Рекомендательные системы

Объём: 4 акад. часа Что входит: • Бизнес-кейсы: e-commerce, streaming, edtech, media, marketplace. • Типы задач: similar items, personalized ranking, next best offer, continue watching / reading / learning. • Связь между бизнес-целью и типом рекомендательной задачи. • Типовые ошибки постановки задачи. Практика: формулировка продуктового кейса и типа recommendation task. Результат: таблица «бизнес-цель → тип рекомендации → входные данные → целевая метрика».

Объём: 4 акад. часа Что входит: • Явный и неявный feedback. • User-item matrix и подготовка датасета. • Popular items, heuristic и rule-based recommendations как baseline. • Подготовка данных для экспериментов. Практика: построение baseline-рекомендаций на Python. Результат: baseline recommender и подготовленный датасет.

Объём: 4 акад. часа Что входит: • User-based и item-based collaborative filtering. • Cosine similarity и correlation. • Sparsity problem и ограничения memory-based подходов. • Matrix factorization как следующий шаг. Практика: реализация collaborative filtering и сравнение user-based / item-based вариантов. Результат: рабочая CF-модель и сравнительная таблица подходов.

Объём: 4 акад. часа Что входит: • Когда content-based полезнее collaborative filtering. • Построение признаков объектов: TF-IDF, CountVectorizer, metadata features. • Similarity между объектами. • Hybrid recommendation через blending и rule-based merge. Практика: построение content-based рекомендации и сборка simple hybrid recommender. Результат: hybrid recommender для прикладного кейса.

Объём: 4 акад. часа Что входит: • Почему accuracy не подходит для recommender systems. • RMSE и MAE для rating prediction. • Ranking metrics: Precision@K, Recall@K, MAP, MRR, NDCG. • Offline evaluation и корректный split данных. Практика: подсчёт и сравнение метрик для нескольких моделей. Результат: матрица качества моделей и шаблон оценки recommender system.

Объём: 4 акад. часа Что входит: • Где заканчиваются возможности классического CF. • Embeddings пользователей и объектов. • Implicit feedback models. • Neural Collaborative Filtering как пример продвинутого подхода. Практика: разбор embedding-based или NCF-пайплайна и сравнение с классическими подходами. Результат: понимание границы между baseline, classical и neural recommender.

Объём: 4 акад. часа Что входит: • Offline training, candidate generation, ranking, API serving. • Online vs offline recommendations. • Кэширование, обновление выдачи и хранение результатов. • Логирование событий для повторного обучения. Практика: проектирование архитектурной схемы recommendation service. Результат: architecture blueprint recommendation service.

Объём: 4 акад. часа Что входит: • A/B testing для рекомендаций. • Online-метрики и бизнес-метрики. • Обратная связь пользователей. • Мониторинг качества после релиза и финальная сборка проекта. Практика: подготовка и защита итогового мини-проекта. Результат: законченный прикладной проект рекомендательной системы.