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.