2024/2025

Рекомендательные системы

Статус: Маго-лего

Кто читает: Департамент больших данных и информационного поиска

Когда читается: 3, 4 модуль

Охват аудитории: для своего кампуса

Язык: русский

Кредиты: 6

Программа дисциплины

Аннотация

Курс нацелен на формирование у слушателя достаточных знаний, навыков и компетенций для построения рекомендательных систем. Курс является прикладным и охватывает все продвинутые темы, необходимые для успешного применения как в индустрии, так и в академических исследованиях. Слушатели курса научатся постановке и имплементации рекомендательных ML моделей на Python от простой коллаборативной фильтрации до современных нейронных сетей.

Цель освоения дисциплины

• Знать основные подходы рекомендательных систем и алгоритмов к решению задачи ранжирования и рекомендаций пользователям.
• Уметь правильно определять и формализовывать задачу для построения рекомендательной системы.
• Определять и имплементировать функции ранжирования и метрики качества оценки алгоритмов.
• Разрабатывать модели машинного обучения для рекомендательных систем разной сложности на языке программирования Python.
• Объяснять и интерпретировать предсказания на локальном и глобальном уровне моделей, использовать их для отладки ошибок и аномалий.
• Разрабатывать базовые API сервисы для рекомендательных моделей с помощью docker.

Планируемые результаты обучения

• Умение разрабатывать модели машинного обучения для рекомендательных систем разной сложности на языке программирования Python.
• Умение объяснять и интерпретировать предсказания на локальном и глобальном уровне моделей, использовать их для отладки ошибок и аномалий.
• Умение разрабатывать базовые API сервисы для рекомендательных моделей с помощью docker.

Содержание учебной дисциплины

• Введение в рекомендательные системы
• Базовые подходы. Item-2-item рекомендации
• Матричная факторизация
• Коллаборативная фильтрация.
• Контентные и контекстные модели.
• Гибридные модели.
• Нейросетевые модели для задачи next-item рекомендаций
• Нейросетевые модели для задачи NBR (next-basket recommendation)
• Автоэнкодеры и вариационные автоэнкодеры для рекомендаций.
• Графовые нейросетевые модели.
• Интерпретируемость и объяснимость моделей.
• Uplift и экономические рекомендательные системы
• Multi-task и cross-domain рекомендательные модели.
• RL для рекомендательных систем.
• Контентные рекомендации на мультимодальных данных
• A/B тестирование рекомендательной системы.
• Large scale RecSys
• Написание сервиса рекомендательной системы.
• LLM для рекомендаций.
• Контекстные рекомендации
• Прикладные аспекты и тренды в рекомендательных системах

Элементы контроля

• Домашнее задание 1
• Реферат
• Экзамен
• Домашнее задание 2
• Тест
• Домашнее задание 2
• Домашнее задание 4
• Домашнее задание 5
• Тест
• Экзамен
• Домашнее здание 3
• Домашнее задание 1

Промежуточная аттестация

• 2024/2025 4th module
  Итог = Округление(0.3 * ДЗ + 0.3 * Т + 0.4 * Э) где ДЗ — средняя оценка за все домашние задания, Т — средняя оценка за все тесты, Э — оценка за экзамен.

Список литературы

Рекомендуемая основная литература

• Manouselis, N., Drachsler, H., Verbert, K., Duval, E. Recommender Systems for Learning. – Springer, 2013. – ЭБС Books 24x7.

Рекомендуемая дополнительная литература

• Parul Aggarwal, Vishal Tomar, & Aditya Kathuria. (2017). Comparing Content Based and Collaborative Filtering in Recommender Systems. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsbas&AN=edsbas.32D5064E

Авторы

• Солдатова Татьяна Владимировна