2025/2026
Рекомендательные системы
Лучший по критерию «Полезность курса для Вашей будущей карьеры»
Лучший по критерию «Полезность курса для расширения кругозора и разностороннего развития»
Лучший по критерию «Новизна полученных знаний»
Статус:
Маго-лего
Кто читает:
Департамент информатики
Где читается:
Школа информатики, физики и технологий
Когда читается:
1, 2 модуль
Охват аудитории:
для своего кампуса
Преподаватели:
Архимандритов Игорь Борисович,
Елисеев Игорь Евгеньевич,
Сафроненко Евгений Владимирович,
Хританков Антон Сергеевич
Язык:
русский
Кредиты:
6
Контактные часы:
44
Программа дисциплины
Аннотация
Курс «Рекомендательные системы» охватывает полный жизненный цикл современных рекомендательных систем: от классических подходов коллаборативной и контентной фильтрации до нейросетевых архитектур и методов работы в продакшене. Особое внимание уделяется архитектурным решениям для высоконагруженных систем, методам генерации кандидатов и ранжирования, а также практическим аспектам оценки и улучшения качества рекомендаций. В рамках курса рассматриваются графовые нейронные сети, большие рекомендательные модели, uplift-моделирование, reinforcement learning, а также актуальные нерешённые проблемы и способы их преодоления.
Цель освоения дисциплины
- Описывать архитектуру промышленной рекомендательной системы, включая этапы генерации кандидатов (retrieval), ранжирования (ranking) и постобработки (re-ranking/post-processing), а также объяснять функциональное назначение каждого компонента и их взаимодействие в пайплайне обработки пользовательского запроса.
- Реализовывать алгоритмы коллаборативной фильтрации (user-user, item-item, матричная факторизация), контентные модели (на основе признаков объектов) и комбинировать их в гибридные схемы (взвешенное суммирование, переключение, стеккинг) для построения прототипов рекомендательных систем.
- Выбирать архитектуру нейросетевой модели для этапа генерации кандидатов (Two-Tower, DSSM, NCF) и ранжирования (Wide&Deep, Deep&Cross, YouTube Ranking) с учётом характеристик датасета (размер каталога, количество признаков, тип обратной связи) и ограничений продакшен-среды (латентность, пропускная способность, вычислительные ресурсы), а также выполнять подбор гиперпараметров (размерность эмбеддингов, глубина сети, функция потерь, скорость обучения) с использованием валидационных процедур.
- Сравнивать качество рекомендаций, полученных с использованием классических подходов, современных архитектур (DLRM, HSTU, графовых нейронных сетей), и обосновывать выбор конкретной модели на основе структуры данных (последовательные взаимодействия, графовая структура, многомодальные признаки) и целевых бизнес-метрик (конверсия, удержание, вовлечённость).
- Рассчитывать метрики разнообразия рекомендаций (Coverage, Intra-List Similarity, Gini Index) и применять методы повышения разнообразия (квотирование по категориям, пессимизация популярных объектов, использование детерминантного точечного процесса — DPP) в зависимости от продуктовых целей и сценариев использования.
- Диагностировать наличие системных искажений в логах взаимодействий (popularity bias, positional bias, feedback loop, data drift, popularity leak) с использованием специализированных метрик (средняя популярность рекомендованных объектов, разница CTR по позициям, временная стабильность распределений) и предлагать стратегии коррекции (инверсное взвешивание по склонности (IPS), аугментация данных, периодическое переобучение на скользящем окне, сглаживание оценок).
- Реализовывать uplift-модели (T-Learner, S-Learner, X-Learner, Meta-Learners) для оценки причинного эффекта рекомендации на целевое действие (конверсия, удержание, глубина просмотра) и интерпретировать результаты с использованием метрик QINI-кривой и AUUC, а также анализировать типичные ограничения uplift-подхода (нарушение предположения о независимости, неполнота данных).
- Формализовать задачу рекомендаций как задачу обучения с подкреплением (Markov Decision Process), выбирать метод обучения (off-policy обучение, SlateQ, Deep RL) в зависимости от доступности онлайн-экспериментов и типа среды, и интерпретировать результаты симуляций в среде RecSim с учётом долгосрочного эффекта на пользовательское поведение.
Планируемые результаты обучения
- Уметь выбирать подходящие алгоритмы для построения моделей
- Уметь использовать сводную статистику
- Уметь объяснять ключевые концепции, лежащие в основе рекомендаций
- Уметь объяснять разницу между подходами,основанными на пользователях и предметах
- Уметь создавать профиль личных интересов
- Уметь создавать рекомендации по ассоциации продукта
- Уметь сочетать коллаборативную фильтрацию и рекомендации на основе содержимого
- Уметь строить рекомендации, основанные на коллаборативной фильтрации
Содержание учебной дисциплины
- Введение в рекомендательные системы.
- Неперсонализированные модели. Модели на основе контентой информации.
- Коллаборативная фильтрация
- Продвинутые методы построения моделей факторизации
- Учет контекстной информации в моделях
Элементы контроля
- ПроектОтчетность по проекту состоит из двух частей: сам письменный отчет и защита. Защита представляет собой презентацию с описанием проделанной работы, построенной системы и использовавшимся подходам.
- ЭкзаменЭкзамен проводится в виде теста по вопросам курса.
Список литературы
Рекомендуемая основная литература
- Rajaraman, A., & Ullman, J. D. (2012). Mining of Massive Datasets. New York, N.Y.: Cambridge University Press. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsebk&AN=408850
- René Michel, Igor Schnakenburg, & Tobias von Martens. (2019). Targeting Uplift : An Introduction to Net Scores (Vol. 1st ed. 2019). Cham: Springer. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsebk&AN=2247428
Рекомендуемая дополнительная литература
- Manouselis, N., Drachsler, H., Verbert, K., Duval, E. Recommender Systems for Learning. – Springer, 2013. – ЭБС Books 24x7.