Команда VK отказалась от классического градиентного бустинга в рекомендательных системах, переведя ранжирование на нейросетевую архитектуру DCDN на базе Deep & Cross Network. Ключевой инженерный сдвиг здесь в том, что модель научилась самостоятельно вычислять CTR и производные метрики напрямую из сырых счетчиков. Ручная сборка признаков и бесконечная возня с feature engineering, на которую традиционно уходят месяцы работы дата-сайентистов, для этой задачи фактически ушли в прошлое.
Вместо попытки свести все разнородные реакции пользователя к единому монолитному баллу новый ранкер декомпозирует предсказания. Архитектура параллельно оценивает вероятности лайка, дизлайка и моделирует распределение времени просмотра, четко разделяя моментальные скипы и длинные сессии. Затем эти сигналы объединяются через Learning to Rank для точной финальной сортировки контентной ленты.
Результаты внедрения в VK Клипах наглядно демонстрируют бизнес-эффект отказа от монолитного скоринга: общее время просмотра выросло на 5,5%, число лайков прибавило 5%, а количество репостов подскочило сразу на 15%. Для руководителей цифровых продуктов это четкий сигнал: сквозные вероятностные нейросети в ранжировании окупаются за счет сокращения дорогой ручной инженерии признаков и прямого роста ключевых продуктовых метрик удержания.