Содержание
Как ИИ выбирает вам песню: нейросети в Яндекс Музыке
Черновик готовит редакция с помощью ИИ. За стандарт издания отвечает главный редактор — Валерий Курземнек.
Рекомендательные системы стали важной частью нашего цифрового опыта. Музыка, кино, маркетплейсы, TikTok, стриминг, даже поиск друзей — всё это работает на механике рекомендаций. Но по-настоящему умные системы появились совсем недавно, и одна из самых впечатляющих — ARGUS от Яндекса.
Откуда всё началось
Классические рекомендательные системы были как кассеты в начале 2000-х — вроде бы удобно, но уже морально устарели. Коллаборативная фильтрация, контентная фильтрация, item2vec, ALS — всё это было рабочим, но имело слишком много ограничений. Новые айтемы и пользователи выпадали из поля зрения (проблема «холодного старта»), качество зависело от ручного подбора признаков, а объяснить, почему система показала именно это — было невозможно.
Команда R&D Яндекса, которая занимается рекомендательными технологиями уже около пяти лет, решила подойти к вопросу иначе: как сделать так, чтобы ИИ понимал пользователей, учитывал контекст и учился не на лайках, а на поведении?
Что такое ARGUS и чем он отличается
ARGUS (AutoRegressive Generative User Sequential modeling) — это не просто новая модель. Это переосмысленный подход к обучению нейросетей, который совмещает в себе генеративные трансформеры, идеи обучения с подкреплением и масштабируемую архитектуру. В отличие от моделей, которые предсказывают «следующий понравившийся трек», ARGUS смотрит на всю историю взаимодействия пользователя — и положительную, и отрицательную, с учетом времени, устройства, настроек, даже странички, на которой пользователь был.
Что это даёт? Модель не просто угадывает, что вы лайкнете. Она учится понимать вас, как бы звучно это ни прозвучало.
Почему трансформеры? Потому что они работают
Трансформеры стали основой не только GPT, но и современных рекомендаций. Их сила — в умении обрабатывать длинные последовательности, находить скрытые связи и запоминать контекст. Пользовательская история в ARGUS — это уже не «список лайков», а полноценное предложение, где каждое «слово» — это событие: прослушивание, дизлайк, лайк, скип.
ARGUS использует трансформеры не только для кодирования истории пользователя, но и для предсказания следующего действия — и того, как пользователь отреагирует. То есть, модель одновременно решает две задачи:
- Next Item Prediction — что пользователь сделает дальше.
- Feedback Prediction — как он на это отреагирует.
Это очень похоже на то, как учатся большие языковые модели: сначала просто угадывают слова, а потом — начинают «понимать» смыслы.
Масштабирование: зачем делать модели больше?
Может показаться, что модель с сотнями миллионов параметров — это перебор. Но в случае с рекомендациями это оправданно. Яндекс провёл масштабное исследование: увеличивал размер трансформера и проверял, растёт ли качество. Ответ: да, и как!
Каждый новый шаг в размере модели давал прирост качества — как в задаче предсказания, так и в задаче ранжирования. Это подтвердило гипотезу, что рекоммендеры, как и LLM, подчиняются законам масштабирования: больше данных + больше параметров = лучшее качество.
По данным команды Яндекса, обучающий датасет содержал более 300 миллиардов прослушиваний от миллионов пользователей. Сравнение в исследовании относится к прежним обучающим датасетам команды.
Почему ARGUS работает лучше
Одна из главных идей ARGUS — рекоммендер как агент. Он действует, получает отклик и учится. Это парадигма обучения с подкреплением (Reinforcement Learning), но в применении к рекомендациям. Модель не просто угадывает «что нравится», она пытается достигнуть долгосрочной цели — удержать пользователя, вызвать отклик, сформировать лояльность.
Чтобы достичь этого, ARGUS анализирует не только органическое поведение (например, поиск вручную), но и то, как пользователь взаимодействует с рекомендациями — и корректирует свою стратегию. Это уже не просто подбор похожего контента — это адаптивная коммуникация.
Результаты внедрения ARGUS:
- в Яндекс Музыке прирост key-метрик (время прослушивания и вероятность лайка) оказался сопоставим с суммарным эффектом всех предыдущих внедрений.
- в отдельном эксперименте с настройкой «Незнакомое» в «Моей волне» ARGUS увеличил суммарное время прослушивания (TLT) на 12%, а вероятность лайка — на 10%, по данным команды Яндекса.
- ARGUS внедрили в Маркете и Лавке. Для Маркета команда описывает его использование и как ранжирующего признака, и как генератора кандидатов.
Кроме того, модель успешно внедрили в умные колонки — и даже здесь прирост оказался ощутимым.
Вывод: ARGUS использует последовательность действий пользователя и разные виды обратной связи для построения рекомендаций. Показатели экспериментов описывают конкретные внедрения и не гарантируют одинаковый результат для каждого слушателя.
Как повлиять на рекомендации Яндекс Музыки
Рекомендации Яндекс Музыки привязаны к профилю и не зависят от устройства, поэтому настройки, сделанные на телефоне, действуют и в веб-версии. Лайки при этом выполняют двойную роль: пополняют Коллекцию и служат сигналом для алгоритма. Пропуск трека и дизлайк дают отрицательный сигнал — похожего контента сервис начинает предлагать меньше. Для настройки рекомендаций используйте карту предпочтений и исправляйте ошибочные дизлайки у отдельных треков.
Рекомендации подбирают слушателю уже существующие треки из каталога, а создание музыки даёт новую композицию.
Чек-лист редакции: четыре ситуации
| Ситуация | Действие | Что проверить |
|---|---|---|
| Трек нравится, но вы его пропустили | Поставить лайк позже | Трек остаётся в Коллекции, сигнал обновляется |
| Трек случайно получил дизлайк | Найти его в списке дизлайков и снять отметку | У трека снята ошибочная отметка дизлайка |
| Любимый артист почти не появляется | Уточнить предпочтения в настройках | Карта артистов отражает новые отметки |
| Рекомендации «застряли» на одном жанре | Пройти по карте артистов и снять лишние лайки | На карте выбран нужный жанр и отмечены подходящие артисты |
Как уточнить предпочтения по артистам
- Откройте Настройки и нажмите «Уточнить предпочтения».
- На карте артистов отметьте тех, кого хотите слышать чаще, и снимите отметки с тех, кого слышать не хотите.
- Используйте жанровые фильтры, чтобы сместить подборку в нужную сторону.
- Вернитесь к прослушиванию и проверьте отмеченных артистов.
В двух приведенных инструкциях описаны способы настройки; срок их влияния на подборки не установлен.
Как исправить ошибочный дизлайк
Путь зависит от устройства:
- На iOS: откройте профиль в верхнем левом углу → «Посмотреть дизлайки» → меню трека → снимите отметку.
- На Android, сайте и в приложении для компьютера: откройте раздел «Коллекция» → «Ваши дизлайки» → снимите отметку у нужного трека.
После снятия отметки проверьте, что у выбранного трека больше не стоит ошибочный дизлайк.
Условный пример проверки
Допустим, вы случайно дизлайкнули трек любимого исполнителя и заметили, что он исчез из «Моей волны». Ниже — условный шаблон для записи действий и наблюдений.
Условный шаблон
Моя цель: чаще слышать ______
Ошибочная отметка снята у трека: ______
Артисты, отмеченные на карте: ______
Что услышал после изменения: ______
Проверка строится на наблюдении: сравните подборки до и после правки. Если изменений нет, проверьте карту артистов — возможно, там стоит лишняя отметка.
Официальные инструкции: лайки и дизлайки, уточнение предпочтений, Условия доступа.
Частые вопросы
Влияют ли лайки на рекомендации Яндекс Музыки? Да. В официальной справке лайки названы способом влиять на рекомендации и пополнять Коллекцию.
Где снять ошибочный дизлайк? На iOS откройте профиль и «Посмотреть дизлайки». На Android, сайте и в приложении для компьютера откройте «Коллекция» и «Ваши дизлайки». Снимите отметку через меню нужного трека.
Как уточнить музыкальные предпочтения? Откройте Настройки и «Уточнить предпочтения». На карте артистов используйте жанровые фильтры и отмечайте понравившихся исполнителей.
Можно ли бесплатно слушать Мою волну в приложении? Для прослушивания музыки в приложении нужен Плюс, и рекомендации Моей волны входят в подписку. Бесплатный период бывает лишь тогда, когда он доступен в вашем аккаунте. При отмене во время бесплатного периода доступ заканчивается после его окончания либо в последний день месяца — по типу подписки.