ВКонтакте построил отдельный алгоритм для рекомендаций товаров: как отличить интерес к контенту от намерения купить
Команда ИИ ВКонтакте создала внутри ленты отдельный технический контур для продвижения товарных постов. Обычная рекомендательная система, оптимизированная под лайки и время просмотра, не способна эффективно продвигать товары. Новые алгоритмы используют специфическую выборку данных и мультитаргетное ранжирование, чтобы максимизировать конверсию в покупку, а не просто клики. Результатом стало увеличение количества заказов в 43 раза и роста переходов к партнерам в 55 раз.
# Товарные рекомендации ВКонтакте: от контента к конверсии
Команда искусственного интеллекта компании ВКонтакте (AI VK) завершила разработку и внедрение нового контура рекомендаций,专门 предназначенного для продвижения товарных постов авторов. Основная задача была амбициозной: изменить привычный паттерн поведения пользователя в ленте. Вместо стандартного сценария «прочитал — лайкнул», система должна подталкивать человека к совершению транзакции прямо в социальной сети, переводя его в экосистему партнера (в случае с первыми тестами — маркетплейса Ozon).
Обычный рекомендательный алгоритм (ранкер), работающий в ленте более десятка лет, оптимизирован под метрики вовлечения: лайки, комментарии, время просмотра и подписки. Он успешно предсказывает, какой видеоролик захочет досмотреть зритель или какая статья задержит его ленту. Однако прогноз вероятности покупки находится за пределами его компетенции, так как события «заказ» в его обучающих данных исторически отсутствовали или были крайне редки.
«Товар — это не просто еще один тип контента. Это объект рекомендации с другой целевой функцией. Между простым лайком и оформлением заказа лежит длинная воронка действий, и оптимизация верхних этапов не гарантирует результата на нижних», — объясняет Николай Карасов, ведущий разработчик отдела рекомендаций.
Сложность холодного старта и выбор данных
Главной технической и логистической проблемой стала так называемая петля смерти при обучении моделей на новых данных. В системе рекомендаций возникает замкнутый круг: товарных постов мало, поэтому ранкер не видит причин их активно показывать. Отсутствие показов означает отсутствие кликов и переходов, а без этих событий невозможно собрать данные для обучения модели, которая должна научилась показывать эти посты чаще.
Чтобы разорвать этот круг, инженеры VK применили нестандартное инфраструктурное решение. В обычной ленте логирование (запись событий в базу данных) производится лишь для 2% активности пользователей. Это компромисс между стоимостью хранения данных и достаточностью выборки для обучения моделей вовлечения. Для товарного контента такая логика перестала работать: 2% от уже редких показов товаров становились статистическим нулем.
Вместо дорогостоящего 100% логирования всей ленты, команда внедрила механизм селективного стопроцентного логирования только для нового домена — товарных постов. Поскольку их доля в общем потоке мала, нагрузка на инфраструктуру была минимальной, но объем обучающей выборки вырос в 15 раз. Это позволило модели начать «видеть» данные о взаимодействиях, которые раньше пропадали в шуме.
Кроме этого, команда использовала четыре метода решения проблемы редкого целевого события («заказ»): 1. Использование исторических сигналов: Модель учитывала предыдущие взаимодействия пользователей с коммерческим контентом (витрины в Маркете, старые публикации), чтобы сформировать начальный профиль товарных интересов. 2. Сегментные топы: Для пользователей без товарной истории использовались общие признаки (пол, возраст, популярность товара), чтобы начать базовую персонализацию и собирать первичные сигналы. 3. Поэтапное обучение: Сначала модель обучали на более частых событиях (позитивные реакции), а по мере накопления данных плавно смещали фокус на целевые действия (переход и заказ). 4. Proxy-события: Был выделен важный промежуточный шаг — раскрытие текста поста (expand). Если пользователь открывает текст, вероятность перехода к партнеру возрастает многократно. Это событие стало ключевым индикатором интереса на ранних этапах обучения.
Архитектура товарного контура
ВКонтакте не просто добавил товары в общий пул постов, а выстроил изолированный, но интегрированный контур. Он имеет собственные селекторы, логирование и модель ранжирования, работающую параллельно с основным алгоритмом ленты.
Система собирает два типа сигналов для формирования кандидатов: * Партнерские данные: Зашифрованные сигналы от площадки-партнера (Ozon) о поведении пользователя (добавление в корзину, покупка, открытие карточки). * Контентная близость: Система находит обычные посты, которые пользователю интересны (например, рецепты), и подбирает к ним связанные товары (посуда, ингредиенты). Это позволяет запускать рекомендации даже тем пользователям, у которых еще нет истории покупок.
Ранжирование осуществляется с помощью градиентного бустинга на алгоритме CatBoost. Модель работает в режиме мультитаргета, где цели имеют разный приоритет: 1. Заказ (максимальный вес). 2. Переход к партнеру. 3. Легкие позитивные действия (лайки, просмотр). 4. Штрафные факторы (пролистывание, скрытие).
Такой подход позволяет не максимизировать клики любой ценой, а строить качественную цепочку от внимания к продаже.
Интеграция и контроль качества
Важной особенностью новой системы является управление квотами. Товарный контент не занимает всё пространство ленты, чтобы не превратить её в витрину. Базовая квота составляет 1,5%, но динамически увеличивается до 5% для пользователей, у которых модель фиксирует высокую вероятность покупки на текущий момент.
Дополнительный слой защиты обеспечивает фильтрация по порогу релевантности: если у пользователя нет подходящих кандидатов, товарных постов просто не будет показано. Также решается проблема монополии категорий — алгоритм следит за тем, чтобы в окне выдачи не повторялись одинаковые категории товаров, если есть альтернативы равного качества.
Результаты внедрения
Анализ данных за период с марта по август (пять месяцев работы контура) показывает впечатляющие результаты. В отличие от большинства экспериментов, где рост количества показов не идет в паре с качеством, здесь оба показателя выросли одновременно.
Ключевые метрики роста: * Сквозная конверсия «показ — заказ»: выросла на 53%. * Количество созданных заказов: увеличилось в 43,2 раза. * Переходы к партнеру: выросли в 55,3 раза. * Просмотры товарных постов: увеличилось в 28,3 раза. * CTR перехода к партнеру: вырос на 95,6%.
Парадоксальный, но позитивный побочный эффект стал ростом предложения авторов. Количество товарных публикаций в лентах авторов выросло до 5 тысяч в сутки. Видя, что новые рекомендации находят реальных покупателей, авторы получили мотивацию создавать больше коммерческого контента, замыкая положительный цикл: лучшее ранжирование привлекает больше авторов, что расширяет каталог и улучшает возможности для рекомендаций.
Этот кейс демонстрирует, как инфраструктурные решения, такие как Discovery-платформа VK, позволяют быстро экспериментировать с новыми доменами, меняя стратегию от общего вовлечения к специализированной монетизации без потери качества пользовательского опыта.