Фаза 9скоро
Sequential / session-based
GRU4Rec → SASRec → BERT4Rec.
RecSys Lab
Интерактивная лаборатория рекомендательных систем на датасете MovieLens. Каждый модуль — теория, живая песочница и визуализация.
▸Почему вообще появились рекомендательные системы
БылоРаньше пользователь сам искал нужные товары / фильмы / документы.
ПроблемаКаталог стал слишком большим — ручной поиск перестал справляться.
ИдеяРанжировать каталог под конкретного пользователя.
Стало лучшеМеньше информационной перегрузки, выше discovery (находится то, что сам бы не нашёл).
Осталось слабымСмещения, пузыри фильтров, зависимость от качества логов.
ДальшеПонять, что именно мы считаем «релевантным» — метрики.
Базовые модели
от baseline к нейросетямФаза 1готово
Popularity baseline
Простейшая модель и весь pipeline целиком.
Фаза 2готово
Content-based (TF-IDF)
Сходство по жанрам и тегам, «похожие фильмы».
Фаза 3готово
Collaborative filtering
Item-based CF (kNN), similarity-heatmap.
Фаза 4готово
Matrix Factorization
Latent-факторы и scatter эмбеддингов.
Фаза 5готово
Сравнение моделей
Метрики всех моделей + срезы long-tail / малоактивные.
Фаза 6готово
BPR — pairwise ranking
Learning-to-rank: позитив выше негатива.
Фаза 6готово
NeuMF — Neural CF
GMF + MLP; урок «нейросеть ≠ лучше».
Фаза 6готово
Two-tower — retrieval
Раздельные башни, in-batch negatives, logQ-коррекция, ANN.
Инженерия продакшена
откуда берутся данные и как система живётТрек B · B1готово
Данные и логирование
event log → лейблы, позиционное смещение, петля обратной связи.
Трек B · B2готово
Temporal validation
random vs leave-last-out vs temporal split; утечка времени.
Трек B · B3готово
ANN: приближённый retrieval
свой IVF-индекс на numpy поверх реальных эмбеддингов: nprobe, recall ↔ доля скана, boundary problem вживую.
Трек B · B4готово
Feature store & train/serve skew
цена утечки через время, кривая freshness, расхождение обучения и сервинга; живой point-in-time join.
Трек B · B5готово
Cold-start & fallbacks
живая лестница fallback, замер порога переключения, холодный айтем, exploration-слоты.
Трек B · B6готово
Re-rank: ограничения и правила
продуктовый слой поверх ранкера: eligibility, квоты на повторы/популярное/район, слоты под исследование — с живым замером цены каждого правила.
Трек B · B7готово
Monitoring & debugging
реальный дашборд + симулятор инцидентов: симптом → причина → проверка → фикс.
Трек D · D2aготово
Implicit-feedback датасет
реальный лог (Brightkite check-ins): event schema, temporal split, baseline retrieval.
Трек D · D2bготово
Полный implicit: ранкер + мониторинг + bias
feature-rich ранкер над retrieval, разрез revisit/novel, дрейф (PSI), смещения экспозиции.
Трек E · E2готово
System design case studies
4 продукта × один каркас-цикл: видео, короткая лента, маркетплейс, новости; режим самопроверки.
Трек E · E3готово
Capstone: воронка с provenance
весь пайплайн на реальном логе: 5 источников → union → ранкер; маржинальный вклад источников, provenance слейта, write-up.
Продвинутые и SOTA
актуальные индустриальные подходыФаза 7готово
Системный дизайн
Живая воронка retrieval → ranking → re-rank. ANN — следующий под-этап.
Фаза 8готово
Feature-rich ranking
лестница классов моделей на одних фичах: логрег → взаимодействия → градиентный бустинг; разрез revisit/novel решает.
Фаза 10теория
Graph-based
LightGCN, PinSage — сигнал из графа взаимодействий.
Фаза 11теория
Multi-task & multi-objective
MMoE, PLE, ESMM — несколько бизнес-целей.
Фаза 12теория
Bandits & RL
Thompson Sampling, LinUCB, долгосрочная ценность.
Фаза 13теория
LLM-эра
Semantic IDs (TIGER), LLM-as-recommender, RAG.
Фаза 14готово
Онлайн-оценка: A/B и off-policy
симулятор с известной истиной: A/B и шум, подглядывание, MDE, interleaving; IPS/SNIPS/DR; таблица «accuracy ≠ бизнес-метрика» на реальных моделях.