Граф интересов

Граф интересов — это модель представления пользовательских предпочтений и связей между объектами в виде графа, где вершинами выступают сущности (товары, статьи, люди, теги), а рёбрами — отношения между ними (интерес, покупка, просмотр, принадлежность к одной категории). Данная модель используется в системах рекомендаций, информационного поиска и таргетированной рекламы для персонализации контента на основе анализа поведения пользователя и структуры данных.

История возникновения

Концепция графа интересов восходит к развитию семантических сетей и теории графов в середине XX века. Однако практическое применение в коммерческих системах началось в 2000-х годах с ростом объёмов пользовательских данных и вычислительных мощностей. Первыми крупными внедрениями стали рекомендательные системы Amazon (товарные рекомендации на основе истории покупок) и Netflix (фильмы на основе оценок). В 2010-х годах графы интересов стали активно использовать социальные сети (Facebook, признанная в РФ экстремистской и запрещённая; ВКонтакте) и поисковые системы (Google, Яндекс) для построения профилей пользователей.

В России значительный вклад в развитие данной модели внесла компания «Яндекс», которая с 2013 года начала внедрять графовые технологии в свои сервисы (Яндекс.Музыка, Яндекс.Маркет, Яндекс.Дзен). В 2018 году была опубликована научная работа «Граф интересов пользователей Яндекса», описывающая архитектуру и методы построения графа на основе логов поиска и кликов.

Структура и компоненты

Граф интересов состоит из трёх основных типов элементов:

Вершины (узлы)

Пользовательские узлы — идентификаторы конкретных людей или устройств (например, cookie, ID аккаунта).
Объектные узлы — сущности, к которым проявляется интерес: товары, фильмы, статьи, музыкальные треки, места, люди.
Концептуальные узлы — абстрактные категории: жанры, теги, темы, ключевые слова.

Рёбра (связи)

Явные связи — прямые действия пользователя: «купил», «поставил лайк», «просмотрел», «добавил в избранное».
Неявные связи — выводятся алгоритмически: «похож на», «часто покупают вместе», «интересуется той же темой».
Взвешенные связи — каждому ребру присваивается вес (например, от 0 до 1), отражающий силу интереса или частоту взаимодействия.

Атрибуты

Каждый узел и ребро могут иметь дополнительные метаданные: время последнего взаимодействия, тип устройства, географическое положение, демографические данные (возраст, пол, регион).

Принципы построения

Процесс построения графа интересов включает несколько этапов:

Сбор данных — логирование действий пользователя на сайте или в приложении: клики, покупки, время просмотра, поисковые запросы, переходы по ссылкам.
Очистка и нормализация — удаление шума (ботов, случайных кликов), приведение объектов к единому формату (например, стандартизация названий товаров).
Выделение сущностей — извлечение ключевых объектов из текстовых данных (названия, бренды, категории) с помощью методов NLP (Natural Language Processing).
Построение связей — создание рёбер на основе явных действий и алгоритмов машинного обучения (коллаборативная фильтрация, кластеризация).
Обновление — граф динамически изменяется: добавляются новые узлы, обновляются веса рёбер, удаляются устаревшие связи (например, если пользователь перестал интересоваться категорией).

Применение

Таргетированная реклама

Рекламные сети (Яндекс.Директ, VK Реклама) используют граф для показа объявлений, соответствующих интересам пользователя. Например, если человек купил велосипед, граф может предложить рекламу велосипедных аксессуаров или спортивной одежды.

Поиск и навигация

Поисковые системы (Яндекс, Google) применяют граф интересов для ранжирования результатов: страницы, соответствующие долгосрочным интересам пользователя, получают более высокий приоритет.

Социальные сети

Платформы (ВКонтакте, Одноклассники) строят граф на основе друзей, групп, подписок и лайков, чтобы формировать ленту новостей и рекомендовать новых друзей или сообщества.

Типы графов интересов

По масштабу и способу построения выделяют несколько разновидностей:

Индивидуальный граф — строится для одного пользователя на основе его личных данных. Обычно содержит сотни или тысячи узлов.
Коллективный граф — объединяет данные всех пользователей платформы. Может содержать миллиарды узлов и триллионы рёбер (например, граф Facebook).
Тематический граф — фокусируется на одной предметной области (например, граф интересов в области кино или музыки).
Динамический граф — учитывает временные метки и позволяет отслеживать изменения интересов во времени (например, сезонные предпочтения).

Технологии реализации

Для работы с графами интересов используются специализированные базы данных и библиотеки:

Графовые СУБД: Neo4j, Amazon Neptune, JanusGraph.
Фреймворки машинного обучения: TensorFlow, PyTorch (для построения графовых нейронных сетей).
Библиотеки для обработки графов: NetworkX, GraphX (Apache Spark), DGL (Deep Graph Library).
Инструменты визуализации: Gephi, Cytoscape, D3.js.

Преимущества и недостатки

Преимущества

Точность — учёт множества типов связей повышает релевантность рекомендаций.
Масштабируемость — графовые системы способны обрабатывать миллиарды узлов.
Гибкость — легко добавлять новые типы объектов и связей без перестройки архитектуры.
Контекстность — возможность учитывать не только прямые интересы, но и косвенные (например, интересы друзей).

Недостатки

Сложность вычислений — поиск путей в больших графах требует значительных вычислительных ресурсов.
Проблемы с конфиденциальностью — сбор и анализ личных данных вызывает вопросы о приватности.
Холодный старт — для новых пользователей или объектов граф пуст, что снижает качество рекомендаций.
Устаревание — интересы меняются, и граф требует постоянного обновления.

Критика и ограничения

Графы интересов подвергаются критике за создание «информационных пузырей» — ситуаций, когда пользователь видит только контент, соответствующий его текущим интересам, что ограничивает кругозор. Кроме того, алгоритмы могут усиливать предвзятость (например, гендерные стереотипы в рекомендациях товаров). В России с 2021 года действуют требования к операторам персональных данных (ФЗ-152), ограничивающие сбор и использование поведенческих данных без согласия пользователя.

Перспективы развития

Современные исследования направлены на интеграцию графов интересов с нейросетевыми моделями (GNN — Graph Neural Networks), что позволяет автоматически извлекать скрытые закономерности. Также развиваются методы децентрализованного хранения графов (на блокчейне) для повышения конфиденциальности. В России ведутся работы по созданию национальной системы рекомендаций на основе графа интересов в рамках проекта «Цифровая экономика».

Источники

Янковский А.В., «Граф интересов пользователей Яндекса: архитектура и методы построения», 2018.
Newman M.E.J., «Networks: An Introduction», Oxford University Press, 2010.
Федеральный закон «О персональных данных» № 152-ФЗ от 27.07.2006.
Документация Neo4j: «Graph Data Science Library», 2023.
Статья «Recommendation Systems Based on Graph Interest Models», Journal of Machine Learning Research, 2021.

BFOmetr — база данных и аналитика по компаниям России.

На главную BFOmetr →