🤖 Российские команды улучшили рекомендательные системы — три работы на ACM CIKM '26

Команды T-Bank, МФТИ, ВШЭ и Университета Иннополис представили в Риме на конференции ACM CIKM '26 (труды опубликованы 6 ноября 2026) три статьи о рекомендательных системах. E²L³AE обучает ранее «замороженный» текстовый энкодер LLM-эмбеддингов совместно с линейным автоэнкодером рекомендаций, а не отдельно: на пяти датасетах (косметика, игрушки, продукты, офисные товары, одежда) модель обошла L³AE на всех тестах, на офисных товарах — +20,3% полноты и +17,2% качества ранжирования. MoE-IGR («Give Me MoE») заменяет общий апдейт графовой модели PinSAGE динамической маршрутизацией между «экспертами»: в сценариях cold-start на трёх реальных датасетах — до +16% Recall@20 и до +34,4% NDCG@20 на новых объектах. Работа Михаила Печатова «Split Decisions» вводит метрику model-selection regret и показывает: случайное разбиение train/test без учёта хронологии часто выбирает для предсказания будущего не ту модель — в 17 из 18 сравнений такие модели справлялись хуже (на фильмах -49%, на коротком видео -81%).

🌍 Cold-start — узкое место промышленных рекомендательных систем: у новых товаров и новых пользователей ещё нет истории взаимодействий. Обе модели решают её проверяемым механизмом. E²L³AE адаптирует LLM-знания о товарах под задачу рекомендаций — дообученный энкодер сам работает как конкурентоспособный семантический рекомендатель. MoE-IGR ставит в графовой модели специализированных «экспертов» вместо общих весов, и анализ маршрутизации показал их специализацию на холодных и «тёплых» объектах. Важная оговорка: названные проценты — лучшие точки на отдельных датасетах, а не средние результаты.

👤 Все три статьи опубликованы в открытом доступе по лицензии CC BY — ссылки ниже. Если вы сами строите рекомендации, практический вывод «Split Decisions» такой: сравните модель, выбранную на случайном и на глобально-временном разбиении, — расхождение метрик покажет ваш regret. Для читателя это два живых тренда индустрии: связки «LLM-текст + классическая коллаборативная модель» и «микс экспертов в графах». Правовой статус истории взаимодействий пользователей в источниках не определён — в отдельных юрисдикциях такие данные могут считаться персональными.

Источник 1: https://dl.acm.org/doi/10.1145/3799682.3839945 Источник 2: https://dl.acm.org/doi/10.1145/3799682.3839967 Источник 3: https://dl.acm.org/doi/10.1145/3799682.3839942