Команда исследователей YouTube во главе с Виктором Чжаном (Victor Zhang) представила новую архитектуру для мультизадачных моделей рекомендаций. Работа, принятая к публикации на 20-й конференции ACM RecSys 2026, решает фундаментальную проблему масштабирования: вместо моделирования невычислимого полного совместного распределения всех меток задач, система аппроксимирует их через целевые попарные отношения. Это позволяет извлекать больше информации и улучшать transfer learning без экспоненциального роста вычислительных затрат.
Суть метода: от полного пространства к попарным связям
Традиционные мультизадачные модели часто сталкиваются с "проклятием размерности" при попытке учесть все возможные взаимодействия между задачами (например, клик, просмотр, лайк, подписка). Предложенный подход упрощает эту задачу, фокусируясь на обучении кросс-задачных отношений. Модель учится предсказывать совместное распределение меток задач, опираясь на их попарные корреляции, что делает процесс обучения стабильным и эффективным.
Производственные результаты на интерфейсах YouTube
Эффективность фреймворка была проверена не в лабораторных условиях, а в реальных производственных системах YouTube. Тестирование проводилось на трех ключевых поверхностях (surfaces) платформы, где качество рекомендаций критически важно для удержания аудитории:
- Notifications (Уведомления): Оптимизация контента в ленте уведомлений.
- Homepage (Главная страница): Персонализация стартового экрана.
- Watch Next (Смотреть далее): Предсказание следующего видео для просмотра.
Результаты показали статистически значимое улучшение как метрик точности (accuracy), так и показателей удовлетворенности пользователей (user satisfaction). Авторы отмечают, что такой подход позволяет масштабировать мультизадачное обучение на новые задачи без необходимости переобучения всей модели с нуля.
Вклад в индустрию
Помимо технических результатов, исследователи опубликовали шаблон рабочего процесса (workflow template), который facilitates broader future implementation. Это означает, что методология может быть воспроизведена другими компаниями, разрабатывающими рекомендательные системы. Работа демонстрирует переход от изолированных моделей к более связным, контекстно-зависимым архитектурам, где задачи не конкурируют, а усиливают друг друга через изученные связи.
Источник: arXiv cs.AI ↗