2442 ContextRank: динамические социальные рекомендации на основе интеграции LLM и RL с моделированием асимметричного доверия

Джин Сеунгмин

руководитель проекта

Сластников Сергей Александрович

руководитель направления

Старт

16.12.2025

Представление

26.01.2026 – 06.02.2026

Постерная сессия

06.04.2026 – 17.04.2026

Защита

08.06.2026 – 19.06.2026

Паспорт проекта

Аннотация

Проект Инженерно-математической школы НИУ ВШЭ и VK, мастерская по сервисам и платформам ИИ (https://miem.hse.ru/imsit/projects_recruitment). ContextRank – инновационная структура для социальных рекомендаций, решающая проблемы статических моделей путём динамического извлечения асимметричных оценок доверия из неструктурированных данных с использованием лёгковесных LLM и RL. Фреймворк строит персонализированные подграфы и оптимизирует рекомендации через гибридную функцию вознаграждения,...

Отрасль

Информатика

Цель

Цель проекта – разработка фреймворка ContextRank для динамических рекомендаций с LLM и RL, с акцентом на контекстные векторы и симуляцию поведения для повышения точности и интерпретируемости.

Ожидаемые результаты

Контекстное представление VK-LSVD и HIRAG-подграфы
- Подготовлен VK-LSVD как мультиграф: пользователи, видео, авторы, типы сигналов, время.
- Построены последовательностные и графовые эмбеддинги (user / item / author) на основе логов взаимодействий.
- Реализован HIRAG-подобный механизм: для каждого пользователя/объекта выделяются иерархические локальные подграфы и агрегируются в компактные контекстн
Геометрическая модель с проекциями и ортогональными компонентами

Форма и способы промежуточного контроля

Контакты руководителя проекта: Джин Сеунгмин (sedzhin@hse.ru) Канал коммуникации: Zoom График созвонов и встреч: Еженедельно проводятся созвоны. На них проходит подведение итогов предыдущей недели и распределение задач на новый срок; Ежеквартально проходят демодни в ИМШ, где команда отчитывается о состоянии проекта.

Форма представления результатов

Реализация проекта рассчитана на один учебный год (2025/2026 у.г.) 1. Q1-2 - Подготовка и очистка VK-LSVD: формирование последовательностей, графа и тензорных представлений. - Реализация HIRAG-подсистемы: иерархическая выборка локальных подграфов и агрегирование контекстных векторов. - Обучение многокомпонентных эмбеддингов: выделение факторов поведения и их отдельных геометрических подпространств. - Разработка проекций и ортогонализации: объединение всех компонент в единое евклидово...

Ресурсное обеспечение

Ресурсное обеспечение проекта осуществляется при поддержке Инженерно-математической школы НИУ ВШЭ и VK Мастерской по сервисам и платформам ИИ, которые предоставляют инфраструктуру, экспертизу и необходимые условия для полноценного развития и реализации всех этапов исследования.

Имеющийся задел

Проект располагает существенным исследовательским и технологическим заделом, сформировавшимся в результате продолжительной работы с крупномасштабными данными, графовыми представлениями и методами геометрического моделирования поведения пользователей. На текущем этапе уже накоплен обширный опыт анализа и структурирования данных крупнейшего датасета VK-LSVD, включающего десятки миллиардов взаимодействий пользователей с короткими видео. Помимо этого, разработаны и апробированы подходы к...