Нейросетевые рекомендательные системы

2025/2026

Статус: Маго-лего

Кто читает: Департамент больших данных и информационного поиска

Где читается: Факультет компьютерных наук

Когда читается: 3, 4 модуль

Охват аудитории: для своего кампуса

Преподаватели: Хрыльченко Кирилл Ярославович

Язык: русский

Кредиты: 6

Контактные часы: 80

Дополнительные материалы в LMS Задать вопрос

Аннотация

Авторы курса имеют многолетний опыт R&D для рекомендательных систем в Яндексе, и внедряли рекомендательные нейросети в такие сервисы, как Поиск, Реклама, Яндекс Музыка, Кинопоиск, Лавка, Алиса и другие. Эта работа подразумевает большое количество экспериментов и исследований, изучение статей и участие в конференциях. Успех во многом определяется наличием правильной интуиции для экспериментов и достаточными техническими навыками, чтобы их ставить. И мы хотим с вами этим опытом поделиться! Рассказать как устроены современные рекомендательные системы, показать живые интуиции за классическими алгоритмами и подробно разобрать передовые нейросетевые подходы, опираясь на реальные кейсы и собственные исследования. К концу курса вы: * получите целостное представление о том, как устроены рекомендательные системы * разберётесь в современных нейросетевых методах и текущих научных трендах * освоите технические навыки для обучения и оценки рекомендательных моделей * заложите основу для будущих собственных фундаментальных исследований в области рексистем; или же для плодотворной работы над реальными рекомендательными системами Программа курса выросла из работы над последней итерацией замечательного курса «Рекомендательные системы» в ШАД, участия авторов в RecSys Summer School и ACM RecSys (в том числе с собственными статьями). Главное отличие — фокус на нейросетях, R&D и исследовательской культуре и меньше информации про продакшн-аспекты, продукты и общий систем дизайн. На лекциях мы пройдем путь от постановки задачи рекомендаций до нейросетевых моделей для генерации кандидатов и ранжирования. Обсудим прикладные аспекты обучения и внедрения рекомендательных трансформеров, генеративные модели, графовые нейросети, обучение с подкреплением и ключевые тренды. Семинары включают разборы статей, практические занятия, разборы кейсов внедрений и рексис соревнований, best practices исследовательской работы.

Цель освоения дисциплины

Получить целостное представление о том, как устроены рекомендательные системы
Приобрести технические навыки для подготовки данных для обучения и оценки качества рекомендательных моделей
Освоить современные нейросетевые методы для рекомендаций: двухбашенные нейросети для генерации кандидатов, нейросетевое ранжирование, трансформерные модели для рекомендаций, графовые нейросети
Приобрести исследовательские навыки для чтения статей по теме рекомендательных систем, генерации и проверке гипотез

Планируемые результаты обучения

Получение целостного представления о том, как устроены рекомендательные системы
Освоение технических навыков для обучения и оценки рекомендательных моделей

Содержание учебной дисциплины

Введение в рекомендательные системы: мотивация, задачи, роль рекомендаций в онлайн-платформах
Верхнеуровневый дизайн рекомендательных систем (многостадийность, candidate generation vs ranking)
Генерация кандидатов: архитектура двухбашенных моделей
Генерация кандидатов: обучение моделей
Трансформеры для рекомендаций
Ранжирование: кодирование признаков и их взаимодействий
Ранжирование: архитектура
Векторная квантизация, семантические идентификаторы, generative retrieval
Генеративные модели, использование больших языковых моделей для рекомендаций, масштабирование рексистем
Графовые нейросети для рекомендаций
Обучение с подкреплением 1
Обучение с подкреплением 2

Элементы контроля

Домашнее задание 1
Выдается после второй лекции и содержит по подготовке бейзлайнов и оценке качества.
Домашнее задание 2
Выдается после четвертой лекции и содержит задание по обучению двухбашенной нейросетевой модели для генерации кандидатов.
Домашнее задание 3
Выдается после шестой лекции и содержит задание по обучению нейросетевой ранжирующей модели.
Домашнее задание 4
Выдается после восьмой лекции и содержит задание по обучению трансформерной модели для генерации кандидатов.
Финальный проект
Выдается после седьмой лекции. В рамках проекта будет предоставлен пул из 5-8 статей, из которых предлагается выбрать одну и реализовать подход, предложенный в статье вместе с бейзлайнами. Также нужно предложить модификацию подхода с целью получить улучшение относительно статьи и его реализовать
Экзамен
Экзамен проводится в устной форме, возможно проведение в аудитории или на платформе Zoom. Студент получает билет, который включает в себя два вопроса из программы экзамена – один вопрос по материалу лекций 1-6 и один вопрос по материалу лекций 7-11. Во время подготовки можно использовать любые печатные материалы, но запрещается использовать электронные средства коммуникации. После ответа студенту могут быть заданы дополнительные вопросы по программе курса, а также предложены задачи на понимание теоретического материала. Такие задачи не требуют проведения обширных вычислений.

Промежуточная аттестация

2025/2026 4th module
Итог = Округление(0.4 * ДЗ + 0.3 * ФП + 0.3 * Э), где ДЗ — средняя оценка за все домашние задания, ФП — оценка за финальный проект, Э — оценка за экзамен.

Список литературы

Авторы

Кононова Елизавета Дмитриевна

Программа дисциплины