Исследователи AI VK предложили добавить к классической матричной факторизации ALSi планирование на несколько шагов вперёд с помощью Monte Carlo Tree Search (MCTSi), а не просто выбирать top-K ближайших айтемов. Работа «Planning over Matrix-Factorization MDPs for Candidate Generation» принята на воркшопе Customer Journey в рамках KDD 2026.
Обычные рекомендательные системы на ALS не учитывают, как показ конкретного айтема изменит эмбеддинг пользователя и последующие выдачи. Новый подход представляет процесс рекомендаций как RL-среду и строит дерево возможных последовательностей показов, что даёт заметный прирост качества в офлайн-экспериментах на нескольких датасетах.
ВыводЗа основу взяли ALS и механику обновления профилей из сервиса Profile Stream во VK, где эмбеддинг пользователя пересчитывается после новых взаимодействий