Исследователи представили метод Mutable Low-Rank Sketches, позволяющий обновлять пользовательские эмбеддинги в рекомендательных системах в реальном времени без необходимости полного переобучения модели. Использование структуры KP-tree для хранения предпочтений и динамическая проекция низкого ранга решают проблему «устаревания» данных, обеспечивая актуальность рекомендаций сразу после того, как пользователь взаимодействует с новым контентом или оценивает товар.

В современных двухэтапных рекомендательных системах эмбеддинги пользователей часто остаются статичными до следующего цикла обучения, что снижает точность предсказаний при изменении интересов. Новый подход переносит вычисления на этап инференса, используя разреженное дерево сегментов для агрегации предпочтений. Это позволяет системе мгновенно адаптироваться к новым действиям пользователя, сохраняя при этом вычислительную эффективность, сопоставимую с классическими методами.

Метод доказывает, что обновление эмбеддинга при поступлении новой оценки происходит с минимальными затратами ресурсов. Это критически важно для крупномасштабных платформ, где задержка между действием пользователя и обновлением профиля может составлять часы или дни. Технология позволяет поддерживать высокую релевантность выдачи в динамических средах, где предпочтения меняются быстрее, чем обновляются веса нейронных сетей.

Ключевые факты

  • Метод использует KP-tree (разреженное дерево сегментов с суммарной агрегацией) для хранения истории взаимодействий.
  • Обновление эмбеддинга происходит «на лету» (on-the-fly) сразу после получения новой оценки от пользователя.
  • Подход устраняет необходимость в регулярном переобучении всей модели для учета актуальных предпочтений.
  • Технология оптимизирована для двухэтапных рекомендательных систем, где требуется высокая скорость обработки данных.
  • Математическое обоснование подтверждает эффективность низкоранговой проекции при динамическом изменении входных данных.