Смотреть онлайн футбол вконтакте: , , . . 2. 3. 37- .

Содержание

Voru Vk — ВК Пярну прямая трансляция онлайн 14/01/2023 в 14:00 Волейбол

ПрогнозыТрендыЛиги

Волейбол
Матчи
Прогнозы
Тренды
Лиги

Мои матчи

Нажмите напротив матча, чтобы начать получать уведомления и следить за матчем

ГлавнаяВолейболМирБалтийская Лига

Voru Vk

—

ВК Пярну

14 января 2023

Смотреть трансляцию

Voru Vk — ВК Пярну 14 января 2023 14:00 смотреть онлайн

Voru Vk — ВК Пярну

Осталось до начала трансляции

Хотите посмотреть матч?

Легальная трансляция матча в отличном качестве скоро будет доступна по ссылке. Нужно только:

Пройти по ссылке и зарегистрироваться

Смотреть трансляции без рекламы

История личных встреч

Voru Vk

6 сетов

ВК Пярну

2 сета

2 победы

0 побед

Балтийская Лига

29. 10.22

ВК Пярну

Voru Vk

Балтийская Лига

02.10.22

Voru Vk

ВК Пярну

Результаты последних матчей

Voru Vk

ВК Пярну

Процент побед

20%

Результаты последних игр:

Voru Vk

Балтийская Лига

20.11.22

РТУ Робезардзе

Voru Vk

Балтийская Лига

19.11.22

РТУ Робезардзе

Voru Vk

Балтийская Лига

09.11.22

Сельвер Таллинн

Voru Vk

Балтийская Лига

09. 11.22

Selver/Taltech

Voru Vk

Балтийская Лига

05.11.22

Voru Vk

Бигбанк Тарту

Все матчи

Результаты последних игр:

ВК Пярну

Балтийская Лига

11.01.23

Бигбанк Тарту

ВК Пярну

Балтийская Лига

08.01.23

ВК Пярну

Жекабпилс Луси

Балтийская Лига

07.01.23

ВК Пярну

Даугавпилси Юниверситате

Кубок Чаллэндж Мужчины

16. 11.22

Спортинг

ВК Пярну

Кубок Чаллэндж Мужчины

09.11.22

ВК Пярну

Спортинг

Все матчи

Турнирная таблица Baltic League 22/23

Baltic League 22/23	и	В	П	РМ	О	Форма
3. РТУ Робезардзе	16	8	8	27-32	23
4. Жекабпилс Луси	15	7	8	26-30	20
5. Даугавпилси Юниверситате	15	4	11	25-36	17
6. Voru Vk	14	4	10	21-34	13
7. ВК Пярну	16	4	12	21-41	12

Вся таблица

Другие матчи

Балтийская Лига

Бигбанк Тарту

Selver/Taltech

14 янв

14:00

Больше информации

Балтийская Лига

Даугавпилси Юниверситате

РТУ Робезардзе

14 янв

16:00

Больше информации

Балтийская Лига

РТУ Робезардзе

Жекабпилс Луси

15 янв

14:00

Больше информации

Лига A1

Сидад Волей

Сан Лоренсо Де Альмагро

13 янв

21:00

Больше информации

Суперлига Женщины

Банана Боат/Прайа (Ж)

Бразилиа Волей (Ж)

13 янв

21:30

Больше информации

Суперлига Женщины

ЕС Пинхирос (Ж)

Кристовао/Каетано (Ж)

13 янв

22:00

Больше информации

Мы используем файлы cookie. Вы соглашаетесь с Пользовательским соглашением, продолжая пользоваться сайтом.

ML на эго-графах / Хабр

Дружбы — одна из важнейших механик любой социальной сети. Подавляющее большинство взаимодействий происходит между пользователями, которые дружат: мы видим и комментируем записи друг друга в лентах, заходим в список друзей, чтобы найти знакомых и написать сообщение. Именно поэтому рост социального графа так важен.

Меня зовут Женя Замятин, я работаю в команде Core ML ВКонтакте. Хочу рассказать, как устроены рекомендации, которые делают ближе пользователей самой крупной социальной сети рунета.

Обзор

Современные рекомендательные системы зачастую состоят из двух уровней, и наша не исключение. Задача первого уровня — искать наиболее релевантных кандидатов среди всего множества пользователей (у нас их сотни миллионов). Такая постановка задачи подразумевает высокую скорость работы. Обычно здесь используют простые в применении модели — вроде матричных факторизаций или эвристики на базе числа общих друзей. Полученные на первом уровне кандидаты отправляются на второй. Здесь на модель уже не накладываются такие жёсткие ограничения по скорости, её главная задача — обеспечить максимальную точность предсказаний и сформировать список, который увидит пользователь. В этой статье мы рассмотрим только первый этап — уровень отбора кандидатов.

Прежде всего сформулируем задачу, которую будем решать: для каждого пользователя необходимо найти k кандидатов, которых он с наибольшей вероятностью добавит в друзья. Метрика, на которую будем ориентироваться, — recall@k. Она идеально описывает задачу: на первом уровне нам не интересен порядок кандидатов, но важна их релевантность.

Сначала рассмотрим базовые решения, придуманные десятки лет назад, но до сих пор актуальные. Первым приходит на ум одно из самых логичных — эвристика на основе числа общих друзей. Для каждого пользователя отбираются кандидаты с наибольшим таким значением. Этот подход просто реализуется и неплох по качеству.

Ещё один важный метод рекомендаций — Adamic/Adar. В его основе лежит всё тот же анализ общих друзей, но с модификацией: авторы предлагают учитывать число друзей у «общего» друга. Чем больше это значение, тем меньше информации о релевантности он несёт.

Кроме методов на основе анализа общих друзей, довольно распространены рекомендации на базе эмбеддингов. В Лаборатории искусственного интеллекта ВКонтакте в МФТИ мы провели исследование: сравнили эффективность разных подходов к задаче предсказания дружб в VK. Результаты совпали с нашим опытом — решения на базе графовых эмбеддингов у нас работают плохо. Учитывая это, мы стали развивать систему отбора кандидатов по пути анализа общих друзей.

EGOML

Общая схема нашего метода продолжает идеи числа общих друзей и Adamic/Adar. Финальная мера релевантности E(u, v), с помощью которой мы будем отбирать кандидатов, всё так же раскладывается в сумму по общим друзьям u и v. Ключевое отличие — в форме слагаемого под суммой: в нашем случае это мера ez_c(u, v).

Сначала попробуем понять «физический» смысл меры ez_c(u, v). Представим, что мы взяли пользователя c и спросили у него: «Насколько вероятно, что два твоих друга, u и v, подружатся?» Чем больше информации для оценки он учтёт, тем точнее будет его предсказание. Например, если c сможет вспомнить только число своих друзей, его рассуждения могут выглядеть следующим образом: «Чем больше у меня друзей, тем менее вероятно, что случайные двое из них знакомы». Тогда оценка вероятность дружбы u и v (с точки зрения c) может выглядеть как 1/log(n), где n — число друзей. Именно так устроен Adamic/Adar. Но что если c возьмёт больше контекста?

Прежде чем отвечать на этот вопрос, разберёмся, почему ez_c(u, v) важно определять через пользователя c. Дело в том, что в таком виде очень удобно решать задачу распределённо. Представим, что теперь мы разослали всем пользователям платформы анкету с просьбой оценить вероятность дружбы в каждой паре их друзей. Получив все ответы, мы можем подставить значения в формулу E(u, v). Именно так выглядит вычисление E(u, v) с помощью MapReduce:

Подготовка. Для каждого c выделяется тот контекст, который он будет учитывать для вынесения оценок. Например, в Adamic/Adar это будет просто список друзей.
Map. «Спрашиваем» у каждого c, что он думает про возможность дружбы в каждой паре его друзей. По сути, вычисляем ez_c(u, v) и сохраняем в виде (u, v) → ez_c(u, v) для всех u, v in N(c). В случае Adamic/Adar: (u, v) → 1/log|N(c)|.
Reduce. Для каждой пары (u, v) суммируем все соответствующие ей значения. Их будет ровно столько, сколько общих друзей у u и v.

Таким образом мы получаем все ненулевые значения E(u, v). Заметим: необходимое условие того, что E(u, v) > 0, — существование хотя бы одного общего друга у u и v.

Эго-граф Хоппера

Контекстом пользователя c в случае меры ez_c будет тот же список друзей, но дополненный информацией о связях внутри этого списка. Такую структуру в науке называют эго-графом. Если более формально, эго-граф вершины x — это такой подграф исходного графа, вершинами которого являются все соседи x и сама x, а рёбрами — все рёбра исходного графа между этими вершинами. Коллеги из Одноклассников написали подробную статью об эго-графах и затронули в ней вопрос их эффективного построения.

Ключевая идея меры ez_c в том, что её можно сделать обучаемой. Для каждого пользователя c, его эго-графа и всех пар пользователей u, v внутри него мы можем посчитать много разных признаков, например:

число общих друзей u и v внутри эго-графа c;
число общих друзей u и c;
интенсивность взаимодействий между v и c;
время, прошедшее с последней дружбы между u и кем-либо из эго-графа c;
плотность эго-графа c;
и другие.

Таким образом мы получим датасет с признаками. Но для обучения нужны ещё и метки. Пусть датасет был построен по состоянию графа на момент времени T. Тогда в качестве положительных примеров возьмём те пары пользователей, которые не были друзьями на момент T, но подружились к T + △T. А как отрицательные — все остальные, не подружившиеся, пары пользователей. Заметим: поскольку мы решаем задачу предсказания новых дружб, те пары пользователей, которые уже дружат на момент T, учитывать не нужно ни на обучении, ни на применении.

В конечном счёте мы получаем датасет следующего вида:

для каждой пары пользователей u и v, а также их общего друга c, посчитаны признаки по эго-графу c;
пара пользователей u и v встречается в датасете ровно столько раз, сколько у них общих друзей;
все пары пользователей в датасете не являются друзьями на момент времени T;
для каждой пары u и v проставлена метка — подружились ли они в течение определённого промежутка времени начиная с T.

По такому датасету мы и будем обучать нашу меру ez_c. В качестве модели выбрали градиентный бустинг с pairwise функцией потерь, где идентификатором группы выступает пользователь u.
По сути, мера ez_c(u, v) определяется как предсказание описанной выше модели. Но есть один нюанс: при pairwise-обучении распределение предсказаний модели похоже на нормальное. Поэтому, если в качестве определения меры ez_c(u, v) взять «сырое» предсказание, может возникнуть ситуация, когда мы будем штрафовать финальную меру E(u, v) за общих друзей, так как значения предсказаний бывают отрицательными. Это выглядит не совсем логично — хочется, чтобы с ростом числа общих друзей мера E(u, v) не убывала. Так что поверх предсказания модели мы решили взять экспоненту:

Такой подход хорошо себя показывает на небольших графах. Но чтобы применить его на реальных данных, необходимо выполнить ещё одно действие. Суть проблемы такая: мы не можем вычислять признаки и применять модель для каждой пары пользователей всех эго-графов — это слишком долго. 2) до O(n). Но как получить такую модель, каждое дерево которой зависит только от одного пользователя? Для этого сделаем следующее:

Исключим из датасета все признаки, которые одновременно зависят и от u и от v. Например, от признака «число общих друзей u и v внутри эго-графа c» придётся отказаться.
Обучим модель A, используя только признаки на базе u, c и эго-графа c.
Для обучения модели B оставим только признаки на базе v, c и эго-графа c. Также в качестве базовых предсказаний передадим предсказания модели A.

Если объединим модели A и B, получим то что нужно: первая часть использует признаки u, вторая — признаки v. Совокупность моделей осмысленна, поскольку B была обучена «корректировать» предсказания A. Эта оптимизация позволяет ускорить вычисления в сотни раз и делает подход применимым на практике. Финальный вид ez_c(u, v) и E(u, v) выглядит так:

Вычисление меры E в онлайне

Заметим, что E(u, v) можно представить в виде:

Эта формула — скалярное произведение разреженных векторов, индексами которых являются пользователи, а значениями — экспоненты предсказаний модели. Ненулевые значения здесь проставлены только у друзей u — по сути это просто списки друзей с дополнительными значениями.

При построении рекомендаций мы уже вычислили предсказания моделей для всех существующих дружб. Поэтому для каждого пользователя мы можем собрать векторы и сложить их в доступное онлайн key-value хранилище. После этого сможем получать значение E(u, v) для любой пары пользователей в онлайне простой операцией перемножения векторов. Это даёт возможность использовать E(u, v) как лёгкую функцию релевантности в нагруженных местах либо как дополнительный признак финальной модели ранжирования.

Итог

В результате система EGOML позволяет:

Распределённо отбирать кандидатов для каждого пользователя в офлайне. Асимптотическая сложность оптимизированного алгоритма составляет O(|E|) вычислений признаков и применений модели, где |E| — число связей в графе. На кластере из 250 воркеров время работы алгоритма составляет около двух часов.
Быстро вычислять меру релевантности E(u, v) для любой пары пользователей в онлайне. Асимптотическая сложность операции O(|N(u)| + |N(v)|).
Улучшать качество рекомендаций, расширяя количество учтённых графов (по дружбам, скрытиям рекомендаций, отправленным сообщениям и другим графам) и добавляя всевозможные метки на рёбра и вершины. Например, интенсивность взаимодействий на ребре, дату образования ребра, город, место работы или учёбы пользователя.

В конечном счёте мы перешли со способа отбора кандидатов с использованием Adamic/Adar к системе EGOML и внедрили в модель второй уровень признаков на основе меры E(u, v). И это позволило увеличить количество подтверждённых дружб со всей платформы на несколько десятков процентов.

Благодарность

Хочу сказать спасибо руководителю команды Core ML Андрею Якушеву за помощь в разработке метода и подготовке статьи, а также всей команде Core ML — за поддержку на разных этапах этой работы.

Пропагандистские ролики, циркулирующие в российских соцсетях, призывают к призыву в армию новых призывников для участия в боевых действиях на Украине 14 декабря 2022 г.

AFP/Getty Images

Си-Эн-Эн
—

В последние дни в российских социальных сетях начали распространяться пропагандистские видеоролики, побуждающие россиян записываться в вооруженные силы и воевать на Украине, несмотря на то, что Кремль отрицает необходимость в дополнительных новобранцах.

Стремясь привлечь больше добровольцев на фронт, видеоролики, размещенные в социальных сетях за последние несколько дней, пытаются обратиться к российским мужчинам через нарративы о патриотизме, морали и восходящей социальной мобильности.

Неясно, спонсируются ли видео государством.

В одном из видеороликов, размещенном 14 декабря в подконтрольной Кремлю социальной сети «ВКонтакте», изображен молодой человек, который предпочитает драться, а не тусоваться со своими друзьями-мужчинами, а затем удивляет всех, покупая себе машину на деньги, которые он заработал на воюет по военному контракту.

Стрингер/Агентство Анадолу/Getty Images

Гнев на передовой и тревога дома, поскольку мобилизация в России погрязла в проблемах

В другом видео, опубликованном 15 декабря во «ВКонтакте», бывшая девушка солдата вновь впечатлена его мужеством и умоляет его вернуться к ней. Еще один пример показывает, как мужчина средних лет уходит с фабричной работы, за которую ему не платят достаточно, чтобы подписать военный контракт и отправиться на фронт.

На другом видео, также размещенном во «ВКонтакте», показана группа состоятельных российских мужчин лет за 30, которые загружают машину, а пожилые женщины спрашивают их, куда они едут. Один из мужчин отвечает: «В Грузию. Навсегда.» Когда одна женщина высыпает пакет с продуктами, мужчины просто садятся в машину и уезжают, вместо того, чтобы помочь, а молодые русские мужчины спешат за продуктами. «Мальчики ушли, мужчины остались», — заключает одна из пожилых женщин.

Ролики были размещены в группе «ВКонтакте» под названием «Я мобилизован». Во многих видеороликах война изображается как бегство мужчин от мрачной реальности их повседневной жизни, состоящей из пьянства, нищеты и беспомощности. Тем временем сообщения и жалобы на нехватку продовольствия и снаряжения в российской армии продолжают появляться.

CNN обратился к Министерству обороны России за комментарием, но не получил немедленного ответа.

На встрече с матерями мобилизованных в ноябре президент России Владимир Путин сказал, что лучше погибнуть, сражаясь за Родину, чем напиться водки.

В конце сентября Путин объявил «частичную» военную мобилизацию, в ходе которой было мобилизовано более 300 000 человек по всей России, поскольку война на Украине не удалась. Точное количество российских солдат, погибших и раненых в боях на Украине, не разглашается.

Тысячи мужчин бежали из России, чтобы избежать призыва, и опасения повторной мобилизации в Новом году усиливаются.

Ранее в этом месяце, выступая на пресс-конференции после саммита евразийских стран в Кыргызстане, Путин попытался заверить общественность в том, что планов дополнительной мобилизации нет.

На вопрос корреспондента, какие факторы могут вызвать новый раунд мобилизации, Путин сказал: «Таких факторов сегодня нет, мы их не обсуждаем. Я же говорил, по мобилизации было призвано 300 тысяч человек. Повторяю еще раз 150 000 (переброшены в Украину). Из них чуть больше половины — в строевых частях».

Отвечая на вопрос о сообщениях о продолжающейся нехватке военной техники на передовой, Путин сказал, что он тесно сотрудничает с министерством обороны России и что этот вопрос решается.

положительных и отрицательных отзывов: ВКонтакте: музыка, видео, мессенджеры — от VK.com — Социальная категория — 10 похожих приложений и 8 469 546 отзывов

8.12
12 января 2023

Мы навели порядок, проверив, насколько хорошо работают некоторые фичи и избавившись от мелких проблем в коде.

8.11
31 декабря 2022 г.

Отправляйте быстрые и веселые видеосообщения. Вы можете выбрать из разных контуров для видео, таких как елка, снежинка, сердце и другие. Просто коснитесь значка записи в чате. Покажите все вокруг, переключая камеры и используя вспышку во время записи! Чтобы записать быстрое сообщение, нажмите и удерживайте кнопку. Видео будет отправлено, как только вы отпустите.
Поднять праздничное настроение помогут также новые темы чата «Лед» и «Новогодний».

8.10
29 декабря 2022 г.

ВКонтакте теперь на Apple Watch! Все привычные услуги будут под рукой, и вы сможете оставаться на связи в любое время. Вы можете использовать приложение ВКонтакте на своих часах, чтобы:
• писать в чаты, обмениваться стикерами и смайликами и получать уведомления.
• слушать музыку. Рекомендации могут помочь вам выбрать треки по своему вкусу, а музыкальная подписка позволяет скачать их для прослушивания в автономном режиме.
• Соревнуйтесь с друзьями в Шагах.
• поделитесь QR-кодом своего профиля с другими, например цифровой визитной карточкой.
Как установить приложение: если у вас есть мобильное приложение ВКонтакте на вашем iPhone и включена функция автоустановки, приложение будет автоматически добавлено на ваши часы. Либо откройте приложение Apple Watch на телефоне, найдите ВКонтакте среди доступных приложений и нажмите «Установить».
Также есть обновление для мобильного приложения. Теперь доступны зимние иконки, такие как нос кролика, северное сияние и другие. Чтобы выбрать один, перейдите в настройки внешнего вида.

8.9.1
13 декабря 2022 г.

Пока особых новостей нет, только улучшения в коде. Мы исправили некоторые ошибки в приложении и сделали его более стабильным.

8.9
11 декабря 2022 г.

8.8
2 декабря 2022 г.

8.7.1
26 ноября 2022 г.

Навели порядок, проверив работу некоторых фич и избавившись от мелких проблем в коде.

8.7
25 ноября 2022 г.

Навели порядок, проверив работу некоторых фич и избавившись от мелких проблем в коде.

8.6.1
19 ноября 2022 г.

Мы навели порядок, проверив работу некоторых функций и избавившись от мелких проблем в коде.

8.6
17 ноября 2022 г.

Навели порядок, проверив работу некоторых фич и избавившись от мелких проблем в коде.

8.5.1
12 ноября 2022 г.

Новое в мессенджере:
• Отправляйте файлы размером до 4 ГБ и в любом распространенном формате.
• Делитесь видео быстрее благодаря повышенной скорости загрузки.

8,5
10.11.2022

Новое в мессенджере:
• Отправляйте файлы размером до 4 ГБ в любом распространенном формате.
• Делитесь видео быстрее благодаря повышенной скорости загрузки.

8.4
3 ноября 2022 г.

Навели порядок, проверив работу некоторых функций и избавившись от мелких проблем в коде.

8.3.1
31 октября 2022 г.

Мы добавили новые элементы для вашего аватара vmoji, включая прически, одежду и даже морщины. Сделайте свой цифровой аватар еще более узнаваемым!
Для осенних образов теперь можно выбрать шляпы и толстовки, а также эльфийские уши и другие детали для необычного образа. Вы также найдете множество новых цветов для волос, глаз и макияжа. Вы можете создать свой собственный образ или довериться нейронным сетям. Ваш аватар можно открыть с клавиатуры стикера.

8.3
27 октября 2022 г.

8.2.1
26 октября 2022 г.

8.2
23 октября 2022 г.

7,44
25 сентября 2022 г.

Новая версия полностью поддерживается iOS 16.
• Обновлено контекстное меню в ленте новостей, мессенджере и историях. Теперь он стал более компактным и занимает меньше места на экране.
• Теперь вы можете общаться с друзьями и близкими, используя виджет контактов на главном экране.
• Сделали виджет Шаги ВКонтакте. Добавьте его на экран блокировки, чтобы отслеживать свою активность и соревноваться с друзьями.
• Функция Center Stage от Apple теперь доступна в вызовах на совместимых моделях iPad. Это позволит вам оставаться в кадре, даже если вы перемещаетесь.
• Эта версия больше не поддерживает iOS 12–13. Убедитесь, что у вас установлена iOS 14 или выше, чтобы продолжать пользоваться всеми функциями ВКонтакте.

7.43.1
18 сентября 2022 г.

Новая версия полностью поддерживается iOS 16.
• Обновили контекстное меню в ленте новостей, мессенджере и историях. Теперь он стал более компактным и занимает меньше места на экране.
• Теперь вы можете общаться с друзьями и близкими, используя виджет контактов на главном экране.
• Сделали виджет Шаги ВКонтакте. Добавьте его на свой экран, чтобы отслеживать свою активность и соревноваться с друзьями.
• Функция Center Stage от Apple теперь доступна в вызовах на совместимых моделях iPad. Это позволит вам оставаться в кадре, даже если вы перемещаетесь.
• Эта версия больше не поддерживает iOS 12–13. Убедитесь, что у вас установлена iOS 14 или выше, чтобы продолжать пользоваться всеми функциями ВКонтакте.

7,43
12 сентября 2022 г.

Новая версия полностью поддерживается iOS 16.

• Обновлено контекстное меню в ленте новостей, мессенджере и историях. Теперь он стал более компактным и занимает меньше места на экране.

• Теперь вы можете общаться с друзьями и близкими, используя виджет контактов на главном экране.

• Сделали виджет Шаги ВКонтакте. Добавьте его на свой экран, чтобы отслеживать свою активность и соревноваться с друзьями.

• Функция Center Stage от Apple теперь доступна при вызовах на совместимых моделях iPad. Это позволит вам оставаться в кадре, даже если вы перемещаетесь.

• Эта версия больше не поддерживает iOS 12–13. Убедитесь, что у вас установлена iOS 14 или выше, чтобы продолжать пользоваться всеми функциями ВКонтакте.

7,42
11 сентября 2022 г.

Слушайте личные плейлисты знаменитостей в VK Music.

В блоке «100 личных плейлистов» знаменитости собрали треки, которые слушают сами. Узнайте, что играет в наушниках популярных исполнителей и насколько похожи ваши музыкальные вкусы. Посмотрите, что вас удивило, и поделитесь этим с друзьями, перейдя в Hub → Музыка.

Напоминание: чтобы получать обновления, убедитесь, что у вас установлена iOS 14 или выше.

7.41
4 сентября 2022 г.

Мы добавляем значки осени для приложения и сообщаем вам, что некоторые версии iOS больше не будут поддерживаться.

• Новые осенние значки для приложения включают желтые листья, праздничную тыкву и прикольную фиалку. Выберите нужный в настройках внешнего вида.