Исследователи AI VK Research предложили метод машинного обучения HEGM  (Hierarchical Exponential-Gaussian Mixture), который помогает рекомендательным системам точнее определять интерес пользователей к контенту. Работа принята на международную конференцию IEEE ICDM 2026, а код модели выложен в открытый доступ. Технологию уже внедрили в VK Клипы: количество просмотренных роликов за один раз в сервис выросло на 10%, а число просмотров продолжительностью более 10 секунд увеличилось на 6%.

В рекомендательных системах время взаимодействия с контентом — один из ключевых показателей пользовательского интереса.Традиционные алгоритмы обычно прогнозируют только ожидаемую продолжительность просмотра, не учитывая разные сценарии поведения: пользователь может сразу пролистать видео, посмотреть его частично, досмотреть до конца или включить повторно. Аналогичная задача возникает и при рекомендациях музыки, текстовых публикаций, рекламы и товаров.

Метод HEGM прогнозирует не одно ожидаемое время просмотра, а распределение возможной продолжительности просмотра с учётом разных сценариев поведения пользователей. На основе одной модели можно оценивать вероятность быстрого пролистывания, досмотра видео до конца и другие показатели пользовательского интереса.

Исследователи проверили HEGM на двух открытых наборах данных KuaiRec и VK-LSVD, а также на внутреннем датасете из 282 млн реальных обезличенных пользовательских взаимодействий. Метод превзошел другие протестированные решения по качеству ранжирования. Тестирование в VK Клипах показало, что пользователи стали чаще смотреть видео (+6%) и реже ставить дизлайки (−8,3%).

Технология может применяться в любых цифровых сервисах для прогнозирования продолжительности взаимодействия пользователя с контентом. Например, в музыкальных стримингах — для прогнозирования пропусков и полного прослушивания треков, в рекламных системах — длительности просмотра видеорекламы, а в электронной коммерции — времени изучения карточек товаров. HEGM позволяет одной моделью прогнозировать несколько показателей пользовательского интереса и может быть интегрирована в существующие рекомендательные системы без изменения их основной архитектуры. Это упрощает внедрение и масштабирование технологии.

Модель опубликована на GitHub, а научная статья доступна на arXiv.