Рекомендательные системы

Бакалавриат 2025/2026

Статус: Курс по выбору (Прикладная математика и информатика)

Кто читает: Департамент больших данных и информационного поиска

Где читается: Факультет компьютерных наук

Когда читается: 4-й курс, 1, 2 модуль

Охват аудитории: для своего кампуса

Преподаватели: Фролов Евгений Петрович

Язык: русский

Кредиты: 5

Контактные часы: 56

Дополнительные материалы в LMS Задать вопрос

Аннотация

Курс предоставляет обзор ключевых подходов к построению рекомендательных систем, охватывая как теоретические основы, так и практические аспекты. Студенты познакомятся с различными типами рекомендательных систем, научатся формулировать задачи персонализации в математических терминах и решать их с помощью практичных алгоритмов и инструментов. Практические задания на курсе включают также участие в онлайн-соревновании и реализацию командного проекта.

Цель освоения дисциплины

Студенты научатся: - Формулировать задачи рекомендаций на основе реальных кейсов. - Применять методы контентной и коллаборативной фильтрации. - Реализовывать алгоритмы обучения для типовых подходов рекомендательных систем. - Оценивать рекомендательные алгоритмы с использованием офлайн-метрик. - Проводить сравнительный анализ алгоритмов, используя надежные методологии и принципы, соответствующие мировым стандартам. - Работать с контекстными и последовательными данными. - Разрабатывать гибридные рекомендательные системы с использованием дополнительных признаков. - Учитывать проблемы холодного старта и масштабируемости. - Участвовать в командной разработке и защите проекта.

Планируемые результаты обучения

Умение строить и оценивать рекомендательные модели.
Навыки работы с реальными датасетами и инструментами анализа.
Способность выбирать подходящие методы под конкретную задачу.
Опыт участия в соревнованиях и реализации командных проектов.

Содержание учебной дисциплины

Обзор области рекомендательных систем
Общая постановка задачи. Неперсонализированные подходы
Использование признаковых пространств в рекомендациях.
Методы оценки рекомендательных систем
Коллаборативная фильтрация: memory-based подходы
Коллаборативная фильтрация: memory-based подходы 2
Коллаборативная фильтрация: model-based подходы 3
Методы оптимизации для матричных разложений
Взвешенная матричная факторизация
Специальные методы обучения, обучение ранжированию
Холодный старт и гибридные системы
Контекстные рекомендательные системы
Обучение на последовательностях действий

Элементы контроля

Домашнее задание 1
Выдаётся после лекции №3. Студенту предлагается построить индивидуальные контентные модели для пользователей на основе признаков объектов и истории взаимодействий. Требуется реализовать базовый алгоритм, провести серию улучшений и сравнить результаты с простыми бейзлайнами.
Домашнее задание 2
Выдаётся после лекции №6. Требуется реализовать альтернативный рекомендательный алгоритм на основе, item-based KNN и сравнить его с базовыми моделями.
Домашнее задание 3
Выдаётся после лекции №8. Студенту предлагается реализовать эффективную версию взвешенной матричной факторизации для задачи теплого старта.
Домашнее задание 4
Выдаётся после лекции №11 Настройка и обучение гибридной рекомендательной модели в контексте холодного старта.
Kaggle-соревнование
Студенты участвуют в онлайн-соревновании, доступ к которому открывается после лекции №3. Оценка зависит от позиции на публичном лидерборде (по заранее объявленным уровням) и может быть дополнена бонусными баллами за результат на приватном лидерборде.
Контрольная работа
Проводится в письменном виде в аудитории после лекции №11. Содержит 7 задач по темам лекций 2–11. Разрешено пользоваться печатными материалами. Длительность 40 мин.
Командный проект
Выполняется в группах по 2–5 человек. Студенты могут предложить собственную тему, требующую одобрения. Проект должен включать реализацию рекомендательной модели, исследование или разработку приложения. При выдающем результате может заменить одно ДЗ и Kaggle.

Промежуточная аттестация

2025/2026 2nd module
Итог = Округление(0.25 × ДЗ + 0.25 × Kaggle + 0.25 × КР + 0.25 × Проект) где: ДЗ — средняя оценка за два домашних задания Kaggle — оценка за участие в соревновании КР — оценка за контрольную работу Проект — оценка за командный проект

Список литературы

Авторы

Кононова Елизавета Дмитриевна
Фролов Евгений Петрович

Программа дисциплины