2025/2026
RecSys
Статус:
Маго-лего
Где читается:
Факультет компьютерных наук
Когда читается:
3 модуль
Охват аудитории:
для своего кампуса
Преподаватели:
Тараканов Александр Александрович
Язык:
русский
Кредиты:
3
Контактные часы:
24
Программа дисциплины
Аннотация
Данный курс дает всестороннее представление о рекомендательных системах как ключевом компоненте современных продуктов, основанных на данных. Курс охватывает классические подходы, такие как матричная факторизация и разреженные линейные модели, спектральные методы и методы, основанные на графах, а также современные нейронные подходы, включая сверточные сети на графах и генерирующие рекомендательные системы. Особое внимание уделяется пониманию математических основ, алгоритмического проектирования и практических аспектов крупномасштабных рекомендательных систем, используемых в промышленности.
Цель освоения дисциплины
- Основная цель этого курса - дать студентам глубокое теоретическое и прикладное представление о рекомендательных системах, включая классические методы, современные нейронные архитектуры и генеративные подходы.
Планируемые результаты обучения
- Формулировать задачи с рекомендациями в терминах данных о взаимодействии пользователя и объекта
- Применять методы матричной факторизации, такие как SVD, для совместной фильтрации
- Реализовывать и анализировать разреженные линейные модели (SLIM, EASE)
- Понимать спектральные методы и их роль в рекомендациях.
- Применять подходы, основанные на графах, включая графовые сверточные сети.
- Разбираться в современных генеративных подходах к рекомендательным системам.
- Оценивать рекомендательные системы, используя стандартные показатели ранжирования.
Содержание учебной дисциплины
- Введение в рекомендательные системы.
- Матричная факторизация и SVD
- Разреженные линейные модели (ТОНКИЕ, ЛЕГКИЕ) и спектральные методы
- Графические рекомендательные системы (GCN I)
- Графические рекомендательные системы (GCN II)
- Генеративные рекомендательные системы
Промежуточная аттестация
- 2025/2026 3rd module0.3 * домашнее задание_1 + 0.4 * презентация документа + 0.3 * домашнее задание_2
Список литературы
Рекомендуемая основная литература
- Mescheder, L., Nowozin, S., & Geiger, A. (2017). Adversarial Variational Bayes: Unifying Variational Autoencoders and Generative Adversarial Networks. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsarx&AN=edsarx.1701.04722
Рекомендуемая дополнительная литература
- Manouselis, N., Drachsler, H., Verbert, K., Duval, E. Recommender Systems for Learning. – Springer, 2013. – ЭБС Books 24x7.