Рекомендательные системы не стали умнее — они просто перестали читать контекст

Общепринятая стратегия в рекомендательных системах проста: собрать больше кликов, просмотров и покупок, затем пропустить граф взаимодействий через графовую нейронную сеть. Чем плотнее граф, тем легче найти похожих пользователей и объекты. На практике эта логика ломается в холодном старте и длинном хвосте каталога. Разреженная матрица «пользователь — товар» оставляет модели слишком мало прямых сигналов, а обычные GNN начинают распространять по графу не только полезную информацию, но и шум.

TRWH — Text-Driven Random Walk Heterogeneous GNN — меняет точку отсчёта. Вместо того чтобы считать каждую связь равнозначной, метод соединяет два источника сигнала: структуру графа и текстовое содержание объектов. Описание товара, заголовок статьи или метаданные становятся не украшением карточки, а навигацией для случайного блуждания. Модель ищет маршруты по неоднородному графу, где пользователи, товары и текстовые признаки играют разные роли, а затем передаёт найденный контекст в графовую сеть.

Именно здесь скрыт переворот рамки: разреженность превращается из дефекта в фильтр. Если у пользователя всего несколько взаимодействий, текст помогает понять, что именно за ними стоит. Один просмотр может быть связан не с конкретным товаром, а с темой, брендом или намерением, которое повторяется в описаниях других объектов. Случайное блуждание тогда расширяет сигнал не механически — по принципу «сосед тоже похож», — а семантически, через объяснимые общие признаки.

Авторы TRWH подают архитектуру как ответ сразу на две слабости стандартных подходов: гомогенное представление разных сущностей и игнорирование текста при редких взаимодействиях. Проверять такую систему нужно не только по итоговой точности, но и по поведению в режимах холодного старта и длинного хвоста — там, где популярные модели получают преимущество за счёт частоты. Ключевой вопрос поэтому звучит иначе: не сколько связей собрала модель, а сколько смысла она извлекла из каждой.