Реализация AI-персонализации ленты контента в мобильном приложении

Представьте: вы запускаете новостное приложение с миллионом ежедневных публикаций. Без персонализации пользователь видит однотипные посты, быстро теряет интерес и уходит. Хронологическая лента теряет до 60% вовлечённости — это экспериментально подтверждённая цифра. Наш ранжировщик решает задачу сортировки кандидатов на основе сотен признаков, не генерируя контент, а расставляя приоритеты. Типичный пример: лента новостей перестаёт быть релевантной после двух недель использования — пользователи жалуются на однообразие. Пайплайн учитывает динамику интересов и предотвращает filter bubble. Гибридный подход: коллаборативная фильтрация дополняется семантическим анализом контента. Это позволяет учитывать как явные, так и неявные предпочтения. Результат — каждый пользователь видит ленту, которая адаптируется под его меняющиеся интересы в реальном времени. Такой подход повышает удержание на 30% и увеличивает время сессии в полтора раза. Переходим к деталям реализации.

Как мы строим пайплайн ранжирования?

Персонализация ленты — двухступенчатый пайплайн: retrieval и ranking. На первом этапе из миллионов публикаций отбираем несколько сотен кандидатов через approximate nearest neighbours (ANN) на основе подписок и интересов. На втором — ранжируем этих кандидатов более тяжёлой моделью с сотнями признаков. Разделение этапов критично: ranking-модель слишком медленная для всего каталога, retrieval — недостаточно точная для финального порядка.

Признаки для ранжирования

Хорошая ранжирующая модель использует три группы признаков:

• Контекст пользователя: время суток, день недели, тип сессии (холодная или продолжение), активность за 24 часа.
• Характеристики контента: возраст публикации, engagement rate (лайки/просмотры), скорость набора просмотров в первый час, авторский follower count и исторический CTR.
• Пересечение пользователя и контента: семантическое сходство с историей взаимодействий, тематическое перекрытие с топ-интересами, знакомство с автором.

# Feature vector для одного кандидата @dataclass class RankingFeatures: # Content features post_age_hours: float engagement_rate_24h: float viral_velocity: float # views_per_hour in first 2 hours # User-content interaction topic_affinity: float # cosine sim между профилем юзера и эмбеддингом поста author_ctr_for_user: float # исторический CTR этого автора у этого юзера # Context hour_of_day: int is_weekend: bool session_depth: int # сколько постов уже просмотрено в сессии 

Почему LightGBM, а не нейросеть?

Нейросетевые ранжировщики дают более высокое качество, но LightGBM с LambdaRank objective — быстрее в inference (2–5 мс на 200 кандидатов) и проще в итерации. Для среднего масштаба это оптимальный выбор. При аудитории свыше 10 млн оптимальным может стать двухуровневая модель с нейросетевым ретривером и LightGBM для ранжирования. Стоимость разработки нейросетевого решения выше, но зачастую экономически оправдана при высокой нагрузке.

import lightgbm as lgb model = lgb.LGBMRanker( objective='lambdarank', metric='ndcg', ndcg_eval_at=[5, 10, 20], n_estimators=500, learning_rate=0.05, num_leaves=63 ) model.fit( X_train, y_train, # y — relevance labels: 0=ignored, 1=viewed, 2=liked, 3=shared group=train_groups, # размер групп запросов eval_set=[(X_val, y_val)], eval_group=[val_groups] ) 

Как обеспечить бесшовный скролл на мобильном?

Реализуем prefetch: когда пользователь доскроллил до 70% текущего батча, фоново подгружаем следующие 20 постов. На Android используем Paging 3 с prefetchDistance = 5. Пример:

// Android: Paging 3 с prefetch для персонализированной ленты class FeedPagingSource( private val feedApi: FeedApi, private val userId: String ) : PagingSource<String, FeedPost>() { override suspend fun load(params: LoadParams<String>): LoadResult<String, FeedPost> { return try { val response = feedApi.getPersonalizedFeed( userId = userId, cursor = params.key, pageSize = params.loadSize ) LoadResult.Page( data = response.posts, prevKey = null, nextKey = response.nextCursor ) } catch (e: Exception) { LoadResult.Error(e) } } } // ViewModel val feed = Pager( config = PagingConfig(pageSize = 20, prefetchDistance = 5), pagingSourceFactory = { FeedPagingSource(feedApi, userId) } ).flow.cachedIn(viewModelScope) 

Состав работ и сроки

Мы гарантируем сдачу каждого этапа в срок с полной документацией и передачей обученной модели. Стоимость работ рассчитывается индивидуально, с учётом особенностей вашего стека и объёма данных.

Типичные подводные камни

Первый — отсутствие diversity. Без MPR (Maximum Marginal Relevance) лента становится однобокой. Решение: не более 2 постов одного автора в первых 10, плюс эвристики по темам. Второй — неправильные лейблы. Использовать только просмотры — смещение в кликбейт. Включайте лайки и шеры. Третий — игнорирование cold start. Новый пользователь без истории — показываем популярное и быстро собираем сигналы через bandit-алгоритмы. Экономия ресурсов достигается за счёт использования готовых компонентов и открытых библиотек.

Обеспечение разнообразия контента

Мы используем MPR-постобработку: после ранжирования пересчитываем scores с учётом сходства кандидатов. Дополнительно применяем глобальные эвристики — например, каждый следующий пост должен отличаться по теме от предыдущего, а количество постов от одного автора ограничено.

Ориентиры по срокам

LightGBM ранжировщик с базовыми признаками + API — 2–3 недели. Полная система с двухступенчатым retrieval+ranking, diversity-постобработкой и A/B тестированием — 6–10 недель.

Получите консультацию — мы сделаем быструю предварительную оценку по вашим данным. Свяжитесь с нами, чтобы обсудить детали и оптимизировать бюджет.