Рекомендательные системы

2026/2027

Статус: Маго-лего

Кто читает: Базовая кафедра МТС

Где читается: Факультет компьютерных наук

Когда читается: 1 модуль

Охват аудитории: для своего кампуса

Язык: русский

Кредиты: 3

Контактные часы: 28

Дополнительные материалы в LMS Задать вопрос

Аннотация

Дисциплина посвящена изучению основных подходов к построению современных рекомендательных систем — от эвристических методов, KNN и матричной факторизации до гибридных моделей, градиентного бустинга, нейросетевых архитектур и трансформеров для последовательных рекомендаций. В рамках курса рассматриваются методы генерации кандидатов и их реранжирования, использование контентных признаков, приближенный поиск соседей, валидация и оценка качества рекомендаций, а также проведение A/B-тестирования. Особое внимание уделяется построению полного пайплайна рекомендательной системы и организации Offline-, Nearline- и Online-сценариев ее работы в production.

Цель освоения дисциплины

Формирование системного представления о принципах построения, оценки и эксплуатации рекомендательных систем, а также практических навыков выбора и реализации алгоритмов генерации рекомендаций и реранжирования, организации валидации, A/B-тестирования и production-пайплайна для Offline-, Nearline- и Online-сценариев

Планируемые результаты обучения

Формирование представления о задачах рекомендательных систем и методах оценки качества рекомендаций
Умение строить рекомендательные модели на основе эвристик, KNN-подходов и линейных моделей, а также выполнять их валидацию и сравнение
Применение методов коллаборативной фильтрации на основе матричной факторизации и приближённого поиска ближайших соседей
Умение строить гибридные рекомендательные модели с использованием контентной информации и признаков пользователей и объектов
Применение нейросетевых подходов и трансформеров для построения последовательных рекомендаций
Умение проектировать двухэтапные рекомендательные системы, включающие генерацию кандидатов и их последующее реранжирование с помощью градиентного бустинга
Понимание особенностей Offline-, Nearline- и Online-сценариев, а также принципов развёртывания рекомендательных систем и проведения A/B-тестирования

Содержание учебной дисциплины

Введение в рекомендательные системы и оценка качества
Эвристики и коллаборативная фильтрация
Матричная факторизация и поиск соседей
Гибридные рекомендательные модели
Deep Learning в рекомендательных системах
Двухэтапный рекомендательный пайплайн
Продуктивизация рекомендаций и инфраструктура

Элементы контроля

Домашнее задание 1
Работы, содержащие плагиат или выполненные не самостоятельно, оцениваются в 0 баллов. Если студент не согласен с решением, проводится встреча с преподавателем, на которой необходимо объяснить ход решения и подтвердить самостоятельность выполнения работы. По результатам встречи оценка может быть пересмотрена.
Домашнее задание 2
Работы, содержащие плагиат или выполненные не самостоятельно, оцениваются в 0 баллов. Если студент не согласен с решением, проводится встреча с преподавателем, на которой необходимо объяснить ход решения и подтвердить самостоятельность выполнения работы. По результатам встречи оценка может быть пересмотрена.

Промежуточная аттестация

2026/2027 1st module
0.4 * Домашнее задание 1 + 0.6 * Домашнее задание 2

Программа дисциплины