Магистратура
2026/2027
Рекомендательные системы
Статус:
Курс по выбору (Машинное обучение в цифровом продукте)
Где читается:
Факультет компьютерных наук
Когда читается:
2-й курс, 1, 2 модуль
Охват аудитории:
для своего кампуса
Язык:
русский
Кредиты:
6
Контактные часы:
56
Программа дисциплины
Аннотация
Дисциплина посвящена проектированию, разработке и оценке рекомендательных систем — ключевого компонента современных цифровых платформ (e-commerce, стриминг, социальные сети, образование, финтех). В курсе рассматриваются все этапы создания рекомендательного сервиса: от постановки задачи и работы с данными до внедрения двухэтапной архитектуры (кандидатогенерация и ранжирование), онлайн-оценки и мониторинга. Особое внимание уделяется классическим подходам (коллаборативная фильтрация, матричная факторизация, контентные методы), гибридным моделям, а также современным нейросетевым архитектурам (двухбашенные модели, трансформеры для последовательностей, графовые и LLM-подходы). Курс сочетает теоретические основы с практическими кейсами и включает сквозной проект по созданию рекомендательной системы.
Цель освоения дисциплины
- Сформировать у слушателей системное понимание принципов построения рекомендательных систем, навыки выбора и адаптации методов под конкретные продуктовые задачи, умение проектировать офлайн- и онлайн-эксперименты, а также готовность к индустриальной реализации рекомендательных сервисов.
Планируемые результаты обучения
- Понимать продуктовые задачи, решаемые рекомендательными системами, и основные типы обратной связи.
- Уметь обрабатывать пользовательские взаимодействия, строить признаки и корректно разбивать данные для обучения и оценки.
- Владеть методами коллаборативной фильтрации (kNN, матричная факторизация) и контентными подходами.
- Строить гибридные модели и реализовывать двухэтапную архитектуру (candidate generation + ranking).
- Применять метрики качества для задач ранжирования и топ-K рекомендаций, интерпретировать их ограничения.
- Понимать принципы обучения-to-rank, нейросетевых архитектур (Wide&Deep, DeepFM, трансформеры) и графовых моделей.
- Организовывать A/B-тестирование и анализировать результаты, учитывать смещения данных.
- Внедрять и мониторить рекомендательный сервис в промышленной среде, оценивать бизнес-эффект.
- Критически оценивать современные направления (LLM в рекомендациях, мультимодальность, объяснимость).
- Применять изученные методы к реальным данным, проводить сравнительные эксперименты, интерпретировать метрики и формулировать рекомендации для бизнеса.
Содержание учебной дисциплины
- Введение в рекомендательные системы
- Данные и постановка задачи рекомендации
- Коллаборативная фильтрация
- Матричная факторизация
- Ранжирование и оценка качества
- Контентные рекомендации
- Гибридные модели
- Двухэтапная архитектура рекомендательной системы
- Кандидатогенерация
- Ранжирование кандидатов
- Последовательные рекомендательные модели
- Контекстные рекомендации и смещения данных
- Онлайн-оценка и A/B-тестирование
- Развёртывание и эксплуатация рекомендательной системы
- Масштабирование, ответственность и прикладные ограничения
- Современные направления и защита проектов
Элементы контроля
- Домашние работы (проекты)Студенты выполняют серию практических заданий, последовательно покрывающих основные темы курса. Каждая работа включает: — реализацию модели (от базовых baseline до современных нейросетевых архитектур); — обработку реальных датасетов (MovieLens, Amazon, Yelp и др.); — постановку эксперимента, выбор метрик и сравнение методов; — анализ результатов, выявление ограничений и формулирование выводов; — итоговый сквозной проект по созданию рекомендательной системы с документированием.
- ЭкзаменЭкзамен проводится по билетам, каждый билет содержит два вопроса: один теоретический (понимание принципов работы методов) и один практический (анализ конкретной ситуации или проектирование решения). Допускается использование конспектов.
Список литературы
Рекомендуемая основная литература
- 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
- Hastie, T., Tibshirani, R., Friedman, J. The elements of statistical learning: Data Mining, Inference, and Prediction. – Springer, 2009. – 745 pp.
- The elements of statistical learning : data mining, inference, and prediction, Hastie, T., 2017