Введение в RecSys (РСиИИ)

2026/2027

Учебный год

RUS

Обучение ведется на русском языке

5

Кредиты

Кто читает:

Кафедра информационных систем и технологий (Нижний Новгород) (Факультет информатики, математики и компьютерных наук (Нижний Новгород))

Статус:

Курс обязательный

Когда читается:

3-й курс, 3, 4 модуль

Программа дисциплины

Аннотация

Данный курс дает всестороннее представление о рекомендательных системах как ключевом компоненте современных продуктов, основанных на данных. Курс охватывает классические подходы, такие как матричная факторизация и разреженные линейные модели, спектральные методы и методы, основанные на графах, а также современные нейронные подходы, включая сверточные сети на графах и генерирующие рекомендательные системы. Особое внимание уделяется пониманию математических основ, алгоритмического проектирования и практических аспектов крупномасштабных рекомендательных систем, используемых в промышленности.

Цель освоения дисциплины

• Основная цель этого курса - дать студентам глубокое теоретическое и прикладное представление о рекомендательных системах, включая классические методы, современные нейронные архитектуры и генеративные подходы.

Планируемые результаты обучения

• Формулировать задачи с рекомендациями в терминах данных о взаимодействии пользователя и объекта
• Применять методы матричной факторизации, такие как SVD, для совместной фильтрации
• Реализовывать и анализировать разреженные линейные модели (SLIM, EASE)
• Понимать спектральные методы и их роль в рекомендациях.
• Применять подходы, основанные на графах, включая графовые сверточные сети.
• Разбираться в современных генеративных подходах к рекомендательным системам.
• Оценивать рекомендательные системы, используя стандартные показатели ранжирования.

Содержание учебной дисциплины

• Матричная факторизация и SVD
• Введение в рекомендательные системы.
• Разреженные линейные модели (ТОНКИЕ, ЛЕГКИЕ) и спектральные методы
• Графические рекомендательные системы (GCN I)
• Графические рекомендательные системы (GCN II)
• Генеративные рекомендательные системы

Элементы контроля

• Практические работы
• Экзамен

Промежуточная аттестация

• 2026/2027 4th module
  0.3 * Экзамен + 0.35 * Практические работы

Список литературы

Рекомендуемая основная литература

• Mescheder, L., Nowozin, S., & Geiger, A. (2017). Adversarial Variational Bayes: Unifying Variational Autoencoders and Generative Adversarial Networks. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsarx&AN=edsarx.1701.04722

Рекомендуемая дополнительная литература

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

Авторы

• Улитин Борис Игоревич