые веса. Конфигурации охватывают два набора данных и варианты с 3, 6, 9 и 12 компонентами вовлечённого просмотра. Разработчик может воспроизвести опубликованные показатели на готовых весах либо заново подготовить данные и обучить модель.
Для публичных экспериментов, согласно документации, достаточно одной NVIDIA H100. Код проверяли с Python 3.10 и CUDA 12.3 и выпустили под Apache License 2.0; при этом наборы данных распространяются на собственных условиях. Наличие репозитория упрощает проверку метода командами рекомендательных систем, но не означает готовой интеграции в любой сервис.
История GitHub указывает на первоначальную публикацию реализации 9 июня 2026 года; первая версия статьи появилась на arXiv 24 августа, а актуальная редакция — 21 октября.
