Ein sozialer Graph mit 28 Milliarden Verbindungen ist großartig, wenn man ihn besitzt – und teuer, wenn man darauf Berechnungen ausführt. Forschende von AI VK Research sagen, sie hätten einen Weg gefunden, diese Kosten deutlich zu senken. Die Arbeit, die das Verfahren beschreibt, wurde für die internationale Konferenz CIKM 2026 angenommen.
Das Problem mit Graphen
Graphneuronale Netze arbeiten mit Objekten und den Verbindungen zwischen ihnen. In einem sozialen Netzwerk sind die Objekte Menschen und die Verbindungen Freundschaften. Das Modell liest aus, wer mit wem verbunden ist, und nutzt diese Informationen, um beispielsweise weitere Personen vorzuschlagen, die man kennen könnte.
Der Haken sind die Kosten. Vernetzte Daten in dieser Größenordnung erfordern viel Rechenleistung, und der Speicher, der allein zum Vorhalten des Graphen während des Trainings benötigt wird, macht einen großen Teil dieser Kosten aus. Genau hier setzte das VK-Team an.
Was das Team berichtet
Die Forschenden testeten ihren Ansatz auf einem anonymisierten Graphen mit 194 Millionen Nutzern und 28 Milliarden Verbindungen. Zwei Ergebnisse stechen hervor:
- Speicher: ihre Methode zur Datenspeicherung senkte den Speicherverbrauch um mehr als den Faktor 100.
- Datenvorbereitung: die Informationen für das Training aufzubereiten, ging nun 2,5-mal schneller.
Nach ihren Angaben berücksichtigt die Methode außerdem, wie sich soziale Verbindungen im Laufe der Zeit verändern. Das ist wichtig, weil ein Freundschaftsgraph keine unveränderliche Karte ist. Menschen fügen ständig Kontakte hinzu und entfernen sie wieder, und ein Modell, das auf einer eingefrorenen Momentaufnahme trainiert wird, lernt still und leise aus der Vergangenheit.
Von der Forschungsarbeit zum Freunde-Tab
Das Team erprobte die Technologie anschließend für Freundesempfehlungen auf VKontakte. Die gemeldeten Ergebnisse:
| Kennzahl | Veränderung |
|---|---|
| Zahl der über Empfehlungen hinzugefügten Freunde | um 16 % gestiegen |
| Anteil der Nutzer, die über Empfehlungen mindestens eine Person hinzugefügt haben | um 11,5 % gestiegen |
Die beiden Zahlen messen unterschiedliche Dinge und widersprechen sich daher nicht. Die eine zählt alle hinzugefügten Freunde, die andere erfasst, wie viele Nutzer mindestens eine Person hinzugefügt haben. Es ist plausibel, dass manche Nutzer schlicht mehr Personen hinzugefügt haben als zuvor, auch wenn der Bericht das nicht sagt.
Was wir nicht wissen
Der Bericht ist kurz, daher fehlen einige Angaben. Er erklärt nicht, wie die Speichermethode funktioniert. Er nennt nicht die Vergleichsbasis, gegenüber der die Speicherreduktion um Faktor 100 gemessen wurde. Er sagt nicht, wie lange der Test im laufenden Betrieb lief, wie viele Nutzer daran teilnahmen oder wie die Vergleichsgruppe zusammengestellt wurde. Die Werte von 16 % und 11,5 % sind daher die vom Team selbst hervorgehobenen Kennzahlen; die Details werden in der vollständigen Arbeit zu finden sein.
Man sollte außerdem im Hinterkopf behalten, dass eine höhere Zahl hinzugefügter Freunde ein indirekter Indikator für bessere Empfehlungen ist, kein Beweis dafür. Wer jemanden aufgrund eines Vorschlags hinzufügt, hat den Vorschlag zumindest plausibel gefunden. Das ist ein durchaus brauchbares Signal, wenn auch kein abschließendes Urteil.
Mehr als nur Freundesempfehlungen
Die Forschenden sagen, die Arbeit könne sich auch auf andere Aufgaben mit großen Mengen vernetzter Daten anwenden lassen. Sie nennen keine Beispiele, daher bleibt das eine Behauptung und ist noch kein Nachweis.
Dennoch ist das Argument leicht nachzuvollziehen. Graphmodelle sind nur dann nützlich, wenn man sich das Training auf dem tatsächlich vorhandenen Graphen leisten kann, statt auf einer brav zurechtgestutzten Stichprobe davon. Den Speicherbedarf um zwei Größenordnungen zu senken, ist die Art von Verbesserung, die aus einem Forschungsprototyp eine Lösung macht, deren Einsatz ein für den Produktivbetrieb zuständiges Team rechtfertigen kann. Ob die vollständige Arbeit die Zahlen stützt, wird sich zeigen, wenn sie auf der CIKM 2026 erscheint.