#recsys — Public Fediverse posts
Live and recent posts from across the Fediverse tagged #recsys, aggregated by home.social.
-
Как LLM научила рекомендательную модель видеть больше, чем историю взаимодействий
Привет, Хабр! Меня зовут Алексей Васильев, я тимлид команды «Рекомендательные системы и персонализация» Sber AI Lab — Центра практического искусственного интеллекта Сбера. В нашей команде мы занимаемся исследованиями в области рекомендаций на последовательностях (sequential recommendations). Например, прослушивания музыки или просмотры карточек товаров можно представить как последовательность взаимодействий пользователя. А для моделирования последовательностей, как мы знаем, отлично подходят трансформеры: популярные варианты в рекомендациях — SASRec и BERT4Rec. Эти модели прекрасно справляются с задачей рекомендаций на основе взаимодействий, но они ничего не знают о самих товарах. Допустим, пользователь покупает безлактозный йогурт и растительный сыр. У нас сразу появляется гипотеза: возможно, пользователь не переносит лактозу. Однако для sequential‑модели это не очевидный факт, а статистический паттерн, который нужно выучить из взаимодействий. Если данных мало, товары редкие или связи между ними плохо представлены в истории, то такой смысл легко потерять. Большие языковые модели в данной ситуации выглядят подходящим решением. Они умеют читать описания товаров, анализировать историю взаимодействий и выделять предпочтения пользователя. Казалось бы, можно просто взять LLM и использовать её как рекомендательную систему. Но и здесь всё не так просто: использовать LLM на инференсе дорого, медленно и сложно с точки зрения масштабирования на миллионы пользователей.
https://habr.com/ru/companies/sberbank/articles/1038108/
#рекомендательная_модель #история_взаимодействий #recsys #ml #машинное_обучение #рекомендательные_системы
-
Как LLM научила рекомендательную модель видеть больше, чем историю взаимодействий
Привет, Хабр! Меня зовут Алексей Васильев, я тимлид команды «Рекомендательные системы и персонализация» Sber AI Lab — Центра практического искусственного интеллекта Сбера. В нашей команде мы занимаемся исследованиями в области рекомендаций на последовательностях (sequential recommendations). Например, прослушивания музыки или просмотры карточек товаров можно представить как последовательность взаимодействий пользователя. А для моделирования последовательностей, как мы знаем, отлично подходят трансформеры: популярные варианты в рекомендациях — SASRec и BERT4Rec. Эти модели прекрасно справляются с задачей рекомендаций на основе взаимодействий, но они ничего не знают о самих товарах. Допустим, пользователь покупает безлактозный йогурт и растительный сыр. У нас сразу появляется гипотеза: возможно, пользователь не переносит лактозу. Однако для sequential‑модели это не очевидный факт, а статистический паттерн, который нужно выучить из взаимодействий. Если данных мало, товары редкие или связи между ними плохо представлены в истории, то такой смысл легко потерять. Большие языковые модели в данной ситуации выглядят подходящим решением. Они умеют читать описания товаров, анализировать историю взаимодействий и выделять предпочтения пользователя. Казалось бы, можно просто взять LLM и использовать её как рекомендательную систему. Но и здесь всё не так просто: использовать LLM на инференсе дорого, медленно и сложно с точки зрения масштабирования на миллионы пользователей.
https://habr.com/ru/companies/sberbank/articles/1038108/
#рекомендательная_модель #история_взаимодействий #recsys #ml #машинное_обучение #рекомендательные_системы
-
Как LLM научила рекомендательную модель видеть больше, чем историю взаимодействий
Привет, Хабр! Меня зовут Алексей Васильев, я тимлид команды «Рекомендательные системы и персонализация» Sber AI Lab — Центра практического искусственного интеллекта Сбера. В нашей команде мы занимаемся исследованиями в области рекомендаций на последовательностях (sequential recommendations). Например, прослушивания музыки или просмотры карточек товаров можно представить как последовательность взаимодействий пользователя. А для моделирования последовательностей, как мы знаем, отлично подходят трансформеры: популярные варианты в рекомендациях — SASRec и BERT4Rec. Эти модели прекрасно справляются с задачей рекомендаций на основе взаимодействий, но они ничего не знают о самих товарах. Допустим, пользователь покупает безлактозный йогурт и растительный сыр. У нас сразу появляется гипотеза: возможно, пользователь не переносит лактозу. Однако для sequential‑модели это не очевидный факт, а статистический паттерн, который нужно выучить из взаимодействий. Если данных мало, товары редкие или связи между ними плохо представлены в истории, то такой смысл легко потерять. Большие языковые модели в данной ситуации выглядят подходящим решением. Они умеют читать описания товаров, анализировать историю взаимодействий и выделять предпочтения пользователя. Казалось бы, можно просто взять LLM и использовать её как рекомендательную систему. Но и здесь всё не так просто: использовать LLM на инференсе дорого, медленно и сложно с точки зрения масштабирования на миллионы пользователей.
https://habr.com/ru/companies/sberbank/articles/1038108/
#рекомендательная_модель #история_взаимодействий #recsys #ml #машинное_обучение #рекомендательные_системы
-
Как LLM научила рекомендательную модель видеть больше, чем историю взаимодействий
Привет, Хабр! Меня зовут Алексей Васильев, я тимлид команды «Рекомендательные системы и персонализация» Sber AI Lab — Центра практического искусственного интеллекта Сбера. В нашей команде мы занимаемся исследованиями в области рекомендаций на последовательностях (sequential recommendations). Например, прослушивания музыки или просмотры карточек товаров можно представить как последовательность взаимодействий пользователя. А для моделирования последовательностей, как мы знаем, отлично подходят трансформеры: популярные варианты в рекомендациях — SASRec и BERT4Rec. Эти модели прекрасно справляются с задачей рекомендаций на основе взаимодействий, но они ничего не знают о самих товарах. Допустим, пользователь покупает безлактозный йогурт и растительный сыр. У нас сразу появляется гипотеза: возможно, пользователь не переносит лактозу. Однако для sequential‑модели это не очевидный факт, а статистический паттерн, который нужно выучить из взаимодействий. Если данных мало, товары редкие или связи между ними плохо представлены в истории, то такой смысл легко потерять. Большие языковые модели в данной ситуации выглядят подходящим решением. Они умеют читать описания товаров, анализировать историю взаимодействий и выделять предпочтения пользователя. Казалось бы, можно просто взять LLM и использовать её как рекомендательную систему. Но и здесь всё не так просто: использовать LLM на инференсе дорого, медленно и сложно с точки зрения масштабирования на миллионы пользователей.
https://habr.com/ru/companies/sberbank/articles/1038108/
#рекомендательная_модель #история_взаимодействий #recsys #ml #машинное_обучение #рекомендательные_системы
-
От фич и каскадов к генеративной модели: как мы переосмыслили рекомендации с помощью ARGUS
Классические рекомендательные системы в крупных компаниях — это десятки микросервисов, каскадная фильтрация и тысячи ручных признаков. Такой стек может надёжно работать годами, но неизбежно упирается в фундаментальную проблему: он перестаёт масштабироваться. Качество выходит на плато — всё меньше отдачи от новых фич, усложнения моделей и наращивания данных. Генеративная постановка, когда модель восстанавливает целые последовательности пользовательских действий, обещает принести в рекомендации законы масштабирования, снизить операционную сложность и открыть путь к единой кросс‑сервисной модели. Но между обещанием и продакшеном — огромная дистанция. Нужно понять, какая токенизация работает, как устроить претрейн, что делать с контекстом, негативами и задержками в реальных распределённых системах. Последний год мы адаптировали нашу генеративную модель персонализации ARGUS под разные домены внутри Яндекса, меняли архитектуру, пересобирали обучение и пробовали новые способы интеграции в продакшене. В этой статье я расскажу, какие решения сработали, какие — нет и что нам дала генеративная постановка в реальных рекомендательных системах.
https://habr.com/ru/companies/yandex/articles/1037766/
#рекомендации #machinelearning #ai #ml #рекомендательные_системы #recsys #argus #алгоритмы #softmax
-
От фич и каскадов к генеративной модели: как мы переосмыслили рекомендации с помощью ARGUS
Классические рекомендательные системы в крупных компаниях — это десятки микросервисов, каскадная фильтрация и тысячи ручных признаков. Такой стек может надёжно работать годами, но неизбежно упирается в фундаментальную проблему: он перестаёт масштабироваться. Качество выходит на плато — всё меньше отдачи от новых фич, усложнения моделей и наращивания данных. Генеративная постановка, когда модель восстанавливает целые последовательности пользовательских действий, обещает принести в рекомендации законы масштабирования, снизить операционную сложность и открыть путь к единой кросс‑сервисной модели. Но между обещанием и продакшеном — огромная дистанция. Нужно понять, какая токенизация работает, как устроить претрейн, что делать с контекстом, негативами и задержками в реальных распределённых системах. Последний год мы адаптировали нашу генеративную модель персонализации ARGUS под разные домены внутри Яндекса, меняли архитектуру, пересобирали обучение и пробовали новые способы интеграции в продакшене. В этой статье я расскажу, какие решения сработали, какие — нет и что нам дала генеративная постановка в реальных рекомендательных системах.
https://habr.com/ru/companies/yandex/articles/1037766/
#рекомендации #machinelearning #ai #ml #рекомендательные_системы #recsys #argus #алгоритмы #softmax
-
От фич и каскадов к генеративной модели: как мы переосмыслили рекомендации с помощью ARGUS
Классические рекомендательные системы в крупных компаниях — это десятки микросервисов, каскадная фильтрация и тысячи ручных признаков. Такой стек может надёжно работать годами, но неизбежно упирается в фундаментальную проблему: он перестаёт масштабироваться. Качество выходит на плато — всё меньше отдачи от новых фич, усложнения моделей и наращивания данных. Генеративная постановка, когда модель восстанавливает целые последовательности пользовательских действий, обещает принести в рекомендации законы масштабирования, снизить операционную сложность и открыть путь к единой кросс‑сервисной модели. Но между обещанием и продакшеном — огромная дистанция. Нужно понять, какая токенизация работает, как устроить претрейн, что делать с контекстом, негативами и задержками в реальных распределённых системах. Последний год мы адаптировали нашу генеративную модель персонализации ARGUS под разные домены внутри Яндекса, меняли архитектуру, пересобирали обучение и пробовали новые способы интеграции в продакшене. В этой статье я расскажу, какие решения сработали, какие — нет и что нам дала генеративная постановка в реальных рекомендательных системах.
https://habr.com/ru/companies/yandex/articles/1037766/
#рекомендации #machinelearning #ai #ml #рекомендательные_системы #recsys #argus #алгоритмы #softmax
-
От фич и каскадов к генеративной модели: как мы переосмыслили рекомендации с помощью ARGUS
Классические рекомендательные системы в крупных компаниях — это десятки микросервисов, каскадная фильтрация и тысячи ручных признаков. Такой стек может надёжно работать годами, но неизбежно упирается в фундаментальную проблему: он перестаёт масштабироваться. Качество выходит на плато — всё меньше отдачи от новых фич, усложнения моделей и наращивания данных. Генеративная постановка, когда модель восстанавливает целые последовательности пользовательских действий, обещает принести в рекомендации законы масштабирования, снизить операционную сложность и открыть путь к единой кросс‑сервисной модели. Но между обещанием и продакшеном — огромная дистанция. Нужно понять, какая токенизация работает, как устроить претрейн, что делать с контекстом, негативами и задержками в реальных распределённых системах. Последний год мы адаптировали нашу генеративную модель персонализации ARGUS под разные домены внутри Яндекса, меняли архитектуру, пересобирали обучение и пробовали новые способы интеграции в продакшене. В этой статье я расскажу, какие решения сработали, какие — нет и что нам дала генеративная постановка в реальных рекомендательных системах.
https://habr.com/ru/companies/yandex/articles/1037766/
#рекомендации #machinelearning #ai #ml #рекомендательные_системы #recsys #argus #алгоритмы #softmax
-
-
-
-
-
-
A discovery / fresh articulation I had in class today: one of the things I love about #recsys is the direct connection between math and human experience. Here's a statistical property, and here's why naïvely using it would turn your recommender into a door-to-door missionary for the Good News of Bananas.
-
A discovery / fresh articulation I had in class today: one of the things I love about #recsys is the direct connection between math and human experience. Here's a statistical property, and here's why naïvely using it would turn your recommender into a door-to-door missionary for the Good News of Bananas.
-
A discovery / fresh articulation I had in class today: one of the things I love about #recsys is the direct connection between math and human experience. Here's a statistical property, and here's why naïvely using it would turn your recommender into a door-to-door missionary for the Good News of Bananas.
-
A discovery / fresh articulation I had in class today: one of the things I love about #recsys is the direct connection between math and human experience. Here's a statistical property, and here's why naïvely using it would turn your recommender into a door-to-door missionary for the Good News of Bananas.
-
A discovery / fresh articulation I had in class today: one of the things I love about #recsys is the direct connection between math and human experience. Here's a statistical property, and here's why naïvely using it would turn your recommender into a door-to-door missionary for the Good News of Bananas.
-
Please, contribute to the 20th ACM Conference on Recommender Systems (#RecSys2026) by submitting nominations for the Women in #RecSys Journal Paper of the Year Awards.
-
Please, contribute to the 20th ACM Conference on Recommender Systems (#RecSys2026) by submitting nominations for the Women in #RecSys Journal Paper of the Year Awards.
-
Please, contribute to the 20th ACM Conference on Recommender Systems (#RecSys2026) by submitting nominations for the Women in #RecSys Journal Paper of the Year Awards.
-
Please, contribute to the 20th ACM Conference on Recommender Systems (#RecSys2026) by submitting nominations for the Women in #RecSys Journal Paper of the Year Awards.
-
Please, contribute to the 20th ACM Conference on Recommender Systems (#RecSys2026) by submitting nominations for the Women in #RecSys Journal Paper of the Year Awards.
-
Title: P4: Prompt-engineering CoT [2024-11-20 Wed]
powerful decoder. The discrete nature of VQ-VAE ensures
that the latent variables are not collapsed and are
actively used in the model.
- - - - - - - - - - - - - - - - - -
I published calendar with holidays and biggest conferences
for Emacs at MELPA for 2024 and 2025. I am going to
maintain this calendar to promote EmacsConf, FOSDEM and
AI conferences.
蠡 #dailyreport #promptengineering #vae #recsys #emacs -
Title: P3: Prompt-engineering CoT [2024-11-20 Wed]
It's application are “Recomendation Systems with
Generative Retrieval” https://arxiv.org/pdf/2305.05065
that use Transformer model with embedding retrival for
RecSys.In contrast to continuous VAEs, QV-VAE uses discrete
latent representation of a finite set of learned
embeddings.
VQ-VAE avoids the issue of "posterior collapse" often seen
in VAEs, where the latent variables are ignored by a #dailyreport #promptengineering #vae #recsys #emacs -
Title: P2: Prompt-engineering CoT [2024-11-20 Wed]
more.
- CoT prompting constrains the model to follow an
artificial strategy curated through human knowledge and
intervention which could be biased by the prompt
designers.
- - - - - - - - - - - - - - - - - -
I have been reading about Residual Vector Quantisation
Variational AutoEncoder RQ-VAE.
- https://arxiv.org/pdf/1711.00937
- https://notesbylex.com/residual-vector-quantisation #dailyreport #promptengineering #vae #recsys #emacs -
Title: P2: P1: Prompt-engineering CoT [2024-11-20 Wed]
answering shortly. Ex. “Yes. No. Idk”. Models are
highly influenced by the distribution they have been
trained on.
- Model starts to struggle with generating the correct
CoT-paths when the steps become 3 or #dailyreport #promptengineering #vae #recsys #emacs -
Title: P1: P1: Prompt-engineering CoT [2024-11-20 Wed]
selecting most probable next word. This give a big
reasoning boost.
- LLMs can reason if we consider the alternative decoding paths.
- Model is predisposed to immediate problem-solving, by #dailyreport #promptengineering #vae #recsys #emacs -
Title: P0: Prompt-engineering CoT [2024-11-20 Wed]
I have been reading "Chain-of-Thought Reasoning without
Prompting" https://arxiv.org/pdf/2402.10200Technique that increase reasoning with costs of LLM
computations by keeps track of multiple potential
sequences at each step, then selects the top ‘k’ most
probable sequences from these new sequences. It is beam
approach than replce "gready decoding" approch by just #dailyreport #promptengineering #vae #recsys #emacs -
#ECIR2026 presentation by Savvina Daniil: "On the challenges of studying bias in Recommender Systems: The effect of data characteristics and algorithm configuration", the first paper of #IRRJ Volume 1 Number 1: https://doi.org/10.54195/irrj.19607
(this paper was presented at #RecSys too!) -
#ECIR2026 presentation by Savvina Daniil: "On the challenges of studying bias in Recommender Systems: The effect of data characteristics and algorithm configuration", the first paper of #IRRJ Volume 1 Number 1: https://doi.org/10.54195/irrj.19607
(this paper was presented at #RecSys too!) -
#ECIR2026 presentation by Savvina Daniil: "On the challenges of studying bias in Recommender Systems: The effect of data characteristics and algorithm configuration", the first paper of #IRRJ Volume 1 Number 1: https://doi.org/10.54195/irrj.19607
(this paper was presented at #RecSys too!) -
#ECIR2026 presentation by Savvina Daniil: "On the challenges of studying bias in Recommender Systems: The effect of data characteristics and algorithm configuration", the first paper of #IRRJ Volume 1 Number 1: https://doi.org/10.54195/irrj.19607
(this paper was presented at #RecSys too!) -
#ECIR2026 presentation by Savvina Daniil: "On the challenges of studying bias in Recommender Systems: The effect of data characteristics and algorithm configuration", the first paper of #IRRJ Volume 1 Number 1: https://orcid.org/0000-0001-8888-2869
(this paper was presented at #RecSys too!) -
Моя волна — теперь и в офлайне. Рассказываем, как уместили рекомендательную систему в сотню килобайт
Несколько лет назад мы представили Мою волну — систему персональных рекомендаций в Яндекс Музыке, которая подстраивается под предпочтения пользователей. В её основе — рекомендательные нейросети-трансформеры, размер которых может достигать сотен миллиардов параметров, и поэтому без мощных дата-центров их работа просто невозможна. Сегодня мы впервые представляем нашу новую рекомендательную технологию TinyML, которая работает локально, на обычном смартфоне. Теперь при потере доступа в интернет Моя волна не просто бесшовно продолжит воспроизведение музыки, но и будет подстраиваться под действия пользователя и формировать рекомендации, исходя из его предпочтений в текущий момент. Как это работает и что нам пришлось для этого создать — расскажем под катом.
https://habr.com/ru/companies/yandex/articles/1010992/
#recsys #рекомендательные_системы #ml #яндекс #яндекс_музыка #команда_яндекс_музыки
-
Моя волна — теперь и в офлайне. Рассказываем, как уместили рекомендательную систему в сотню килобайт
Несколько лет назад мы представили Мою волну — систему персональных рекомендаций в Яндекс Музыке, которая подстраивается под предпочтения пользователей. В её основе — рекомендательные нейросети-трансформеры, размер которых может достигать сотен миллиардов параметров, и поэтому без мощных дата-центров их работа просто невозможна. Сегодня мы впервые представляем нашу новую рекомендательную технологию TinyML, которая работает локально, на обычном смартфоне. Теперь при потере доступа в интернет Моя волна не просто бесшовно продолжит воспроизведение музыки, но и будет подстраиваться под действия пользователя и формировать рекомендации, исходя из его предпочтений в текущий момент. Как это работает и что нам пришлось для этого создать — расскажем под катом.
https://habr.com/ru/companies/yandex/articles/1010992/
#recsys #рекомендательные_системы #ml #яндекс #яндекс_музыка #команда_яндекс_музыки
-
Моя волна — теперь и в офлайне. Рассказываем, как уместили рекомендательную систему в сотню килобайт
Несколько лет назад мы представили Мою волну — систему персональных рекомендаций в Яндекс Музыке, которая подстраивается под предпочтения пользователей. В её основе — рекомендательные нейросети-трансформеры, размер которых может достигать сотен миллиардов параметров, и поэтому без мощных дата-центров их работа просто невозможна. Сегодня мы впервые представляем нашу новую рекомендательную технологию TinyML, которая работает локально, на обычном смартфоне. Теперь при потере доступа в интернет Моя волна не просто бесшовно продолжит воспроизведение музыки, но и будет подстраиваться под действия пользователя и формировать рекомендации, исходя из его предпочтений в текущий момент. Как это работает и что нам пришлось для этого создать — расскажем под катом.
https://habr.com/ru/companies/yandex/articles/1010992/
#recsys #рекомендательные_системы #ml #яндекс #яндекс_музыка #команда_яндекс_музыки
-
Моя волна — теперь и в офлайне. Рассказываем, как уместили рекомендательную систему в сотню килобайт
Несколько лет назад мы представили Мою волну — систему персональных рекомендаций в Яндекс Музыке, которая подстраивается под предпочтения пользователей. В её основе — рекомендательные нейросети-трансформеры, размер которых может достигать сотен миллиардов параметров, и поэтому без мощных дата-центров их работа просто невозможна. Сегодня мы впервые представляем нашу новую рекомендательную технологию TinyML, которая работает локально, на обычном смартфоне. Теперь при потере доступа в интернет Моя волна не просто бесшовно продолжит воспроизведение музыки, но и будет подстраиваться под действия пользователя и формировать рекомендации, исходя из его предпочтений в текущий момент. Как это работает и что нам пришлось для этого создать — расскажем под катом.
https://habr.com/ru/companies/yandex/articles/1010992/
#recsys #рекомендательные_системы #ml #яндекс #яндекс_музыка #команда_яндекс_музыки
-
Ahh, #recsys… “you bought headphones, would you like more headphones?”
-
Ahh, #recsys… “you bought headphones, would you like more headphones?”
-
Ahh, #recsys… “you bought headphones, would you like more headphones?”
-
Ahh, #recsys… “you bought headphones, would you like more headphones?”
-
Ahh, #recsys… “you bought headphones, would you like more headphones?”
-
xkcd #recsys edition.
(made with https://marshdeer.github.io/xkcd2501-generator/) -
xkcd #recsys edition.
(made with https://marshdeer.github.io/xkcd2501-generator/)
