Владеть социальным графом с 28 миллиардами связей — замечательно, но проводить вычисления на нём дорого. Исследователи AI VK Research сообщают, что нашли способ заметно сократить эти расходы, а статью с описанием метода приняли на международную конференцию CIKM 2026.
В чём сложность работы с графами
Графовые нейронные сети работают с объектами и связями между ними. В социальной сети объекты — это люди, а связи — дружеские отношения. Модель анализирует, кто с кем связан, и на этой основе предлагает, например, других людей, которых вы можете знать.
Проблема — в затратах. Работа со связанными данными такого масштаба требует больших вычислительных ресурсов, и значительная часть этих затрат приходится на память, необходимую только для хранения графа во время обучения. Именно эту часть решила сократить команда VK.
Что сообщает команда
Исследователи проверили свой подход на обезличенном графе со 194 миллионами пользователей и 28 миллиардами связей. Особенно выделяются два результата:
- Память: их способ хранения данных снизил потребление памяти более чем в 100 раз.
- Подготовка данных: подготовка информации к обучению ускорилась в 2,5 раза.
По их словам, метод также учитывает, как социальные связи меняются со временем. Это важно, потому что граф дружеских связей — не статичная карта. Люди постоянно добавляют и удаляют контакты, а модель, обучаемая на застывшем снимке графа, незаметно для нас учится на прошлом.
От статьи к вкладке друзей
Затем команда опробовала технологию в рекомендациях друзей на VKontakte. Заявленные результаты:
| Метрика | Изменение |
|---|---|
| Добавления в друзья по рекомендациям | рост на 16% |
| Доля пользователей, добавивших хотя бы одного человека по рекомендациям | рост на 11,5% |
Эти два показателя измеряют разные вещи, поэтому не противоречат друг другу. Первый отражает общее число добавлений в друзья, второй — число пользователей, добавивших хотя бы одного человека. Возможно, некоторые пользователи просто добавили больше людей, чем раньше, хотя в отчёте об этом не говорится.
Чего мы не знаем
Отчёт краткий, поэтому некоторых деталей не хватает. В нём не объясняется, как работает метод хранения данных. Не указано, с каким базовым вариантом сравнивали потребление памяти, чтобы получить снижение в 100 раз. Не сказано, сколько длился тест на реальных пользователях, сколько пользователей в нём участвовало и как формировалась группа сравнения. Поэтому 16% и 11,5% — это основные цифры, заявленные самой командой, а подробности будут в полной статье.
Также стоит помнить, что рост числа добавлений в друзья — косвенный признак улучшения рекомендаций, а не доказательство. Пользователь, который добавляет кого-то по рекомендации, как минимум счёл её разумной. Это вполне значимый сигнал, но не окончательный вердикт.
Не только рекомендации друзей
По словам исследователей, разработку можно применить и к другим задачам, связанным с большими объёмами взаимосвязанных данных. Конкретных примеров они не приводят, поэтому пока это заявление, а не продемонстрированный результат.
Тем не менее основная идея понятна. Графовые модели полезны только тогда, когда вы можете позволить себе обучать их на том графе, который у вас действительно есть, а не на его аккуратно урезанной выборке. Сокращение потребления памяти на два порядка — как раз тот тип улучшений, который превращает исследовательский прототип в решение, запуск которого команда, отвечающая за продакшен, может обосновать. Подтверждает ли полная статья эти цифры, станет ясно, когда она будет представлена на CIKM 2026.