Графовые нейросети выстраивают сложные цепочки взаимодействий, анализируя миллионы объектов, что требует колоссальных вычислительных мощностей. Разработчики протестировали новый подход на массиве данных, включающем 194 миллиона пользователей и 28 миллиардов связей. Оптимизация хранения позволила не только радикально сократить использование ресурсов, но и ускорить подготовку информации для обучения в 2,5 раза.
Российский метод оптимизации графовых нейросетей
Исследователи из VK Research представили алгоритм, который в сто раз снижает потребление памяти при обучении графовых нейросетей. Технология уже прошла полевые испытания на базе социальной сети «ВКонтакте», где позволила увеличить конверсию в рекомендации друзей на 16%, и получила признание международного научного сообщества на конференции CIKM 2026.
Система адаптирована к динамике социальных сетей, учитывая, что связи между людьми постоянно меняются. Помимо технической эффективности, метод показал прикладной результат: доля пользователей, принимающих предложенные рекомендации, выросла на 11,5%. Разработка применима в любых сферах, где требуется анализ больших объемов взаимосвязанных данных, от логистики до финансовых систем.
Комментарии (0)
Пока нет комментариев. Будьте первым!