Рекомендательные системы

Бакалавриат 2026/2027

ID 1160916

Статус: Курс по выбору (Прикладная математика и информатика)

Кто читает: Департамент больших данных и информационного поиска

Где читается: Факультет компьютерных наук

Когда читается: 4-й курс, 1, 2 модуль

Охват аудитории: для своего кампуса

Преподаватели: Сухоруков Никита Юрьевич, Фролов Евгений Петрович

Язык: русский

Кредиты: 5

Контактные часы: 56

Дополнительные материалы в LMS Задать вопрос

Аннотация

Курс проходит путь от предобработки данных и метрик ранжирования через базовые подходы, матричную факторизацию, коллаборативную фильтрацию, контентные и гибридные модели к нейросетевым моделям на последовательностях, автоэнкодерам, LLM, графовым моделям и RL, интерпретируемости, A/B-тестированию и разработке сервиса рекомендаций (Docker, FastAPI, Triton, Redis).

Цель освоения дисциплины

Сформировать представление о современных подходах к построению рекомендательных систем — от базовых и факторизационных до нейросетевых, графовых и LLM-моделей.
Научить оценивать качество рекомендаций офлайн и онлайн: метрики ранжирования, A/B-тесты, многорукие бандиты.
Научить разрабатывать и разворачивать сервис рекомендательной системы.

Планируемые результаты обучения

Умение строить и оценивать рекомендательные модели.
Навыки работы с реальными датасетами и инструментами анализа.
Способность выбирать подходящие методы под конкретную задачу.
Опыт участия в соревнованиях и реализации командных проектов.

Содержание учебной дисциплины

Обзор области рекомендательных систем
Общая постановка задачи. Неперсонализированные подходы
Использование признаковых пространств в рекомендациях.
Методы оценки рекомендательных систем
Коллаборативная фильтрация: memory-based подходы
Коллаборативная фильтрация: memory-based подходы 2
Коллаборативная фильтрация: model-based подходы 3
Методы оптимизации для матричных разложений
Взвешенная матричная факторизация
Специальные методы обучения, обучение ранжированию
Холодный старт и гибридные системы
Контекстные рекомендательные системы
Обучение на последовательностях действий

Элементы контроля

Домашнее задание 2
Выдаётся после лекции №6. Требуется реализовать альтернативный рекомендательный алгоритм на основе, item-based KNN и сравнить его с базовыми моделями.
Домашнее задание 4
Выдаётся после лекции №11 Настройка и обучение гибридной рекомендательной модели в контексте холодного старта.
Kaggle-соревнование
Студенты участвуют в онлайн-соревновании, доступ к которому открывается после лекции №3. Оценка зависит от позиции на публичном лидерборде (по заранее объявленным уровням) и может быть дополнена бонусными баллами за результат на приватном лидерборде.
Контрольная работа
Проводится в письменном виде в аудитории после лекции №11. Содержит 7 задач по темам лекций 2–11. Разрешено пользоваться печатными материалами. Длительность 40 мин.
Командный проект
Выполняется в группах по 2–5 человек. Студенты могут предложить собственную тему, требующую одобрения. Проект должен включать реализацию рекомендательной модели, исследование или разработку приложения. При выдающем результате может заменить одно ДЗ и Kaggle.
Домашнее задание 1
Выдаётся после лекции №3. Студенту предлагается построить индивидуальные контентные модели для пользователей на основе признаков объектов и истории взаимодействий. Требуется реализовать базовый алгоритм, провести серию улучшений и сравнить результаты с простыми бейзлайнами.
Домашнее задание 3
Выдаётся после лекции №8. Студенту предлагается реализовать эффективную версию взвешенной матричной факторизации для задачи теплого старта.

Промежуточная аттестация

2026/2027 2nd module
Итог = Округление(0.25 × ДЗ + 0.25 × Kaggle + 0.25 × КР + 0.25 × Проект) где: ДЗ — средняя оценка за два домашних задания Kaggle — оценка за участие в соревновании КР — оценка за контрольную работу Проект — оценка за командный проект

Список литературы

Авторы

Фролов Евгений Петрович

Программа дисциплины