2026/2027

RecSys

ID 1155301

Статус: Маго-лего

Кто читает: Департамент больших данных и информационного поиска

Где читается: Факультет компьютерных наук

Когда читается: 1 модуль

Охват аудитории: для своего кампуса

Преподаватели: Тараканов Александр Александрович

Язык: русский

Кредиты: 3

Контактные часы: 24

Программа дисциплины

Аннотация

Курс знакомит с основными подходами к построению рекомендательных систем: коллаборативной и контентной фильтрацией, матричной факторизацией, ранжированием, генерацией кандидатов и последовательными рекомендациями. Рассматриваются методы оценки качества и практические аспекты построения рекомендательных систем. Теоретический материал сопровождается практическими заданиями на реальных данных.

Цель освоения дисциплины

• Знать основные типы рекомендательных систем и принципы их построения.
• Уметь применять методы коллаборативной и контентной фильтрации.
• Понимать принципы матричной факторизации и латентных представлений пользователей и объектов.
• Понимать основные подходы к генерации кандидатов и ранжированию в современных рекомендательных системах.
• Знать принципы построения последовательных рекомендательных моделей и уметь применять их на практике.
• Уметь выбирать и рассчитывать основные метрики качества рекомендательных систем.
• Уметь проводить экспериментальное сравнение рекомендательных моделей и интерпретировать полученные результаты.
• Понимать основные практические проблемы рекомендательных систем: холодный старт, разнообразие рекомендаций, смещения и обратные связи.

Планируемые результаты обучения

• формулирует задачу построения рекомендательной системы;
• применяет основные методы коллаборативной и контентной фильтрации;
• строит рекомендательные модели на основе матричной факторизации и последовательных данных;
• использует методы генерации кандидатов и ранжирования;
• выбирает и рассчитывает метрики качества рекомендательных систем;
• проводит экспериментальное сравнение рекомендательных моделей;
• анализирует и интерпретирует полученные рекомендации и результаты экспериментов;
• выбирает подход к построению рекомендательной системы с учётом особенностей данных и практических ограничений.

Содержание учебной дисциплины

• Введение в рекомендательные системы
• Коллаборативная и контентная фильтрация
• Эмбеддинги и латентные представления
• Генерация кандидатов и ранжирование
• Последовательные рекомендательные системы
• Современные рекомендательные системы на практике

Элементы контроля

• Домашнее задание 1
• Домашнее задание 2
• Экзамен

Промежуточная аттестация

• 2026/2027 1st module
  Итог = Округление(0.29 * ДЗ_1 + 0.29 * ДЗ_2 + 0.42 * Э), где ДЗ_1 — оценка за Домашнюю работу 1, ДЗ_2 — оценка за Домашнюю работу 2, Э — оценка за экзамен.

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
• Фальк, К. Рекомендательные системы на практике : руководство / К. Фальк , перевод с английского Д. М. Павлова. — Москва : ДМК Пресс, 2020. — 448 с. — ISBN 978-5-97060-774-9. — Текст : электронный // Лань : электронно-библиотечная система. — URL: https://e.lanbook.com/book/179458 (дата обращения: 00.00.0000). — Режим доступа: для авториз. пользователей.

Рекомендуемая дополнительная литература

• Iba, H. (2018). Evolutionary Approach to Machine Learning and Deep Neural Networks : Neuro-Evolution and Gene Regulatory Networks. Singapore: Springer. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsebk&AN=1833749

Авторы

• Ахмедова Гюнай Интигам кызы
• Тараканов Александр Александрович