В препринте, датированном 17 ноября 2026 года, авторы представили CG2R — метод рекомендаций, который учитывает семантические кластеры непосредственно при ранжировании товаров. По их сообщению, в экспериментах на трёх публичных бенчмарках метод повысил Recall@10 на 37–127% относительно лучшего базового метода; авторы также заявляют о задержке в миллисекунды. Описание метода и результатов опубликовано на arXiv.
Как кластеры влияют на порядок рекомендаций
CG2R строит иерархию семантических кластеров и оценивает связь пользователя с ними по истории взаимодействий. Затем метод уточняет кластерный приор, учитывая кластеры, с которыми пользователь уже взаимодействовал, и добавляет этот приор непосредственно к оценке товаров. По описанию авторов, кластеры тем самым влияют на итоговый рейтинг, а не только сокращают список кандидатов перед ранжированием.
Авторы также указывают, что приор формируется из центроидов кластеров и остаётся определённым для пользователей без истории взаимодействий. Это означает, что механизм можно применить и в сценарии холодного старта, но само по себе не свидетельствует о точности рекомендаций для таких пользователей.
Что авторы сообщают о бенчмарках
В препринте описана оценка на трёх публичных бенчмарках, различающихся плотностью взаимодействий и размером каталога. Авторы сравнивали CG2R с классическими, нейросетевыми и основанными на больших языковых моделях подходами и сообщают, что метод показал лучший результат на каждом из трёх наборов.
Заявленный прирост Recall@10 составляет 37–127% относительно лучшего базового метода. Recall@10 показывает, насколько часто релевантный объект попадает в первые десять рекомендаций; речь идёт об относительном улучшении этой метрики в экспериментах авторов, а не о доле точных рекомендаций.
Заявленная скорость и ограничения результата
Авторы сообщают, что CG2R выдаёт рекомендации за миллисекунды, тогда как в их сравнении рекомендателю на основе LLM требуются десятки секунд. Они рассматривают метод как возможный вариант для низколатентного извлечения кандидатов на первом этапе. Эти показатели получены в экспериментах, описанных самими авторами препринта; независимых проверок в доступных источниках нет, поэтому результат не гарантирует такую же задержку в другом сервисе или на другой инфраструктуре.




