Implicit-feedback трек (D2a)

В этом протоколе и на этом срезе наивная co-visitation (простой item-CF) превосходит popularity в 6–11 раз в зависимости от K (0.32 против 0.03 на K=10; на K=50 разрыв сужается до 5.8×) — она ловит личные регулярные места, а глобальный топ для вопроса «куда человек пойдёт дальше» почти не несёт информации: люди возвращаются в свои кафе и на свои станции. Причём наш baseline — самый примитивный: ненаправленная со-встречаемость внутри полной истории юзера, без сессий, окна, гео и направления переходов. Session-window, направленные (place_t→place_t+1) и geo-aware варианты могут оказаться сильнее — но «правильной» co-visitation одной не существует, и каждый вариант надо проверять замером.

И слово «бесполезна» тут было бы перебором: popularity остаётся фолбэком для cold-юзера (в нашем же замере это единственная из двух моделей, которая выдаёт им осмысленный список) и вполне может работать на другой поверхности — «популярное рядом», «трендовое сегодня». Слаба она именно в этой постановке: warm-аудитория, next-POI, 89% повторных визитов.

Историческая оговорка: до чистки строки-заглушки (секция 2 выше) popularity показывала Recall@10 = 0.33 и выглядела крепким baseline — но декомпозиция с фиксированной когортой показала, что около 92% этой величины давало прямое попадание в одно фиктивное «место». Хороший повод не доверять сильному baseline, пока не посмотрел, из чего он состоит.

Сильный сигнал тут — гео и последовательность (близость, время суток, маршрут, недавняя история). Их используют не только как фичи ранкера, но и как retrieval-источники: nearby-popular, last-location, session-transition, sequential item-to-item, graph/random-walk, ANN по sequence/user-эмбеддингам. То есть и retrieval (сейчас), и feature-rich ranking (Фаза 8), и sequential-модели (Фаза 9).