#ранжирование — Public Fediverse posts

Больше кандидатов — без прироста Hit@20: разбор эксперимента

В моей рекомендательной системе товары из последующих зарегистрированных покупок чаще терялись до ранжирования. Я увеличила квоты кандидатов из описаний и изображений: общий предел вырос с 300 до 370. Затем пересчитала признаки и переобучила LightGBM на прежних данных. На 625 сессиях с зарегистрированной целью покрытие кандидатов выросло с 66,24% до 68,96%, но попаданий в первые 20 стало 388 вместо 389. В статье показываю разбор потерь, условия эксперимента и решение сохранить исходный вариант — без заявления о его статистическом превосходстве. Проект построен на данных Coveo. Код и инструкция воспроизведения открыты. Разобрать эксперимент

https://habr.com/ru/articles/1095706/

#ранжирование #рекомендательные_системы #машинное_обучение #анализ_ошибок #lightgbm #отбор_кандидатов #оценка_моделей #coveo

Работает ли накрутка ботами? Опыт перехода на тёмную сторону и построения успешной системы

Десять лет я обходил накрутку ботами стороной, считая её слишком рискованной. Потом решил разобраться, как это работает на самом деле: почему быстрый результат так часто заканчивается откатом, чем «просто налить ботов» отличается от действительно работающей системы и какой вообще должна быть такая система. Я прошёл через сомнительные сервисы, живых исполнителей, ошибки и собственные эксперименты — и в итоге пришёл к качественной системе, рассчитанной не на краткий всплеск, а на стабильный рост. В статье рассказываю весь этот путь и показываю, что получилось на реальном проекте.

https://habr.com/ru/articles/1096546/

#поисковое_продвижение #яндекс #seo #поисковая_выдача #ранжирование #накрутка #боты #поведенческие_факторы #накрутка_поведенческих_факторов

Как устроена сессионная рекомендательная система: граф, метаданные и LightGBM

Посетитель открыл товар A. Граф предлагает B, похожее описание — C, изображение — D. Как собрать из этих списков рекомендации, не складывая баллы с разным смыслом? На примере работающего проекта на Coveo показываю весь путь: исторический граф товаров, готовые векторы описаний и изображений, до 300 кандидатов и ранжирование с LightGBM. Разбираю квоты источников, пропуски в признаках и парное обучение — включая случай, когда купленный товар вообще не попал в кандидаты. Модель уже обучена, качество измерено, рекомендации доступны через локальный HTTP API. В статье — устройство системы, результаты сравнения с простыми методами и ограничения этих выводов. Код и инструкция воспроизведения открыты. Как собрать 20 рекомендаций

https://habr.com/ru/articles/1095556/

#ранжирование #рекомендательные_системы #графы #машинное_обучение #lightgbm #отбор_кандидатов #сессионные_рекомендации #coveo

Я добавил Rerank в Obsidian. Что показали тесты на 64 и 500 заметках

Добавил Rerank в свой плагин для Obsidian и решил проверить, стоит ли запускать вторую модель при каждом поиске. Сравнил три модели, провёл эксперименты на 64 и 500 заметках. В тесте на 64 заметках первый полезный результат удалось поднять наверх только один раз из 24. На 500 заметках обнаружилась другая проблема: оценка целых документов скрывала различия между выбранными фрагментами. Рассказываю о результатах, расходах и том, почему в итоге сделал отдельную кнопку уточнения.

https://habr.com/ru/articles/1093954/

#ранжирование #семантический_поиск #obsidian #embeddings #rag #openrouter #ndcg #veynrel #rerank #плагины_obsidian

Ранжирование рекомендаций на главной Авито: как мы перешли от CatBoost к нейросетям

Всем привет! Меня зовут Ярослав Хныков , я DS Tech Lead в Авито . Наша команда отвечает за рекомендации на главной странице Авито. В статье расскажу, как мы шли от CatBoost к нейросетевому ранжированию: какие данные брали, почему первые АБ-тесты уходили в минус и что дало резкий прирост качества. Будет полезно ML-инженерам и тимлидам, которые работают с ранжированием и рекомендательными системами.

https://habr.com/ru/companies/avito/articles/1090584/

#рекомендации #рекомендательные_системы #recsys #трансформеры #нейросети #ранжирование #машинное_обучение #catboost

От совпадения слов к пониманию смысла запроса: как эволюционировали поисковики и AI-чаты

Кто помнит поисковики начала двухтысячных, наверняка помнит, что результаты выдачи иногда имели мало общего с самим запросом. Системы слабо учитывали порядок слов, синонимы, предлоги и отрицания, поэтому пользователям приходилось упрощать формулировки, добавлять уточнения и пробовать запрос в нескольких вариантах. Чат-боты того времени тоже были совсем не похожи на современные AI-чаты. Они находили во фразе знакомое ключевое слово и выбирали одну из заранее подготовленных реплик, а любое отклонение от предусмотренного сценария быстро заводило диалог в тупик. Сегодня поисковые системы распознают сущности, учитывают контекст, геопозицию и смысловые связи между словами, а также способны формировать ответы на основе нескольких источников. AI-чаты понимают разные формулировки одного намерения, работают с текстом, изображениями и голосом, используют веб-поиск и могут учитывать контекст предыдущих разговоров. Чтобы поисковые системы и AI-чаты научились отвечать так, как они отвечают сегодня, потребовался долгий путь. Именно об этой эволюции и пойдет речь в статье.

https://habr.com/ru/articles/1082660/

#поисковые_системы #информационный_поиск #ранжирование #семантический_поиск #обработка_естественного_языка #машинное_обучение #bert #pagerank #tfidf #bm25

Почему накрутка поведенческих факторов до сих пор двигает сайты в Яндексе

С поведенческими факторами в Яндексе есть одна проблема: вокруг них накопилось слишком много объяснений, которые звучат правдоподобно, но разваливаются при первом же вопросе чуть глубже обычного. Одна версия говорит, что Яндекс смотрит на кликабельность, время визита, глубину просмотра и возврат в выдачу. Поэтому достаточно искусственно сделать эти показатели красивыми, после чего документ начнет расти. Другая версия противоположная: Яндекс давно умеет распознавать любые манипуляции, поэтому накрутка либо вообще не работает, либо все наблюдаемые результаты являются совпадением.

https://habr.com/ru/articles/1078336/

#поведенческие_факторы #Яндекс #ранжирование #поисковые_алгоритмы #пользовательские_сигналы #машинное_обучение #антифрод #кликовые_данные #поисковая_выдача #SEO

Нейроранжирование. Отказ от бустинга в пользу нейросетей

Привет! Меня зовут Михаил Трапезников, я руководитель группы рекомендательных технологий в AI VK. В одной из прошлых статей мы рассказали, как устроен нейропрофиль пользователя в рекомендациях VK. Обновление стало фундаментом для нового подхода к ранжированию. Сегодня расскажем о том, как нам удалось перейти от бустинга к нейросетям и как устроена архитектура нейроранкера.

https://habr.com/ru/companies/vk/articles/1075358/

#ai #ранжирование #рекомендательные_системы #recsys

Как продвигать твиты в X: разбираем рекомендательный алгоритм Twitter

13 августа сайт X опубликовал значительно обновлённую версию исходного кода рекомендательной ленты. В репозитории под лицензией Apache 2.0 выложили код модели Phoenix, реальные значения основных коэффициентов ранжирования, механизмы отбора кандидатов, фильтрации видимости, поддержки новых авторов и обеспечения разнообразия ленты. Заметная доля пользователей X предпочитает называть сайт микроблогов по старинке — Twitter. Другая неискоренимая вредная привычка — чтение алгоритмической ленты. Чтобы увеличить охват микроблога, было бы неплохо хотя бы в общих чертах разобраться, как работает рекомендательный алгоритм, а затем рассмотреть все основные коэффициенты. Этим в данной статье мы и займёмся.

https://habr.com/ru/articles/1071456/

#Twitter #X #Xcom #рекомендательные_системы #GitHub #open_source #рекомендательные_алгоритмы #ранжирование #Phoenix #Home_Mixer

От CTR до сделок: как в Авито устроены ML-модели монетизации

падбльотрипмриолтьджббльотшргпаенгршоьлдбжюдбльотргпаенршоьлдбжбльошргпнаепргтоьлдбжюбдльотригпнаепргтоьлдбж бдльотрипмио тьблоргпиротлгрнпгироаавкмаиапиа

https://habr.com/ru/companies/avito/articles/1069352/

#монетизация #ранжирование #машинное_обучение #catboost #рекомендательные_системы #калибровка_модели #postion_bias

«Вам может это понравиться»: на Урбан ML разобрались, почему рекомендательные системы перестали предлагать похожее

Открывая онлайн-кинотеатр, сервис для прослушивания аудиокниг или музыки, пользователи редко задумывается о том, почему перед ним оказались именно эти фильмы, книги или треки. Между тем рекомендательные системы в последнее время переживают крупную трансформацию. Если раньше задача сервисов сводилась к поиску похожих пользователей или товаров, то сегодня они уже умеют предугадывать намерения человека, и развитие LLM ускорило этот процесс. Делюсь инсайтами с конференции «Урбан ML», которая прошла 2 августа в Loft Hall (ЗИЛ) в Москве. Эксперты по Data Science поделились, от чего отказываются современные рекомендательные системы, какие проблемы остаются нерешенными и куда движется отрасль. Читать дальше

https://habr.com/ru/companies/ru_mts/articles/1066076/

#рекомендательные_системы #машинное_обучение #генеративный_ИИ #большие_языковые_модели #персонализация #инженерия_данных #ранжирование #llm #mws

Эволюция поиска вакансий в Авито Работе: ML-оптимизации и инсайты из АБ-тестов

Привет! Меня зовут Вадим Вахрушев , я старший DS-инженер в Авито , занимаюсь задачами поиска. В статье расскажу, как устроено ранжирование в Авито Работе: какие ML-модели помогают создавать выдачу вакансий, и какие инсайты мы вынесли из нескольких показательных АБ-тестов. Думаю, статья будет в первую очередь интересна ML-инженерам, которым важно разобраться, как поисковое ранжирование адаптируется под конкретную бизнес-вертикаль. Если хочется узнать про поиск в Авито в целом, загляните в обзорную статью — «Как работает поисковое ранжирование для миллионов объявлений Авито» . В этом материале я сфокусируюсь именно на специфике вакансий.

https://habr.com/ru/companies/avito/articles/1064546/

#retrieval_systems #machinelearning #ранжирование #рекомендательные_системы #CTR #abтестирование #векторный_поиск #эмбеддинги

BitRank: Битовая система ранжирования на C++20

В этой статье рассмотрим создание легковесной, типобезопасной библиотеки для ранжирования объектов по множеству критериев с использованием битовых масок. Библиотека bitrank позволяет оценивать объекты, присваивая им битовый ранг, где каждый бит соответствует выполнению определенного правила.

https://habr.com/ru/articles/1064706/

#шаблоны #битовые_маски #ранжирование #фильтрация #метапрограммирование

Поймали ИИ-агента на вранье — его же памятью

На днях наш агент собрался дежурно отчитаться об успехе. Прежде чем нажать «готово», он сверился с собственной памятью — и нашёл там запись из прошлой сессии: эту идею он уже проверял на реальных данных, и она провалилась. Он остановил сам себя, до ложного отчёта. Это не рекламная зарисовка, это лог из жизни. Ниже — два таких лога подряд, и во втором память заставила нас выбросить фичу, которой мы гордились. Хватай за цифровой хвост

https://habr.com/ru/articles/1061628/

#ИИагенты #память_агента #LLM #RAG #векторный_поиск #эмбеддинги #графовая_память #ранжирование #MRR #HippoRAG

Коты против токсичности. Как ленты соцсетей искажают наше восприятие реальности и какие алгоритмы могут их исправить

В обществе бытует мнение, что ленты, заточенные под вовлеченность, разгоняют различного рода вражду среди пользователей и искажают общую картину, показывая определенные сообщества и события не такими, какие они есть, а такими, на что лучше реагируют. Однако конкретных доказательств этому не было, так как алгоритмы крупных платформ закрыты, переписать ранжирование ленты и сравнить варианты на пользователях со стороны нельзя. Была, правда, одна экспериментальная попытка с Meta* на выборах США в 2020-м. Тогда выявили, что алгоритмическая лента усиливает «нецивильный» контент примерно на 40%. Вот только авторы работы не зафиксировали изменения в установках и не смогли ответить на главный вопрос: через какой психологический механизм лента влияет на пользователей и можно ли это исправить, не сломав их интерес к самой соцсети? Этот пробел закрыла группа исследователей под руководством Уильяма Брэди (ассистент-профессор управления и организаций в Kellogg School of Management), которая весной этого года опубликовала результаты своей работы в научном журнале Nature. Как им это удалось и что из этого вышло, расскажу в этой статье.

https://habr.com/ru/companies/ru_mts/articles/1046860/

#соцсети #социальные_сети #лента #ранжирование #исследование #исследование_пользователей #маркетинг

Почему A/B-тест не подходит для оценки ранжирования и что с этим делать

Всем привет! Меня зовут Вардан Манучарян , я аналитик в команде Монетизации Авито , и мы отвечаем за механику алгоритмов продвижения, то есть управляем порядком, в котором пользователи видят объявления. Для этого нам нужно отслеживать, как изменения в ранжировании влияют на бизнес и покупателей. В этой статье расскажу про интерливинг , — метод, который помогает корректно проводить A/B-тесты с изменением ранжирования. Статья будет интересна аналитикам, которые проводят много A/B-тестов.

https://habr.com/ru/companies/avito/articles/1043880/

#абтесты #ранжирование #сетевые_эффекты #counterfactual_interleaving #интерливинг #сплиттестирование #mde

Ранжируем треки с помощью TRIBE и RBF

Ощущение — нравится трек или нет, хочется ли его переслушать возникает во время обработки звука мозгом. Поэтому вместо того, чтобы напрямую предсказывать «качество» музыки по спектрограммам или эмбеддингам, можно построить промежуточное представление: сначала оценить, какие паттерны активности коры вызывает аудио, а затем уже по этим паттернам предсказывать относительную популярность треков.

https://habr.com/ru/articles/1041184/

#TRIBE #нейросети #rbf #ранжирование

Хакатон Samsung IT Academy Hack 2026: как студенты оптимизировали поиск в корпоративном мессенджере

Поиск — штука настолько привычная, что её редко рассматривают как отдельную инженерную задачу. На деле это связка из четырёх частей: парсинг и нормализация исходных данных, индексация, обработка пользовательского запроса и ранжирование результатов. Каждая из них живёт по своим правилам и ломается по своим причинам. Сложно представить более прикладную область, поэтому на хакатоне IT Academy Hack 2026 от IT Академии Samsung Innovation Campus в этом году, мы решили попросить студентов предложить варианты улучшения поиска по сообщениям в контуре корпоративного мессенджера. Кстати, VK Tech стал индустриальным партнером конкурса уже во второй раз — предоставил инфраструктуру для студентов, и стал одним из постановщиков задач. Меня зовут Сергей Харламов, я руковожу Исследовательской лабораторией VK Tech . В этой статье расскажу об актуальных проблемах оптимизации поиска, а также о задаче и подходах, которые можно было применить для ее решения.

https://habr.com/ru/companies/vktech/articles/1038306/

#хакатон #поиск #информационный_поиск #elasticsearch #qdrant #embeddings #векторный_поиск #ранжирование #vk_workspace #vk_tech

SEO после поисковой строки: как продвигать сайты, когда ответы дают ChatGPT, Алиса и Google AI

Поиск больше не живёт в одной строке Яндекса или Google. Пользователь спрашивает ChatGPT, уточняет в Алисе, сверяется с Perplexity, смотрит YouTube, карты, соцсети и нейроответы. Для бизнеса это означает одно: SEO не умерло, а стало шире, сложнее и заметно интереснее. Я, Александр, автор телеграм-канала « Shulepov Code », поговорил с Олегом Шестаковым — основателем « Rush Agency » и Rush Analytics — о том, как меняется продвижение сайтов, почему ключевые слова больше не решают всё, что делать с поведенческими факторами, ссылками, блогами, PBN, вайб-кодингом и попаданием в ответы нейросетей.

https://habr.com/ru/articles/1033036/

#SEO #искусственный_интеллект #нейросети #продвижение_сайтов #поисковая_оптимизация #бизнесмодели #ChatGPT #ранжирование #ссылочное_продвижение #PBN

От товара к предложению: как Ozon учитывает цену и доставку в ранжировании

Всем привет! Меня зовут Станислав Ким, я ML-разработчик в команде качества поиска Ozon. В этой статье расскажу, как мы перешли от ранжирования товаров к ранжированию предложений, внедрили «матрицу памяти» для переноса статистики и получили +0,9% к GMV на пользователя. Представьте простую ситуацию. Вы — продавец электроники. Выводите на Ozon новую модель робота-пылесоса. Чтобы ворваться на рынок, вы ставите цену на 20% ниже конкурентов и отгружаете партию на ближайший склад, чтобы доставка была «завтра». Логика подсказывает: алгоритмы увидят выгодное предложение (дёшево + быстро), подкинут товар в топ, и продажи взлетят. Реальность: проходит день, два... а товар висит на 5-й странице выдачи. Потому что для алгоритма ранжирования ваш пылесос — «чистый лист». У него нет истории продаж, нет кликов, нет отзывов. Рядом в топе — конкуренты: они дороже, доставка дольше, но у них есть история: тысячи заказов за прошлый год. Алгоритм «любит» их за накопленную статистику, а ваше выгодное предложение игнорирует — он просто не знает, чего от него ждать. В индустрии эта проблема называется cold start — и с ней сталкиваются все крупные маркетплейсы. Мы поняли, что нужно менять саму парадигму. Наш лозунг: ранжировать не абстрактную карточку товара с её прошлым, а конкретное предложение с его условиями здесь и сейчас.

https://habr.com/ru/companies/ozontech/articles/995840/

#поиск #маркетплейс #ранжирование #machine_learning #рекомендательные_системы #big_data #abтестирование #поисковые_запросы #Ozon #cold_start

Не «как быстрее», а «как лучше»: новое ML-ранжирование маршрутов в Яндекс Картах

Раньше маршруты на Картах ранжировались по времени в пути: работал принцип «самый быстрый — самый первый». Но в реальном мире скорость не всегда равна удобству и пользователь мог оказаться в ситуации, что маршрут вроде бы позволяет добраться до конечной точки быстрее, но придётся долго разбираться, а куда вообще ехать. Теперь ранжированием маршрутов занимается ML‑модель, которая обучена на реальном поведении пользователей. Она учитывает не только время, но и то, по каким маршрутам водители доезжают до конца. Поэтому сейчас первый вариант — тот, который вы, скорее всего, выбрали бы сами. Я Илья Хохлов, руководитель службы разработки сервисов маршрутизации. Наша команда отвечает за ключевые алгоритмы навигации в Картах и в Навигаторе: маршрутизацию, прогноз времени в пути и позиционирование. В этой статье я расскажу о том, как мы переосмыслили ранжирование маршрутов в навигации на Картах и в Навигаторе: как именно ML‑модель понимает, какой маршрут предлагать первым, и как это решение повлияло на количество сходов с маршрута.

https://habr.com/ru/companies/yandex/articles/994422/

#яндекс #machinelearning #ранжирование #маршрутизация #геосервисы #карты

Алгоритмический тупик: почему платформы продвигают мусор, имея инструменты для его фильтрации

Мы живем в 2026 году, когда технологии позволяют оценить глубину и оригинальность текста, но крупные площадки по большей части все еще живут по старинке и судят о качестве по числу лайков и частоте публикаций. Отсюда мы наблюдаем фундаментальный системный сбой, который медленно убивает сложный технический контент.

https://habr.com/ru/articles/987794/

#Ранжирование #Рекомендательные_системы #Искусственный_интеллект #Качество_контента #GEO #LLM #Мертвый_интернет #UGC #Платформы #Авторство

Как заставить LLM сортировать данные: от наивного подхода до TrueSkill

Если вы когда-нибудь грузили в LLM список и просили выбрать лучшее или отсортировать — вы, скорее всего, получали посредственный результат. Я проверил это на 164 постах своего телеграм-канала, сравнив пять разных методов сортировки. Оказалось, что разница между «дёшево и плохо» и «дёшево и хорошо» — в правильном алгоритме, а не в модели. В этой статье разберём, почему наивные подходы не работают, как алгоритм из Xbox Live помогает ранжировать контент, и какой метод даёт лучшую корреляцию с реальными данными.

https://habr.com/ru/articles/987538/

#LLM #TrueSkill #сортировка #GPT #ранжирование #OpenAI #Python

Авито как канал продаж: как устроено ранжирование в 2026 году и почему старые схемы больше не работают

2026 год — это новая эпоха Авито. Площадка полностью перестраивает ранжирование, переходя от «количества объявлений» к «качеству профиля». И если раньше можно было жить на дублирующих объявлениях и рандомных ключах, то сегодня это путь в никуда. Разбираем, что поменялось и как теперь Авито распределяет трафик. Авито уходит от количества к качеству Главная цель платформы — избавить выдачу от фейков, мусора и низкокачественных карточек. Алгоритм старается показать пользователю то, что с максимальной вероятностью приведёт к контакту. Поэтому ключевым становятся: • качество карточки (фото, описание, категория); • поведение пользователей: смотрят ли фото, читают ли текст, листают ли дальше; • рейтинг профиля; • живые контакты; • отсутствие дублей. Почему старые схемы больше не работают «Создадим 20 карточек — одна точно стрельнет» — больше не работает. Дубли режутся, позиции не растут, а профиль может вообще попасть под скрытые санкции. «Набросаем ключей в описание» — тоже не работает. Алгоритм анализирует смысл, качество контента и взаимодействия, а не набор слов. Продвижение на Авито в 2026 — это игра в глубину, а не в ширину. Как устроено ранжирование Схема упрощённо выглядит так:

https://habr.com/ru/articles/984710/

#авито #ранжирование

DAG-классификация: как мы научили поиск определять нужную категорию ступенчатым образом

Одна из важнейших задач поиска — релевантная выдача. Простых универсальных решений здесь нет, а улучшение поиска — долгосрочный процесс, где крупные задачи приходится разбивать на небольшие, последовательные шаги. В этой статье делимся тем, как нам в «Магнит Маркете» удалось значительно улучшить качество поиска с помощью нетривиального подхода: ступенчатой классификации категории поискового запроса.

https://habr.com/ru/companies/magnit/articles/975980/

#ml #dag #поиск #ранжирование #релевантный_поиск #релевантность_поисковой_выдачи #data_science #dagмодель #оптимизация_поиска

Law & Practice Ensemble RAG. Как создать ИИ-ассистента, помогающего решать многоаспектные юридические задачи

В первой части мы кратко рассмотрели предпосылки и последствия ИИ‑трансформации деятельности юристов, а также предложили вариант архитектуры продвинутой RAG‑системы, учитывающей особенности юридической предметной области. Во этой части мы проведем обзор общих и юридических бенчмарков, которые целесообразно учитывать при оценке технических компонент RAG, а также системы в целом. В заключение рассмотрим, как самостоятельно подготовить тестовый датасет для оценки RAG‑системы с помощью фреймворка RAGAS и разберем итоговые результаты эксперимента.

https://habr.com/ru/companies/otus/articles/946354/

#RAG #retrievalaugmented_generation #LLM #Large_Language_Models #Эмбеддинги #Векторные_базы_данных #Векторные_хранилища #Индексация #Ранжирование

[Перевод] Оптимизация поисковых систем: баланс между скоростью, релевантностью и масштабируемостью

Будучи разработчиками, мы постоянно стремимся создавать системы, которые не просто работают, но и отличаются эффективностью и масштабируемостью. В мире, где пользователи ожидают всё более быстрые и точные результаты, оптимизация производительности поиска становится ключевым приоритетом в современной разработке приложений. Эта статья основана на нашем выступлении на конференции QCon San Francisco 2024, где мы рассмотрели эволюцию подходов к индексированию данных, их извлечению и ранжированию. Для платформ вроде Uber Eats, обрабатывающих сложные запросы на больших объёмах данных, оптимизация поиска — это серьёзный вызов, требующий продвинутых стратегий: индексирования, шардинга и параллельной обработки запросов. Сложность поисковых систем продолжает расти, и необходимость соблюдения баланса между скоростью, релевантностью и масштабируемостью становится как никогда актуальной. В этой статье мы рассматриваем ключевые техники таких оптимизаций и их влияние на пользовательский опыт и производительность системы.

https://habr.com/ru/companies/otus/articles/934186/

#шардинг #Индексирование #поиск #Масштабируемость #производительность #apache_kafka #apache_spark #big_data #ранжирование

Сетап А/В-теста, который помог снизить MDE выручки в 2 раза

Привет! Я Соня Ожерельева — тимлид в команде Monetization Efficiency в Авито . В статье расскажу про новый сетап A/B-теста, который мы использовали при тестировании системы Уровень сервиса на Авито. Он, как и A/B-тест по регионам, позволяет измерять влияние как на покупателей, так и на продавцов. При этом MDE нашего сетапа в 2 раза ниже, чем у регионального. Материал будет полезен аналитикам любых грейдов.

https://habr.com/ru/companies/avito/articles/929894/

#авито #avito #ab_testing #ab_тестирование #аналитика #analytics #ранжирование

ML-тренды рекомендательных технологий: шесть приёмов, которые помогают угадывать желания пользователя

Главная задача рекомендательной системы — предоставить пользователю контент, фильм, трек, книгу, товар или информацию, которые могут заинтересовать его в данный момент. Сложность в том, что у нас нет явного запроса пользователя, как в поиске, есть только история его взаимодействий с объектами и наша надежда на то, что мы верно распознали его скрытые желания. Раньше для такой задачи нужно было строить сложные алгоритмы со множеством написанных вручную эвристик. Теперь с этим помогают ML‑технологии. Меня зовут Кирилл Хрыльченко, я руковожу командой R&D рекомендательных технологий в Яндексе. Наша команда исследует и разрабатывает новые технологии, а также активно следит за тем, что появляется нового в индустрии. Сегодня я поделюсь трендами развития рекомендательных систем и расскажу, как нейросети продолжают улучшать качество рекомендаций: какие есть нюансы в работе с LLM, чем полезно обучение с подкреплением, что изменилось в плане анализа истории пользователя, а также на что обратить внимание при масштабировании.

https://habr.com/ru/companies/yandex/articles/857068/

#recsys #машинное_обучение #нейросети #рекомендательные_системы #llm #ранжирование #графы #reinforcement_learning

Нейронные оптимизаторы запросов в реляционных БД (Часть 3): Погружение в ранжирование

Ранжирование — это уникальная разновидность задач в машинном обучении, обособленная как от классификации, так и регрессии. Заключительная статья по нейрооптимизаторам в РСУБД, как ни странно, связана именно с ней. Бум в развитии подобных моделей произошёл совсем недавно — в 2023 году, что мы с вами подробно разберём. Сначала погрузимся в ранжирование в целом, а затем увидим, как в соответствии с новой постановкой задачи адаптировались методы поиска оптимального плана исполнения запроса.

https://habr.com/ru/companies/postgrespro/articles/857998/

#оптимизация #нейросети #ранжирование #ltr #оптимизация_запросов #машинное_обучение #LambdaLoss #SoftRank #LambdaRank