В недавнем исследовании была проверена эффективность рекомендательной системы, которая использует текстовые интересы пользователей для создания эмбеддингов. Первоначально система показала низкий показатель ROC-AUC 0.52, а для коротких интересов — 0.41, что указывает на худший результат, чем случайный порядок рекомендаций.
После проведения шести различных вариантов оптимизации, удалось повысить показатель ROC-AUC до 0.80. Это свидетельствует о значительном улучшении работы системы, что может привести к более точным и релевантным рекомендациям для пользователей.
Данные результаты подчеркивают важность постоянной оптимизации алгоритмов в рекомендательных системах. Улучшение точности рекомендаций может оказать положительное влияние на пользовательский опыт и повысить вовлеченность, что является ключевым фактором для успешных платформ и сервисов.