ML-рекомендации во VK Mini Apps: архитектура, российские инструменты, реальный кейс

Мы — команда, занимающаяся разработкой мини-приложений под ВКонтакте, и регулярно решаем задачи по персонализации и машинному обучению внутри экосистемы VK. Наш опыт показывает: даже простейшая модель может увеличить вовлечённость на 20–40% уже в первую неделю после запуска.

Зачем вообще встраивать рекомендации?

В эпоху переизбытка контента и товаров пользователь теряет фокус, если вы не подсказываете ему, что стоит выбрать. Персональные рекомендации позволяют:

1. Повысить вовлечённость и глубину взаимодействия;
2. Сократить путь до целевого действия;
3. Повысить среднее время сессии;
4. Улучшить Retention — возвращаемость пользователей;
5. Повысить эффективность монетизации и рекламной отдачи.

Примеры:

1. Приложение с услугами показывает не все категории, а те, что похожи на прошлые заказы;
2. Образовательный мини-курс предлагает новые модули, которые совпадают с интересами пользователя;
3. Контентное приложение показывает подборки «Похожие на просмотренное» и «Часто смотрят вместе».

Архитектура решения

В VK Mini Apps нельзя запускать ML-код прямо в браузере. Вся логика рекомендаций должна находиться на сервере. Мы используем следующий стек:

1. Frontend: React + VKUI, VK Bridge для получения vk_user_id и параметров запуска.
2. Backend: FastAPI (иногда Flask) + PostgreSQL или ClickHouse.
3. ML-слой: отдельный инференс-сервер с моделью (CatBoost, Matrix Factorization, AutoML).
4. API-интерфейс: REST или GraphQL для получения рекомендаций.

Пример API-запроса

GET /api/recommendations?vk_user_id=12345&type=products

Ответ:

{

«items»: [

{«id»: «101», «title»: «Курс Python», «score»: 0.89},

{«id»: «102», «title»: «ML для новичков», «score»: 0.85}

]

}

Для минимизации нагрузки добавляем слой кэширования (Redis), особенно для популярных пользователей или неподписанных гостей.

Логирование: топливо для ML

Никакая модель не работает без данных. Поэтому мы настраиваем событийную систему с первого дня. Что логируем:

1. screen_view — экраны, которые смотрел пользователь;
2. item_click — клики по товарам, курсам, видео;
3. scroll — прокрутка и глубина вовлечения;
4. purchase — факт покупки или завершённого действия;
5. time_on_page — сколько времени провёл на экране.

Все логи пишем в ClickHouse (для анализа) и PostgreSQL (для профилей). В будущем они используются как признаки в модели.

Российские ML-инструменты

Стараемся использовать только российские решения:

1. Yandex DataSphere — обучение и деплой моделей;
2. SberCloud ML Space — управление экспериментами, трекинг версий;
3. CatBoost — для табличных данных и рекомендательных систем;
4. LightAutoML — автообучение с хорошими метриками;
5. FastAPI — быстрая REST-обёртка для инференса.

Кейс: рекомендации в образовательном VK Mini App

Один из наших клиентов — платформа онлайн-курсов — столкнулся с проблемой: пользователи запускали приложение, но не доходили до обучения. Мы внедрили персональные рекомендации:

1. Сегментировали пользователей по интересам;
2. Обучили CatBoost-модель на логах просмотров;
3. Добавили блок «Вам может понравиться».

Результаты через 2 недели:

1. +41% к вовлечённости;
2. +22% к возвратам;
3. +35% к кликам в рекомендованных блоках;
4. -18% к отказам на первом экране.

Вывод

ML-рекомендации — это не обязательно сложно. Мы рекомендуем:

1. начинать с простых алгоритмов (popular + recent);
2. собирать события с первого дня;
3. использовать VK ID как базовый ключ;
4. хранить данные на российских серверах.

Мы, как команда разработчиков VK Mini Apps, помогаем внедрять персонализацию, ML и аналитику в мини-приложения любого уровня.