Еще несколько лет назад взаимодействие пользователя с видеосервисом строилось по простой схеме: человек точно знал, что хочет посмотреть, вводил название в поисковую строку и выбирал подходящий результат из выдачи. Сегодня эта модель радикально изменилась. Теперь все чаще происходит обратное — мы открываем приложение, и большая часть контента уже ждет нас в персонализированной ленте. Видеоплатформы научились предугадывать желания зрителя еще до того, как он сформулирует запрос.
Но как рекомендательной системе удается так точно определить наши интересы? Вместе с директором по продукту RUTUBE Евгением Ильчуком разбираемся, какие сигналы считывают современные алгоритмы, какой путь проходит видео, прежде чем оказаться в персональной выдаче, и почему рекомендации стали главным полем битвы за внимание пользователя.
Эволюция рекомендательных систем: от простого к сложному
Рост роли рекомендательных технологий напрямую связан с фундаментальным изменением потребительского поведения. Мы живем в эпоху информационной перегрузки и дефицита внимания. Современный пользователь ежедневно взаимодействует с десятками цифровых сервисов, и у него все меньше ресурса на дополнительные действия — например, на долгий поиск или перебор разделов каталога.
Сегодня видеоплатформы конкурируют не столько обширностью каталогов, сколько скоростью и точностью подбора контента. Технологии рекомендаций за последние годы ушли далеко вперед. Первые системы строились вокруг простого принципа коллаборативной фильтрации: «Пользователи с похожими интересами смотрели это — значит, и вам понравится». Этот подход никуда не исчез, но современные модели способны гораздо тоньше описывать и пользователя, и контент.
Вместо нескольких условных характеристик алгоритм работает с сотнями признаков, формируя многомерное цифровое представление интересов человека. В основе этого лежат технологии векторизации и трансформерные модели.
- Векторизация переводит информацию в математическую форму: каждому объекту (пользователю, видео, категории) соответствует набор чисел — вектор. Похожие по смыслу объекты система располагает близко друг к другу в многомерном пространстве. Это позволяет искать сходство не только по отдельным словам или тегам, но и по глубинной семантике.
- Трансформерные модели помогают учитывать контекст и сложные связи между различными признаками. Системе уже недостаточно понять, что пользователь любит спорт или кино — она стремится определить, какой именно контент интересен конкретному человеку в данный конкретный момент.
Поведенческие сигналы: что алгоритм видит за вашими действиями
Многие ошибочно полагают, что главное для рекомендаций — это лайки, подписки и репосты. На самом деле, в мире рекомендательных систем эти действия считаются явными (explicit) сигналами. Их значительно меньше, чем неявных (implicit), поэтому основу профиля интересов формируют именно последние.
Явные и неявные сигналы: иерархия важности
Ключевое отличие заключается в количестве и достоверности данных. Люди смотрят значительно больше контента, чем оценивают его. Пользователь может проводить на платформе по несколько часов в день и при этом почти никогда не нажимать кнопку «Нравится». Если строить его профиль только на явных действиях, большая часть информации об интересах будет потеряна.
Неявные сигналы, которые считывает алгоритм:
- Факт просмотра. Самый базовый и важный сигнал.
- Глубина досмотра. Закрыл ли пользователь видео на первых секундах или досмотрел до конца? Это главный индикатор релевантности.
- Взаимодействие с таймлайн-линией. Перематывал ли зритель отдельные моменты, пересматривал ли фрагменты?
- Сценарий «следующего просмотра». Какое видео пользователь включил сразу после текущего? Это помогает выстраивать цепочки связанного контента.
Учет контекста и динамика интересов
Рекомендательная система учитывает не только усредненный портрет пользователя, накопленный за месяцы, но и его интерес «здесь и сейчас». Это называется контекстом сессии.
- Время и последовательность. Важны не только сами видео, но и порядок их просмотра.
- Смена интересов. Например, пользователь, который обычно смотрит фильмы, может внезапно увлечься ремонтом или путешествиями. Ждать неделями, пока алгоритм заметит это, не придется. Свежие просмотры почти мгновенно попадают в набор признаков, поэтому новая тема может появиться в ленте уже в течение той же сессии.
- «Затухание». Вес сигналов неодинаков. Свежие действия имеют больший приоритет, а давние постепенно теряют значимость.
- Повторяемость. Один случайный клик по видео про космос не сделает вас фанатом научпопа. Но несколько последовательных просмотров роликов одной тематики становятся убедительным сигналом об изменении интереса.
Проблема «холодного старта»: как система понимает нового пользователя
Самый сложный вызов для любой рекомендательной системы — это новый пользователь, у которого еще нет истории просмотров. В индустрии это называется проблемой холодного старта (cold start).
На этом этапе платформа вынуждена опираться на ограниченные данные. Новичок получает достаточно разнообразный набор популярного и актуального контента, чтобы алгоритм мог «нащупать» его интересы. Однако уже после первого просмотра система получает новый сигнал, и лента начинает персонализироваться. На некоторых платформах, включая RUTUBE, перестройка рекомендаций может начаться менее чем через минуту после того, как пользователь закрыл первое видео.
От загрузки до показа: жизненный цикл видео в рекомендациях
Чтобы ролик оказался в персональной ленте, системе необходимо сначала понять его содержание. С фильмами, сериалами и телепрограммами проще — у них есть подробные метаданные: жанр, актеры, описание. С пользовательским контентом (UGC) ситуация иная. Автор может загрузить видео и даже не указать теги или сделать это некорректно.
Поэтому контент проходит этап предварительной обработки:
- Модерация и категоризация. Определяется базовая тематика ролика.
- ML-разметка. Система транскрибирует аудиодорожку (переводит речь в текст), анализирует видеоряд и может уточнить категорию. Это позволяет извлекать смысловые признаки даже для видео с минимальным количеством метаданных.
Воронка рекомендаций: как из 448 миллионов видео выбирают десятку
Процесс формирования ленты на крупных платформах (например, каталог RUTUBE в первом полугодии 2026 года превысил 448 миллионов видео) напоминает многоступенчатую воронку. В индустрии выделяют три ключевых этапа: отбор кандидатов (Candidate Generation), ранжирование (Ranking) и финальное переранжирование (Re-ranking).
Этап 1: Отбор кандидатов (Candidate Generation)
Задача этого этапа — из сотен миллионов роликов быстро выбрать относительно небольшой пул (например, около тысячи видео), которые потенциально могут заинтересовать пользователя. Здесь действуют разные стратегии одновременно:
- Подписки и предпочтения авторов. Часть кандидатов берется из контента тех авторов, которых пользователь регулярно смотрит.
- Коллаборативная фильтрация. Ищутся пользователи со схожими паттернами поведения.
- Векторный поиск (ANN). Используются двубашенные модели (two-tower): одна часть строит вектор пользователя, другая — вектор видео. Ближайшие кандидаты находятся с помощью приближенного векторного поиска (Approximate Nearest Neighbor), что позволяет обрабатывать миллионы роликов за миллисекунды.
Этап 2: Ранжирование (Ranking)
Тысяча кандидатов — все еще слишком много для одной ленты. На втором этапе система оценивает сотни признаков, присваивая каждому видео скоринг (оценку). Среди них:
- Популярность и динамика просмотров конкретного видео.
- Смысловая близость к недавним просмотрам пользователя.
- Текущий контекст (время суток, устройство).
- Качество и поведенческие метрики ролика (глубина досмотра у других пользователей).
В результате ролики выстраиваются в порядке убывания релевантности.
Этап 3: Переранжирование и диверсификация (Re-ranking)
Показать пользователю десять максимально похожих видео подряд — плохая стратегия. Это создает так называемый «пузырь рекомендаций» (filter bubble), где человек замыкается на одном типе контента. Чтобы этого избежать, алгоритм на финальном этапе искусственно добавляет разнообразие.
- Метод MMR (Maximal Marginal Relevance). Кандидаты, слишком похожие на уже отобранные в ленту, получают «штраф» и опускаются в выдаче.
- Расширение контекста. Если зритель пришел за новостями, система может вплести в ленту документальный или образовательный ролик. Если пользователь заинтересуется новым форматом, это станет новым сигналом, и пространство интересов расширится.
Особый случай: «холодный старт» для нового видео
Для нового ролика ситуация аналогична: у него еще нет истории просмотров. Алгоритм оценивает его содержание, категорию и профиль автора. Новому видео дается небольшой первоначальный объем показов, а дальше система наблюдает за реакцией аудитории. Если поведенческие метрики (средний процент досмотра, вовлеченность) хорошие — показы увеличиваются. Если нет — сокращаются.
Сложность гибридных платформ: кино и UGC под одной крышей
Особый вызов для видеосервисов представляет совмещение в одном интерфейсе двух моделей потребления: классического онлайн-кинотеатра (фильмы, сериалы, шоу) и открытой UGC-платформы (короткие и любительские ролики). Задача алгоритма — создать бесшовный пользовательский опыт, чтобы человек мог в одном месте смотреть и блокбастер, и ролик нового блогера.
Современные системы успешно справляются с этой задачей. Уже сейчас более 55% всего времени на таких платформах пользователи проводят за просмотром контента, который им предложила рекомендательная система, а не тот, который они искали самостоятельно.
Сравнительная таблица этапов работы рекомендательной системы
| Этап | Название этапа | Количество видео на входе | Цель | Ключевые технологии |
|---|---|---|---|---|
| 1 | Отбор кандидатов | ~448 млн | Сужение пула до ~1000 релевантных роликов | ANN, Two-tower модели, коллаборативная фильтрация |
| 2 | Ранжирование | ~1000 | Присвоение точной оценки релевантности каждому ролику | Трансформеры, анализ сотен признаков (скоринг) |
| 3 | Переранжирование | ~50-100 | Создание сбалансированной и разнообразной ленты | Диверсификация (MMR), контекстная оптимизация |
Заключение: персонализация как новый стандарт
Современные рекомендательные системы — это не просто подборка «похожего контента», а сложный симбиоз математических моделей, поведенческой психологии и инженерии данных. Они одновременно анализируют:
- самого пользователя (явные и неявные сигналы);
- содержание миллионов видео (семантика, транскрибация, теги);
- поведение похожих аудиторий (коллаборативная фильтрация);
- текущий контекст (время, сессия, устройство).
Именно сочетание всех этих механизмов превращает ленту рекомендаций в постоянно развивающийся инструмент, который знает о наших желаниях больше, чем мы сами. И, судя по темпам развития технологий, в ближайшие годы эта точность будет только расти, делая поиск контента практически незаметным для пользователя.