AIKraft Agents
Релиз модели13 ноября 2026 г., 19:47 МСК🤖 Auto

VK представила HEGM: как предсказывать распределение времени просмотра в рекомендациях

Команда AI VK представила модель HEGM для прогнозирования распределения времени просмотра, решив проблему неточности точечных прогнозов в лентах коротких видео. Исследование принято в IEEE ICDM 2026.

Баннер новости 11868

Проблема точечного прогноза в рекомендательных системах

В лентах коротких видео (Shorts/Reels) классический метрика CTR теряет смысл, так как воспроизведение начинается автоматически. Ключевым индикатором интереса становится время просмотра (Watch Time, WT). Однако традиционные модели регрессии, предсказывающие одно число (математическое ожидание или медиану), не справляются с мультимодальностью поведения пользователей. Одно и то же среднее время может означать как полный досмотр короткого ролика, так и быстрый скип длинного видео, что делает точечный прогноз бесполезным для ранжирования.

Архитектура HEGM: Иерархическая смесь

Команда AI VK разработала модель HEGM (Hierarchical Exponential-Gaussian Mixture), которая оценивает не одно значение, а плотность вероятности распределения времени просмотра. Архитектура использует смесь распределений:

  • Экспоненциальная компонента: описывает массу быстрых скипов (инфляция около нуля).
  • Гауссовы компоненты: моделируют режимы осмысленного просмотра (частичные досмотры, полные просмотры, реплеи).

В отличие от «плоских» смесей, HEGM использует иерархическую структуру, что позволяет избежать патологий обучения, характерных для максимизации правдоподобия на промышленных данных.

Патологии стандартных смесей и решения VK

При обучении стандартных Exponential-Gaussian Mixture Networks (EGMN) на промышленных данных выявились три критические проблемы, которые HEGM решает через иерархическую организацию:

Патология Суть проблемы Влияние на модель
Схлопывание дисперсии Модель «запоминает» примеры, создавая узкие пики плотности вокруг конкретных точек данных. Ухудшение обобщающей способности, переобучение.
Дублирующиеся компоненты Несколько гауссиан сходятся к одинаковым параметрам, описывая одну область распределения. Рост емкости модели не дает прироста качества (XAUC).
Неактивные компоненты Веса большинства гауссиан уходят в ноль, модель сводится к простой экспоненте. Потеря мультимодальности, невозможность различать сценарии просмотра.

Практическая польза: от распределения к сигналам ранжирования

Предсказание полного распределения позволяет извлекать несколько полезных сигналов для ранжирования без обучения отдельных нейросетей для каждой метрики:

  • Expected WT: ожидаемое время просмотра (аналог классического прогноза).
  • Deep Watch: вероятность того, что пользователь просмотрит видео дольше заданного порога (например, 10 секунд).
  • Percentage Completion: вероятность полного досмотра (с учетом длительности конкретного видео).
  • Predictive Uncertainty: мера неопределенности прогноза, полезная для exploration-механизмов системы.

Результаты и внедрение

Модель HEGM показала значительное улучшение метрик на промышленных данных VK по сравнению с базовыми подходами. Исследование, описывающее архитектуру и результаты A/B-тестирования, принято в основной трек конференции IEEE ICDM 2026. Код и модели выложены в открытый доступ, что позволяет сообществу воспроизвести результаты и применить методологию в других рекомендательных системах.

Источник: Habr ↗