Руководитель группы рекомендательных технологий AI VK Михаил Трапезников раскрыл детали архитектуры нейропрофиля — системы, которая объединяет сигналы пользователя из разных сервисов VK в единое представление о его интересах. Проблема, которую решает команда, знакома всем крупным экосистемам: человек смотрит длинные видео в VK Видео, короткие клипы в VK Клипах и листает ленту ВКонтакте, но каждый из этих сигналов описывает его предпочтения лишь фрагментарно. Нейропрофиль собирает все типы взаимодействий в одну последовательность и обрабатывает её трансформерной нейросетью, которая учитывает взаимосвязи между действиями в разных продуктах. Такой подход позволяет формировать динамический эмбеддинг пользователя, отражающий как долгосрочные интересы, так и текущий контекст поведения. В отличие от классических рекомендательных систем, которые часто рассматривают каждый сервис изолированно, нейропрофиль использует кросс-доменный подход, что особенно актуально для VK, где пользователи активно взаимодействуют с разнообразным контентом ежедневно.

В основе решения лежит двухбашенная архитектура, где башня пользователя обрабатывает историю действий с учётом их порядка и контекста, а башня объекта кодирует характеристики контента — тематику, жанр и другие статичные свойства. На выходе система сравнивает представления пользователя и контента, вычисляя степень их соответствия, и этот сигнал используется алгоритмами для отбора релевантных материалов. Ключевое отличие от альтернативных индустриальных подходов — отказ от сложных многоэтапных схем предсказания микроповедения в пользу архитектурной лаконичности. Вместо прогнозирования каждого отдельного действия модель интегрируется напрямую в рекомендательные системы, что кратно ускоряет развёртывание технологии на десятки продуктов без перестройки их внутренних пайплайнов. Это особенно важно для VK, где экосистема включает множество сервисов — от социальной сети до видеоплатформ и музыкальных стримингов, и унификация рекомендаций может существенно снизить операционные затраты.

Для обучения трансформера история действий пользователя преобразуется в последовательность токенов, каждый из которых объединяет три типа признаков: контентное представление из мультимодальных моделей, векторы событий, кодирующие тип взаимодействия, и признаки источника, учитывающие предпочтения к авторам. Временные сигналы кодируются с помощью подхода Time2Vec, который включает абсолютное время события, относительное время сессии и интервалы между смежными действиями. Это позволяет модели понимать не только интерес пользователя, но и динамику его поведения: например, отличать хаотичное листание от глубокого погружения в контент. Важно, что нейропрофиль дифференцирует паттерны поведения внутри сервисов, ведь механика потребления в ленте, клипах и длинных видео фундаментально различается. Мультимодальные модели VK отвечают за описание самого контента, сводя видео, клипы и тексты в единое семантическое пространство, а нейропрофиль агрегирует историю пользователя, связывая эти контентные векторы с его действиями.

Обучение модели проходит в два этапа из-за шумности исходных данных и склонности переоценивать популярные объекты. На стадии предобучения модель учится отделять потенциально интересный контент от заведомо нерелевантного, используя неявные сигналы вовлечённости, такие как глубина просмотра или время взаимодействия. Второй этап, судя по описанию, предполагает дообучение на более чистых данных с учётом обратной связи. Такой подход позволяет избежать типичных проблем рекомендательных систем, когда алгоритмы зацикливаются на популярных элементах и игнорируют нишевые интересы пользователя. Точные детали второго этапа в материале не раскрываются, но очевидно, что он направлен на улучшение персонализации. Это двухэтапное обучение также помогает бороться с шумом в данных, который неизбежен при сборе сигналов из множества источников, и позволяет модели лучше обобщать паттерны поведения.

Для российского рынка это значимый шаг, поскольку VK контролирует крупнейшую в стране экосистему цифровых сервисов, и унификация рекомендаций через нейропрофиль может существенно повысить качество пользовательского опыта. В отличие от западных платформ, где кросс-доменные рекомендации часто ограничены техническими барьерами, VK имеет уникальную возможность объединять данные из разных продуктов без юридических и архитектурных препятствий. Это особенно важно в условиях, когда российские компании вынуждены развивать собственные ML-решения из-за ограничений на использование зарубежных платформ. Нейропрофиль также демонстрирует зрелость локальной AI-индустрии, способной создавать сложные трансформерные архитектуры и эффективно внедрять их в производственные среды. Более того, такой подход согласуется с общим трендом на унификацию ML-разработки, который обсуждался на «ИТ-Пикнике»: в крупных компаниях основная сложность часто заключается не в самих моделях, а в подготовке данных и переносе решений между командами, и нейропрофиль предлагает элегантное решение этой проблемы.

Сравнение с альтернативными подходами показывает, что классические рекомендательные системы, основанные на отдельных моделях для каждого сервиса, требуют постоянной поддержки и синхронизации, тогда как единый нейропрофиль снижает операционные затраты. Например, если пользователь ставит лайк видео в VK Видео, эта информация мгновенно учитывается при формировании ленты ВКонтакте и подборке клипов, что невозможно при изолированных моделях. Однако остаются открытые вопросы: как модель обрабатывает конфликтующие сигналы (например, положительную реакцию на контент, который пользователь тут же пролистывает), и как она адаптируется к резким изменениям интересов. Пока нет публичных данных о точных метриках улучшения рекомендаций, что оставляет пространство для скептицизма. Тем не менее, сам факт появления такого решения подтверждает тренд на консолидацию AI-инфраструктуры в крупных технологических компаниях, что неизбежно изменит рынок рекомендательных технологий в ближайшие годы.

В перспективе нейропрофиль может стать основой для новых продуктов, таких как персональные подборки, умные уведомления или голосовые ассистенты, которые будут использовать единое представление о пользователе. Команда VK планирует расширять применение технологии на другие сервисы экосистемы, включая музыкальные и игровые платформы. Однако ключевым вызовом остаётся баланс между персонализацией и приватностью: чем больше данных собирает система, тем выше риск злоупотреблений. В условиях ужесточения российского законодательства о персональных данных VK придётся демонстрировать прозрачность обработки информации. Возможно, в будущем мы увидим публикации с детальными метриками A/B-тестов, которые подтвердят или опровергнут эффективность нейропрофиля. Пока же это многообещающий шаг в развитии рекомендательных технологий, который может задать новые стандарты для всей отрасли.