Инженеры AI VK построили в Ленте ВКонтакте отдельный контур товарных рекомендаций: собственные селекторы кандидатов с каталогом примерно из 74 000 товарных постов, первым партнёром Ozon, отдельным логированием и мультитаргет-ранкером, который оценивает вероятность заказа для пары «пользователь — товар» вместо привычного CTR. Чтобы преодолеть cold start, логирование товарного домена подняли со стандартных 2% до 100% через Discovery-платформу VK, увеличив выборку в 15 раз. За пять месяцев A/B-теста сквозная конверсия из показа в созданный заказ выросла на 53%, число заказов — в 43,2 раза, переходов к партнёру — в 55,3 раза, CTR — на 95,6%.
Что произошло
Разбор механики и результатов опубликовала команда AI VK в блоге на Хабре; автор материала — Николай Карасов, ведущий разработчик отдела рекомендаций контентных сервисов. Логика такая: товарные посты выделены в изолированный контур внутри устоявшегося рекомендера Ленты со своими кандидатами, собственным логированием и отдельным ранжированием. Мультитаргет-ранкер оценивает вероятность заказа для пары «пользователь — товар», а вес сигналов выстроен по всей воронке: максимальный вес у созданного заказа, затем переход к партнёру и лишь потом лайки и время просмотра. Для решения проблемы данных логирование товарного домена через Discovery-платформу VK подняли со стандартных 2% до 100% показов, отчего выборка выросла в 15 раз. По итогам пятимесячного A/B-теста команда отчиталась о +53% сквозной конверсии из показа в заказ, ×43,2 к числу созданных заказов, ×55,3 к переходам к партнёру и +95,6% к CTR.
Контекст
Корневая проблема, которую решал кейс, — cold start нового домена с редкими целевыми событиями: заказов в Ленте изначально почти нет, а значит, обучать модель напрямую на них невозможно. До накопления заказов модель тренировали на более частые proxy-сигналы, например на раскрытие текста товарного поста, которое коррелирует с дальнейшим переходом к партнёру; затем таргет мигрировали вверх по воронке — это классическая схема «proxy → target». Ключевым рычагом оказались данные, а не модель: редкие целевые события становятся обучаемыми только при плотном логировании, поэтому адресный перевод логирования домена на 100% был важнее выбора архитектуры. По сути, научная новизна здесь минимальна — архитектуру всей системы не меняли, зато методологическая ценность высокая: это документированный playbook запуска товарного домена внутри контентного рекомендера.
Почему это важно для индустрии
Для команд, строящих рекомендательные и e-commerce-системы, это проверенный в проде рецепт запуска нового домена внутри зрелого рекомендера: не переписывать архитектуру, а изолировать контур, поднять логирование редкого домена до 100% через существующую discovery-инфраструктуру, стартовать на частых proxy-сигналах и вести мультитаргет-ранкер по всей воронке покупки. Такой подход применим везде, где целевое событие редкое — от маркетплейсов до локальных сервисов и вакансий. Немедленная польза — методический чек-лист: проверить, сколько реально логируется редкого целевого домена (у VK было 2% против нужного объёма) и какие proxy-события доступны уже сейчас. При этом «из коробки» внедрить решение нельзя: открытого API, OSS или прайсинга нет, это внутренний инженерный кейс. В ближайшие месяцы ожидаемо повторят другие платформы с редкими таргетами, а само сочетание «изоляция контура + плотное логирование + миграция таргета» станет шаблоном в разборах по cold start.
Почему это важно для пользователей
Товарные посты — «шопсы» — в Ленте ВКонтакте теперь отбирает отдельная модель, которая оптимизирует не лайки и CTR, а вероятность довести читателя до заказа, поэтому такие посты стали подбираться точнее: кандидаты выбираются по товарному поведению и контентным интересам пользователя. Первый партнёр контура — Ozon, так что покупки идут через его ассортимент. Продавцам стоит учесть смену логики: ранжирование теперь вознаграждает контент, который реально приводит к заказу, а не собирает лайки, поэтому оформление и подачу товарных постов имеет смысл пересобрать под воронку. Тем, кто изучает рекомендательные системы, полезно открыть исходный разбор команды VK на Хабре: там описаны механика выбора кандидатов и полные результаты A/B-теста.
Что пока неизвестно / ограничения
Методологически к метрикам стоит относиться осторожно: ×43,2 заказов и ×55,3 переходов — в первую очередь артефакт запуска нового контура с нуля с низкой базой на старте, а не доказательство превосходства самого подхода. Арифметическая самопроверка даёт объём показов товарных постов, выросший примерно в 28 раз (55,3/1,956 ≈ 43,2/1,53), то есть значительная часть абсолютного роста заказов объясняется именно масштабом показов. Данных за пять месяцев и одного партнёра (Ozon) недостаточно, чтобы судить об устойчивости эффекта на длинном горизонте; про перенос приёма на другие домены VK источник ничего не заявляет. Открытых API, OSS-репозитория или прайсинга нет, а отдельные внешние оценки качества системы вне A/B самой команды отсутствуют.
Источники
Автор
Look at AI, редакция