Магистратура 2026/2027

Рекомендательные системы

ID 1188113

Статус: Курс по выбору (Бизнес-аналитика и системы больших данных)

Кто читает: Департамент бизнес-информатики

Где читается: Высшая школа бизнеса

Когда читается: 2-й курс, 1, 2 модуль

Охват аудитории: для всех кампусов НИУ ВШЭ

Преподаватели: Джин Сеунгмин

Язык: английский

Кредиты: 6

Контактные часы: 48

Course Syllabus

Abstract

This course equips Master's students in Business Informactics—particularly non-technical majors—with practical skills to design, evaluate, and deploy recommender systems at a professional level. It provides an intuitive, business-oriented understanding of core algorithms (content-based, collaborative filtering, matrix factorization, and graph-based PageRank), while emphasizing low-code approaches using ChatGPT for rapid prototyping and validation. Key modules include Social Recommender with PageRank for social graph and influence-based recommendations, and Recommender with ChatGPT for conversational interfaces, personalized prompt chains, and explainable AI (XAI) messaging to create "decision-friendly" experiences. By the end, students will master: aligning recommender strategies with business goals, interpreting data and metrics managerially, low-code LLM prototyping, stakeholder communication and governance, and phased roadmaps for resource-constrained environments. Ultimately, the course reframes recommender systems as operational tools driving business outcomes, integrating analytics, product, and strategy competencies. Cf. This course evaluates students with the normalized scores.

Learning Objectives

• Formation of knowledge, skills and development skills of recommender systems for research or industrial purposes.

Expected Learning Outcomes

• Be able to make informed and supported business decisions and recommendations
• Can identify a recommender problem
• Understands the essential methods for recommenders: collaborative filtering, content-based, and matrix factorization
• Able to use embedding for tabular data and recommenders
• Construct variational autoencoders and learn how to sample using this model.
• Be able to construct and estimate recommender systems for content personalization
• able to understand the idea of the latent space for a deep autoencoder-based model and sampling from it
• Explain the key concepts underlying the recommendations
• Demonstrate skills in using meaningful summary statistics
• Сompute product association recommendations
• Build a profile of personal interests
• Build recommendations based on collaborative filtering
• Combine collaborative filtering and content-based recommendations
• Explain the difference between user-based and item-based approaches
• Choose appropriate algorithms for uplift modeling
• Give a definition of the term "uplift"
• Использует методы prompt инжиниринга и low-code программирования для решения прикладных задач с использованием моделей генеративного ИИ.

Course Contents

• Introduction to Recommender Systems
• Non-Personalized and Stereotype-Based Recommenders
• Content-Based Filtering
• Collaborative Filtering
• Uplift modeling
• Hybrid Recommendation System
• Deep Learning Recommender Systems
• Introduction to Recommender Systems
• Content-Based Filtering
• Collaborative Filtering
• Matrix Factorization and Hybrid Approach
• Deep Learning-Based Recommendation
• Social Recommender with PageRank
• Recommender with ChatGPT
• Capstone Project

Assessment Elements

• Посещаемость (Attendance)
• Итоговый capstone-проект (Capstone Project)
  Description: Итоговый проект выполняется командами из 2–3 студентов. Команды из четырёх и более студентов не допускаются. Команда разрабатывает современную рекомендательную систему с использованием нейросетевых, retrieval-, LLM- или RAG-подходов и сравнивает её с обоснованным baseline на согласованном реалистичном датасете, например VK-LSVD. The final project is completed by teams of 2-3 students. Teams of four or more students are not permitted. The team develops a modern recommender system using neural network, retrieval, LLM, or RAG approaches and compares it with a validated baseline on a consistent, realistic dataset, such as VK-LSVD.
• Работа на занятиях и домашние задания (Homework)
• Kaggle Competition
  Промежуточная аттестация проводится дистанционно в индивидуальном формате как 24-часовой хакатон на платформе Kaggle. В течение отведённого времени студент разрабатывает рекомендательную модель, загружает прогнозы, а также сдаёт исходный код или Jupyter Notebook и краткий технический отчёт. При использовании генеративного ИИ студент кратко указывает, для каких задач он использовал этот инструмент и какие решения проверил самостоятельно. The midterm assessment is conducted remotely in an individual format, like a 24-hour hackathon on the Kaggle platform. During the allotted time, the student develops a recommendation model, uploads predictions, and submits the source code or Jupyter Notebook and a brief technical report. When using generative AI, the student briefly describes the tasks for which they used this tool and the solutions they tested independently.
• Class Activity

Interim Assessment

• 2026/2027 2nd module
  **Итоговая оценка** Итоговый балл рассчитывается по 100-балльной шкале на основе следующих компонентов: * посещаемость — 10%; * домашние задания — 20%; * работа на занятиях (class activity) — 10%; * промежуточное 24-часовое соревнование на Kaggle — 20%; * итоговый capstone-проект — 40%. Домашние задания включают практические ноутбуки, краткую интерпретацию результатов и другие индивидуальные задания. Работа на занятиях (class activity) включает выполнение практических заданий во время занятий, обсуждение результатов, код-ревью и взаимную обратную связь. Студенты должны уметь объяснить baseline, внесённые изменения, влияние изменений на метрику и ограничения эксперимента. **Определение итоговой оценки** Итоговый балл каждого студента рассчитывается из 100 баллов. Для получения базовой оценки по 10-балльной шкале итоговый балл делится на 10, после чего результат округляется до ближайшего целого числа. Например: * 68 баллов → 6,8 → **7 баллов**; * 84 балла → 8,4 → **8 баллов**; * 85 баллов → 8,5 → **9 баллов**; * 96 баллов → 9,6 → **10 баллов**. После этого студенты, выполнившие все обязательные требования курса, ранжируются по итоговому баллу. **Правило относительного cut-off** Относительный cut-off применяется только в том случае, если количество студентов с определённой оценкой превышает допустимую долю группы. Если более **30% студентов получают оценку 8 или выше**, только студенты, входящие в верхние 30% рейтинга, сохраняют свои оценки 8, 9 или 10. Студенты, находящиеся за пределами верхних 30% и имеющие после пересчёта оценку 8, получают **7 баллов**. Если более **70% студентов получают оценку 6 или выше**, студенты, находящиеся за пределами верхних 70% и имеющие после пересчёта оценку 6, получают **5 баллов**. Границы между группами могут быть скорректированы не более чем на ±5 процентных пунктов с учётом фактического распределения итоговых баллов. **Блокирующие требования** Итоговый capstone-проект является обязательным (блокирующим) элементом контроля. Несдача capstone-проекта влечёт выставление **неудовлетворительной итоговой оценки** независимо от суммы остальных баллов. Студент, набравший менее **35 баллов из 100**, также получает **неудовлетворительную итоговую оценку** независимо от его положения в рейтинге. Для студентов, которые сдали capstone-проект и набрали не менее 35 баллов, итоговая оценка по 10-балльной шкале определяется с учётом базовой оценки и описанного выше правила относительного cut-off. **Final Mark** The final score is calculated on a **100-point scale** based on the following components: * attendance: 10%; * homework: 20%; * class activity: 10%; * 24-hour Kaggle midterm competition: 20%; * final capstone project: 40%. Homework assignments include practical notebooks, brief interpretations of results, and other individual assignments. Class activity includes practical tasks completed during class, discussion of results, code review, and peer feedback. Students must be able to explain the baseline, the changes made, their impact on the metric, and the limitations of an experiment. **Determination of the Final Mark** Each student's final score is calculated out of 100 points. To obtain the **base mark on the 10-point scale**, the final score is divided by 10 and the result is rounded to the nearest whole number. For example: * 68 points → 6.8 → **7 points**; * 84 points → 8.4 → **8 points**; * 85 points → 8.5 → **9 points**; * 96 points → 9.6 → **10 points**. Students who have met all mandatory course requirements are then ranked according to their final scores. **Ranking-based Cut-off Rule** The ranking-based cut-off is applied only when the number of students receiving a particular mark exceeds the allowed proportion of the cohort. If more than **30% of students receive a mark of 8 or higher**, only students within the top 30% of the ranking retain their converted marks of 8, 9, or 10. Students outside the top 30% whose converted mark is 8 are assigned **7**. If more than **70% of students receive a mark of 6 or higher**, students outside the top 70% whose converted mark is 6 are assigned **5**. The boundaries between the groups may be adjusted by no more than ±5 percentage points in light of the actual distribution of final scores. **Blocking Requirements** The final capstone project is a mandatory **blocking assessment component**. Failure to submit the capstone project results in an **unsatisfactory final mark**, regardless of the student's accumulated score in other components. A student who obtains **fewer than 35 points out of 100** also receives an **unsatisfactory final mark**, regardless of their position in the ranking. For students who submit the capstone project and obtain at least 35 points, the final mark on the **10-point scale** is determined based on the base mark and the ranking-based cut-off rule described above.

Bibliography

Recommended Core Bibliography

• Pro Deep Learning with TensorFlow 2.0 : a mathematical approach to advanced artificial intelligence in Python, Pattanayak, S., 2023
• The AI mirror : how to reclaim our humanity in an age of machine thinking, Vallor, S., 2024
• Time series algorithms recipes : implement machine learning and deep learning techniques with Python, , 2023
• Transformers for machine learning : a deep dive, Kamath, U., 2022

Recommended Additional Bibliography

• Integrating deep learning algorithms to overcome challenges in big data analytics, , 2022

Authors

• Dzhin Seungmin