#recsys — Public Fediverse posts
Live and recent posts from across the Fediverse tagged #recsys, aggregated by home.social.
-
Together with @[email protected], we analyzed the papers published in the @[email protected] Reproducibility track from its inception in 2020 until 2025. The results have just now been published in our paper "Reproducibility in Recommender Systems: A Survey"
dl.acm.org/doi/10.1145/...
#recsys
Reproducibility in Recommender... -
Together with @[email protected], we analyzed the papers published in the @[email protected] Reproducibility track from its inception in 2020 until 2025. The results have just now been published in our paper "Reproducibility in Recommender Systems: A Survey"
dl.acm.org/doi/10.1145/...
#recsys
Reproducibility in Recommender... -
Together with @[email protected], we analyzed the papers published in the @[email protected] Reproducibility track from its inception in 2020 until 2025. The results have just now been published in our paper "Reproducibility in Recommender Systems: A Survey"
dl.acm.org/doi/10.1145/...
#recsys
Reproducibility in Recommender... -
Together with @[email protected], we analyzed the papers published in the @[email protected] Reproducibility track from its inception in 2020 until 2025. The results have just now been published in our paper "Reproducibility in Recommender Systems: A Survey"
dl.acm.org/doi/10.1145/...
#recsys
Reproducibility in Recommender... -
Together with @[email protected], we analyzed the papers published in the @[email protected] Reproducibility track from its inception in 2020 until 2025. The results have just now been published in our paper "Reproducibility in Recommender Systems: A Survey"
dl.acm.org/doi/10.1145/...
#recsys
Reproducibility in Recommender... -
-
-
-
-
-
Always seems to blow a few students’ minds when we start talking about psychology of preference and the relationship of preference to observable #recsys data, and we get to some questions:
• is the experience of utility in the moment the same as memory of that utility?
• if they are different, is our goal to recommend a movie or book the user will enjoy in the moment, or one they will remember having enjoyed?
• how might that difference affect system design or evaluation? -
Always seems to blow a few students’ minds when we start talking about psychology of preference and the relationship of preference to observable #recsys data, and we get to some questions:
• is the experience of utility in the moment the same as memory of that utility?
• if they are different, is our goal to recommend a movie or book the user will enjoy in the moment, or one they will remember having enjoyed?
• how might that difference affect system design or evaluation? -
Always seems to blow a few students’ minds when we start talking about psychology of preference and the relationship of preference to observable #recsys data, and we get to some questions:
• is the experience of utility in the moment the same as memory of that utility?
• if they are different, is our goal to recommend a movie or book the user will enjoy in the moment, or one they will remember having enjoyed?
• how might that difference affect system design or evaluation? -
Always seems to blow a few students’ minds when we start talking about psychology of preference and the relationship of preference to observable #recsys data, and we get to some questions:
• is the experience of utility in the moment the same as memory of that utility?
• if they are different, is our goal to recommend a movie or book the user will enjoy in the moment, or one they will remember having enjoyed?
• how might that difference affect system design or evaluation? -
Always seems to blow a few students’ minds when we start talking about psychology of preference and the relationship of preference to observable #recsys data, and we get to some questions:
• is the experience of utility in the moment the same as memory of that utility?
• if they are different, is our goal to recommend a movie or book the user will enjoy in the moment, or one they will remember having enjoyed?
• how might that difference affect system design or evaluation? -
Не все якори одинаково полезны, или как I2I-рекомендации свежими сохранять
Привет, Хабр! Меня зовут Иван Воробьев, я работаю в команде рекомендаций VK Видео, AI VK. В данной статье хочу рассказать, как и зачем я переделывал систему построения I2I -рекомендаций. Поговорим о том, какие решения были поставлены в её основу, насколько они оправдались, а также причём тут якори и как они связаны со свежестью рекомендаций. В первую очередь сосредоточимся на бэкенде: организации работы с данными и вычислений, их конфигурациях, и требуемых вычислительных ресурсах. Основной эффект от внедрения новой системы кроется именно тут: удалось обеспечить свежесть I2I-рекомендаций примерно в час, сократив при этом количество используемых ядер в три раза. Саму логику построения рекомендаций тоже затронем, но в меньшей мере.
https://habr.com/ru/companies/vk/articles/1040306/
#бэкенд #рекомендательная_система #потоковая_обработка #i2i #recsys
-
Не все якори одинаково полезны, или как I2I-рекомендации свежими сохранять
Привет, Хабр! Меня зовут Иван Воробьев, я работаю в команде рекомендаций VK Видео, AI VK. В данной статье хочу рассказать, как и зачем я переделывал систему построения I2I -рекомендаций. Поговорим о том, какие решения были поставлены в её основу, насколько они оправдались, а также причём тут якори и как они связаны со свежестью рекомендаций. В первую очередь сосредоточимся на бэкенде: организации работы с данными и вычислений, их конфигурациях, и требуемых вычислительных ресурсах. Основной эффект от внедрения новой системы кроется именно тут: удалось обеспечить свежесть I2I-рекомендаций примерно в час, сократив при этом количество используемых ядер в три раза. Саму логику построения рекомендаций тоже затронем, но в меньшей мере.
https://habr.com/ru/companies/vk/articles/1040306/
#бэкенд #рекомендательная_система #потоковая_обработка #i2i #recsys
-
Не все якори одинаково полезны, или как I2I-рекомендации свежими сохранять
Привет, Хабр! Меня зовут Иван Воробьев, я работаю в команде рекомендаций VK Видео, AI VK. В данной статье хочу рассказать, как и зачем я переделывал систему построения I2I -рекомендаций. Поговорим о том, какие решения были поставлены в её основу, насколько они оправдались, а также причём тут якори и как они связаны со свежестью рекомендаций. В первую очередь сосредоточимся на бэкенде: организации работы с данными и вычислений, их конфигурациях, и требуемых вычислительных ресурсах. Основной эффект от внедрения новой системы кроется именно тут: удалось обеспечить свежесть I2I-рекомендаций примерно в час, сократив при этом количество используемых ядер в три раза. Саму логику построения рекомендаций тоже затронем, но в меньшей мере.
https://habr.com/ru/companies/vk/articles/1040306/
#бэкенд #рекомендательная_система #потоковая_обработка #i2i #recsys
-
New #LensKit #RecSys release - 2026.2.0, the first feature update for 2026. Includes rendering pipeline configurations to Mermaid for visualization & debugging! https://github.com/orgs/lenskit/discussions/1105
-
New #LensKit #RecSys release - 2026.2.0, the first feature update for 2026. Includes rendering pipeline configurations to Mermaid for visualization & debugging! https://github.com/orgs/lenskit/discussions/1105
-
New #LensKit #RecSys release - 2026.2.0, the first feature update for 2026. Includes rendering pipeline configurations to Mermaid for visualization & debugging! https://github.com/orgs/lenskit/discussions/1105
-
New #LensKit #RecSys release - 2026.2.0, the first feature update for 2026. Includes rendering pipeline configurations to Mermaid for visualization & debugging! https://github.com/orgs/lenskit/discussions/1105
-
New #LensKit #RecSys release - 2026.2.0, the first feature update for 2026. Includes rendering pipeline configurations to Mermaid for visualization & debugging! https://github.com/orgs/lenskit/discussions/1105
-
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
-
-
-
-
-
-
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.
-
#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!) -
#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!)
