slides

О Курсе

Курс посвящен реально работающим рекомендательным сервисам. Они помогают нам находить друзей в социальных сетях, заказывать вкусную еду или выбрать сериал на вечер. А мы знаем о них слишком мало. Настало время это исправить!

В рамках этого курса мы расскажем, как рекомендательные системы выбирают лучшее персонально для вас и какие данные им для этого нужны. Обсудим перспективные направления (диплернинг!) и проблемы, которые есть у современных рекомендеров. В отличие от других курсов по рекомендациям, мы не ограничимся только моделями машинного обучения и метриками. Мы углубимся в вопросы бизнеса, архитектуры боевых рекомендеров и поддержание долгосрочного здоровья рекомендательных систем. А на практической части вы напишете свой музыкальный рекомендер, который будет максимально похож на боевой.

Программа

Промо-лекция о курсе

Темы

1. Идея курса и краткий обзор занятий
2. Зачем нужны рекомендательные сервисы
3. Как организовано взаимодействие преподавателя и студентов

Рекомендательные сервисы в продакшене

Темы

1. Архитектуры известных рекомендательных сервисов: Mendeley, Netflix, Spotify, Youtube, Tiktok
2. Измеряем качество рекомендаций: метрики и A/B эксперименты

Семинар

Измеряем эффект алгоритма рекомендаций с помощью A/B эксперимента

Метрики и базовые подходы

Темы

1. Спектр методов оценки качества рекомендательного сервиса
2. Метрики офлайн оценки: релевантность, покрытие, разнообразие, новизна, неожиданность

Семинар

Сравниваем бейзлайн-рекомендеры офлайн и онлайн

Классические алгоритмы

Темы

1. Таксономия классических подходов в рекомендациях
2. Контентные рекомендеры
3. Коллаборативные рекомендеры: neighbourhood-based подход
4. Коллаборативные рекомендеры: model-based подход. Модификации SVD.

Семинар

Используем lightfm модель для коллаборативных рекомендаций

Домашнее задание

Улучшаем модель рекомендаций, чтобы победить бейзлайны с семинаров

Нейросетевые рекомендеры

Темы

1. Плавный переход от классических рекомендеров к нейросетевым
2. Примеры нейросетевых моделей для отбора кандидатов: NCF, DSSM, youtube, Bert4Rec, DFN
3. Примеры нейросетевых моделей для ранжирований: youtube, wide & deep, deep & cross
4. Примеры нейросетевых контентных рекомендеров: CB2CF, PinSage
5. Проблемы нейросетевого подхода

Семинар

Пробуем нейросетевой рекомендер

Нерешенные проблемы и новые направления

Темы

1. Разнообразие рекомендаций
2. Объяснимые рекомендации
3. Causal рекомендеры
4. Несмещенные рекомендации

Семинар

Пробуем разнообразить рекомендации

Рекомендации и Reinforcement Learning

Темы

1. Что RL может предложить в задаче рекомендаций, какие есть трудности с его применением
2. Exploration/Exploitation dilemma
3. Многорукие бандиты
4. Примеры применения полной постановки RL в рекомендациях

Семинар

AMA сессия