Введение в рекомендательные системы

Магистратура 2026/2027

ID 1209908

Статус: Курс по выбору (Машинное обучение и анализ данных)

Кто читает: Департамент информатики

Где читается: Школа информатики, физики и технологий

Когда читается: 2-й курс, 1, 2 модуль

Охват аудитории: для всех кампусов НИУ ВШЭ

Преподаватели: Сироткин Александр Владимирович

Язык: русский

Кредиты: 6

Контактные часы: 56

Дополнительные материалы в LMS Задать вопрос

Аннотация

На курсе студент узнает, как устроена рекомендательная система изнутри: какие приёмы обработки пользовательского сигнала и машинного обучения используются при построении рекомендательного алгоритма и ответе на запросы. Ещё курс раскрывает тему объективной оценки качества рекомендательной системы. В результате студент сможет построить работающую модель рекомендательной системы.

Цель освоения дисциплины

Подготовить студентов к разработке и внедрению современных рекомендательных систем, освоив основные методы и алгоритмы, такие как коллаборативная фильтрация, контентные и гибридные модели, последовательные подходы и нейронные сети, а также научиться оценивать их эффективность с помощью метрик, реализовывать процессы генерации, отбора и ранжирования рекомендаций, и анализировать перспективы развития этой области.

Планируемые результаты обучения

Применять метрики для оценки эффeктивности рекомендательных систем.
Рeализовывать коллаборативную фильтрацию с использованием memory-based и model-based подходов.
Сoздавать контентные и гибридные модели рекомендаций.
Испoльзовать последовательные подходы для учета временной динамики.
Рaзрабатывать процессы генерации, отбора и ранжирования рекомендаций.
Примeнять нейронные сети для улучшения качества рекомендаций.
Aнализировать перспективы и современные тренды в развитии рекомендательных систем.

Содержание учебной дисциплины

Раздел 1. Введение и метрики качества
Раздел 2. Коллаборативная фильтрация
Раздел 3. Контентные, гибридные и последовательные модели
Раздел 4. Многостадийный пайплайн: Отбор кандидатов и Ранжирование
Раздел 5. Нейронные сети в рекомендательных системах
Раздел 6. Перспектива и итоговая аттестация

Элементы контроля

Домашние задания
ДЗ 1 — 15 баллов. Рекомендательная система на основе коллаборативной фильтрации. ДЗ 2 — 15 баллов. Разработка рекомендательных систем на основе гибридной модели. ДЗ 3 — 15 баллов. Рекомендательная система с отбором кандидатов и ранжированием.
Тесты
Итоговый тест
Итоговое испытание проводится после последнего занятия в форме автоматизированного контрольного занятия (онлайн-тест). Экзамен охватывает все темы курса и включает как теоретические вопросы, так и практико-ориентированные задачи. Экзамен проводится в сессионный период. Для студентов, получивших неудовлетворительную оценку, предусматривается возможность пересдач. Все пересдачи проводятся в соответствии с Регламентом вуза в период пересдач, ее проводит преподаватель, выставивший оценку по промежуточной аттестации. Время для проведения пересдачи определяется Учебным офисом в рамках расписания дополнительной сессии. Первая пересдача проходит в формате стандартного экзамена (онлайн-тест по согласованию); в этом случае пересдается только оценка, полученная на экзамене. Ранее накопленная оценка не изменяется. Вторая пересдача предполагает устный ответ на поставленные вопросы перед комиссией в составе не менее трех человек. Дата второй пересдачи, а также состав комиссии и ее председатель определяются письменным распоряжением руководителя департамента, ответственного за реализацию дисциплины, либо академическим руководителем программы. Оценка за вторую пересдачу определяется союзным решением членов комиссии.

Промежуточная аттестация

2026/2027 2nd module
Суммарная оценка за домашние задания*0.45 + суммарная оценка за тесты*0,28 + Оценка за экзамен * 0.27

Список литературы

Авторы

Юнышева Анастасия Владимировна
Оленчук Ольга Геннадьевна

Программа дисциплины