Групповое обучение в системах рекомендаций: к адаптивному и неявному моделированию групп

Почему более умные группы важны в сети

От совместных просмотров фильмов с друзьями до семейных отпусков — многие наши решения принимаются в группах. Тем не менее большинство онлайн‑платформ по‑прежнему ориентируются на отдельных пользователей. В этой статье задаётся простой вопрос с далеко идущими последствиями: что если наши стриминговые сервисы, приложения для покупок и туристические порталы могли бы сами тихо обнаруживать и адаптироваться к естественным группам людей и объектов, вместо того чтобы полагаться на фиксированные, вручную составленные списки? Авторы предлагают новый способ, с помощью которого системы рекомендаций могут автоматически выявлять такие группы, чтобы предлагать варианты, которые кажутся справедливыми и удовлетворительными для всех участников.

От жёстких команд к гибким сообществам

Современные инструменты групповых рекомендаций обычно исходят из жёсткого представления о том, кто принадлежит к группе: заранее определённый круг друзей, класс или кластеры, построенные один раз с помощью статистического метода. Система затем пытается подобрать «достаточно хороший» объект для этой застывшей группы. Но реальная жизнь сложнее. Набор людей, выбирающих фильм на вечер, может отличаться от тех, кто подбирает отпуск на следующий месяц, а сами объекты могут естественно группироваться в наборы, такие как плейлисты или туристические пакеты. В статье утверждается, что формирование групп не должно рассматриваться как отдельный одноразовый шаг — оно должно быть вплетено в сам процесс обучения рекомендательной системы на данных.

Скрытая карта людей и вещей

Авторы представляют модель, которую называют Deep Dynamic Group Learning Model, или DDGLM. В её основе система строит скрытую карту, где и люди, и объекты представлены точками в математическом пространстве. Вместо присвоения каждому человеку или продукту единственной фиксированной группы, модель сначала позволяет им принадлежать к нескольким перекрывающимся «мягким» группам с разной степенью членства. Параметр «температуры» делает эти членства более чёткими по мере обучения, так что к моменту практического использования система фактически помещает каждого человека или объект в ту группу, которая лучше всего подходит для задачи. Эти выученные группы не основаны только на видимых признаках вроде возраста или жанра, а на том, насколько они помогают системе предсказывать оценки или выборы пользователей.

Сведение личности и группы к единой картине

DDGLM идёт дальше, настаивая на том, что представление человека как индивидуальности и его представление как члена группы должны согласовываться. В процесс обучения добавляется дополнительный член, мягко притягивающий индивидуальные и групповые представления друг к другу. Это предотвращает уход профилей групп в нереалистичные шаблоны, которые не соответствуют ни одному члену, при этом позволяя модели фиксировать общие вкусы. Используя эти представления, система может единообразно обрабатывать четыре распространённые ситуации: рекомендацию одного объекта одному человеку, объекту группе, набора объектов одному человеку или набора объектом группе. В каждом случае рекомендации сводятся к простым сравнениям между соответствующими подмассивами людей и групп объектов внутри скрытой карты.

Действительно ли адаптивные группы помогают?

Чтобы проверить работоспособность идеи, авторы провели обширные эксперименты на известных наборах оценок фильмов MovieLens‑100K и MovieLens‑1M. Они сравнили DDGLM с методами, формирующими группы случайно, через традиционную кластеризацию или с помощью ранних объединённых рамок рекомендаций. Во всех четырёх сценариях — индивидуальные, групповые, пакетные и пакет‑в‑группу рекомендации — динамическая модель показала более точные предсказания оценок и лучшие рекомендации в верхних позициях ранжирования. Она особенно превосходила при работе с группами или наборами, где статические подходы испытывали трудности. Тщательные статистические тесты подтвердили, что эти улучшения не случайны, а эксперименты по времени показали, что метод хорошо масштабируется с ростом числа пользователей, объектов и групп.

Что это значит для обычных пользователей

Для неспециалистов вывод прост: системы рекомендаций работают лучше, когда им разрешают самостоятельно выявлять полезные группировки на ходу, а не привязывать их к жёстким, заранее выбранным определениям. Обучаясь тому, какие люди и объекты естественно «двигаются вместе» в данных — и постоянно обновляя эти закономерности — DDGLM может генерировать предложения, которые лучше отражают общие вкусы, будь то фильм для семьи, плейлист для вечеринки или туристический пакет для группы. Исследование показывает, что рассматривая формирование групп как то, чему сама система может научиться, можно получить более точные, адаптивные и потенциально более справедливые рекомендации в цифровых сервисах, которыми мы пользуемся каждый день.

Цитирование: Busireddy, N.R., Kagita, V.R. & Kumar, V. Group learning in recommendation systems: towards adaptive and implicit group modeling. Sci Rep 16, 5918 (2026). https://doi.org/10.1038/s41598-026-36356-x

Ключевые слова: системы групповых рекомендаций, динамическое групповое обучение, персонализированные рекомендации, коллаборативная фильтрация, глубокое обучение