Кейс: разработка системы рекомендаций для QRME

Как ICL Services разработала и внедрила рекомендательную систему на базе ИИ для мобильного приложения, повысив вовлеченность пользователей.

Предпосылки проекта

Заказчик проекта — социальная сеть нового поколения, сочетающая в себе платформу для обмена фото- и видеоконтентом, сервис планирования мероприятий и функционал мессенджера.

В работе заказчика долгое время использовалась единая лента для всех пользователей. Такой подход ограничивал возможности персонализации, снижал вовлеченность и уменьшал время, которое люди проводили в приложении. По мере роста аудитории стало ясно, что необходимо обеспечить баланс между популярным и уникальным контентом. В связи с этим, было принято создать комплексную рекомендательную систему, которая учитывала бы не только поведенческую активность пользователя в социальной сети, но и смысловое содержание контента, с которым он взаимодействовал.

Задачи проекта

• Разработать концепцию рекомендательной системы с поэтапным внедрением.
• Внедрить ML-модуль, анализирующий контент и формирующий персональные рекомендации в специализированном разделе и поиске.
• Организовать тестирование гипотез, настройку алгоритмов и постоянный мониторинг эффективности.
• Собрать детализированные метрики до и после внедрения для объективной оценки результата.

Проект выполнялся в две ступени.

Первый этап

Команда ICL Services выполнила построение рекомендаций на основе активности пользователя.

Далее была сформирована индивидуальная лента с балансом контента: 80% — новые публикации, 10% — потенциально интересный контент, 10% — случайная выборка для расширения горизонтов пользователя. Здесь же мы исключили закрытые аккаунты и устаревшие публикации.

Второй этап

Второй этап включал в себя:
— Подключение анализа контента: текста, фото и видео.
— Построение векторов публикаций и кластеризация по интересам.

Также была выстроена более сложная логика рекомендаций с учетом тематики и типов контента, а не только связей между авторами.

На каждом этапе проводилось тестирование, настройка алгоритмов и улучшение качества выдачи на основе реальных метрик поведения пользователей.

Результаты

1. Лента социальной сети стала кастомизированной — индивидуальной для каждого пользователя.
2. Повышена вовлеченность: пользователи дольше остаются в приложении и активнее взаимодействуют с контентом.
3. Создана аналитическая база с метриками качества рекомендаций для дальнейшей оптимизации.
4. Архитектура системы готова к масштабированию и добавлению новых алгоритмов.