Блог

Как работают рекомендательные системы: подходы, метрики и задачи

Богдан Камаев, ментор · 8 ноября 2026

Рекомендательная система это алгоритм, который из огромного каталога выбирает, что показать конкретному человеку прямо сейчас. Обычно она работает как воронка: дешёвые методы отбирают из миллионов объектов несколько тысяч подходящих кандидатов, тяжёлая модель их ранжирует, а финальный шаг добавляет разнообразие и бизнес-правила. Учится система на истории действий: что люди смотрели, покупали и пролистывали.

Я 6+ лет в ML (Ozon, VK, Сбер, Т-Банк в прошлом), в основном в рекомендациях и классике, поэтому разберём тему подробно: подходы, метрики, подводные камни и что спрашивают на собесах.

Рекомендательная система: что это и где встречается

В каталоге миллионы видео, товаров или треков. На экран помещается десяток. Какой именно десяток, решает рексис (так коротко называют RecSys, recommender systems).

Примеры:

Где Что выбирает система
Лента YouTube, ВК, Дзена Что посмотреть или прочитать дальше
Маркетплейс Главная, «похожие товары», «с этим покупают»
Музыка Следующий трек, например в «Моей волне»
Поиск Порядок результатов под тебя
Реклама Какой баннер показать
Такси Какого водителя дать под заказ

На видеоплатформе или маркетплейсе рекомендации это сам продукт. Убери их, и останется склад, в котором ничего не найти.

На каких данных учатся рекомендации

Сигналы бывают двух видов:

Историю собирают в матрицу «пользователь × объект». В строках люди, в столбцах объекты (в индустрии их называют айтемами), на пересечении сигнал. Почти все ячейки пустые: каждый человек видел крошечную часть каталога. Вся задача в том, чтобы угадать значения в пустых клетках.

Подходы: от популярного до нейросетей

Популярное как базовое решение

Начинают с простого: популярное за неделю или недавно просмотренное. Это бейзлайн, отправная точка для сравнения. Персонализации тут нет, зато решение быстрое, и обойти его иногда сложнее, чем кажется.

Коллаборативная фильтрация

Главная идея: похожим людям нравится похожее. Содержимое объектов модель вообще не смотрит, ей хватает истории действий.

Item-based вариант считает похожими объекты, которые выбирают одни и те же люди. Маленький пример: четыре человека и пять сериалов, а рекомендовать будем Вере.

import numpy as np

# Строки: пользователи, столбцы: сериалы A, B, C, D, E. 1 значит «досмотрел»
R = np.array([
    [1, 1, 1, 0, 0],  # Аня
    [1, 1, 0, 1, 0],  # Боря
    [0, 1, 1, 0, 0],  # Вера
    [0, 0, 0, 1, 1],  # Гоша
])

# Косинусная близость между столбцами (сериалами)
norms = np.linalg.norm(R, axis=0)
sim = (R.T @ R) / np.outer(norms, norms)
np.fill_diagonal(sim, 0)

# Счёт сериала для Веры: сумма близостей к тому, что она уже посмотрела
scores = R[2] @ sim
scores[R[2] == 1] = -np.inf  # уже посмотренное не рекомендуем
print("Счета:", np.round(scores, 2))
print("Рекомендация:", "ABCDE"[scores.argmax()])

Вера смотрела B и C. Близость A к ним 0,82 и 0,5, итого счёт 1,32. У D 0,41, у E ноль. Рекомендуем A.

Следующий шаг это матричная факторизация, например ALS. Матрицу взаимодействий раскладывают на два набора коротких векторов, их называют эмбеддингами: по одному на пользователя и на объект. Предсказание равно скалярному произведению. Если вектор пользователя (0,9; 0,1), объект с вектором (0,8; 0,2) получит 0,74, а объект с вектором (0,1; 0,9) получит 0,18. Первый покажем выше.

Контентные рекомендации

Здесь смотрят на сам объект: текст, категорию, цену, картинку. Профиль человека собирают из того, что ему понравилось, и ищут похожее по содержанию. Главный плюс: новый товар можно рекомендовать сразу, без истории. Минус: легко застрять в одном и том же и упустить неочевидное.

Гибридные и нейросетевые подходы

На практике подходы смешивают. Частый вариант это двухбашенная модель (two-tower): одна нейросеть превращает пользователя в вектор, другая делает то же с объектом, учитывая и историю, и контент. Ближайшие векторы к пользователю ищут приближённым поиском (HNSW, Faiss): он быстрый и работает на миллионах объектов. Для учёта порядка действий используют последовательные модели, например SASRec.

Подход Что нужно Сильная сторона Слабая сторона
Популярное Логи действий Просто, быстро Нет персонализации
Коллаборативная фильтрация История действий Находит неочевидные связи Холодный старт
Контентный Описания объектов Работает с новыми объектами Однообразие
Двухбашенная модель История и признаки Масштабируется, учитывает всё сразу Сложнее обучать и поддерживать

Как устроена двухэтапная схема: отбор и ранжирование

Почему одной модели мало? Посчитаем. Пусть модель тратит 0,05 мс на объект, а каталог 10 миллионов. Это 500 секунд на один показ ленты, а бюджет на ответ порядка 200 мс. На 2 000 кандидатов та же модель уложится в 100 мс. Поэтому внутри воронка.

  1. Отбор кандидатов (retrieval). Дешёвые источники достают пару тысяч объектов: item2item, ALS, двухбашенная модель, популярное, история. Здесь важно не потерять хорошее, поэтому главная метрика Recall@K.
  2. Ранжирование. Тяжёлая модель оценивает каждого кандидата по сотням признаков: про пользователя, объект и их сочетание. Часто это градиентный бустинг, например CatBoost или LightGBM, про него есть отдельный разбор. Он учится на логах: что показали и что произошло.
  3. Реранкинг. Добавляют разнообразие и бизнес-правила: убирают то, чего нет в наличии, и разбавляют однотипное. Иначе после двух видео про дайвинг вся лента станет про дайвинг.

Метрики рекомендательных систем

Возьмём выдачу из 5 объектов. Релевантные стоят на позициях 1 и 4, а всего для пользователя таких объектов 3. @K значит, что смотрим только первые K позиций.

Метрика Что показывает Расчёт Итог
Precision@5 Доля релевантных в выдаче 2 / 5 0,40
Recall@5 Какую долю релевантных нашли 2 / 3 0,67
AP@5 Среднее precision на позициях попаданий (1/1 + 2/4) / 3 0,50
NDCG@5 Качество порядка с падающим весом позиции 1,431 / 2,131 0,67

Recall@K не видит порядка. Сдвинь первое попадание с позиции 1 на позицию 2: Recall останется 0,67, NDCG упадёт с 0,67 до 0,50. MAP считается как среднее AP по пользователям и работает с бинарной релевантностью. NDCG понимает и градации: покупка может весить больше клика. Разницу между ними спрашивают на собесах, например в Т-Банке. Заодно считают покрытие каталога и разнообразие, чтобы система не скатывалась в одни хиты.

Бизнес смотрит на другое: клики, досмотры, покупки, выручку, возвращаемость. Одной выручки мало: её можно накрутить в короткую, ухудшив опыт, и тогда люди перестанут возвращаться.

Как проверять? Разбивай данные по времени: учись на прошлом, проверяй на будущем. Случайное разбиение подсмотрит будущее и завысит метрики. Этот вопрос встречается на собесах в VK, Яндексе, Авито и Т-Банке.

Офлайн при этом может врать. Модель выигрывает на исторических данных и проигрывает на живых людях, потому что логи содержат только то, что показала старая система. Поэтому финальное решение принимает A/B-тест.

Подводные камни

Чем рекомендательная система отличается от RAG

RAG (retrieval-augmented generation) находит документы по запросу и подаёт их в языковую модель, чтобы та сгенерировала ответ. Рексис ничего не генерирует и часто работает без запроса: сам выбирает и упорядочивает объекты, опираясь на поведение. Общее у них в поиске кандидатов по векторам. Подробнее о языковых моделях в статье про LLM.

Какие задачи решает инженер рекомендательных систем

Инженер строит и улучшает воронку. Вот типичные задачи:

На собесах встречается кейс целиком: спроектировать персональные рекомендации для главной страницы маркетплейса (спрашивают в VK). Начинать стоит с цели и бизнес-метрик, потом бейзлайн, данные, воронка, метрики, A/B-тест.

Работа в рекомендательных системах: вакансии и спрос

RecSys вдвое дефицитнее NLP, классики и компьютерного зрения. Мы это померили. В срезе ML-вакансий на hh за 25.09–25.10.2026 RecSys занимает 32 из 751, это 4,2%. Вакансий мало, но кандидатов ещё меньше.

Мы опубликовали на hh по одной вакансии на каждое из четырёх направлений, собрали отклики и разметили резюме по реальному опыту. Потом взяли профильных кандидатов за первые 14 часов и поделили на число вакансий направления на hh за месяц:

Направление Профильных кандидатов на вакансию
NLP и LLM 0,61
Классический ML 0,60
Компьютерное зрение 0,59
Рекомендательные системы 0,28

Абсолютные цифры это нижняя оценка: одна вакансия собирает не всех, кто ищет. Сравнивать направления между собой можно. RecSys как основное направление указано только у 1% откликнувшихся. И закрываются такие вакансии дольше всех: 38% висят месяц и дольше или их поднимают, в среднем по ML таких 20%.

Кто нанимает: 17 из 32 вакансий у интернет-компаний и маркетплейсов. Удалённая работа возможна в 47% вакансий. Яндекс и Авито почти не публикуются на hh, поэтому реальный рынок шире.

Что просят: Python 88%, рекомендательные системы 62%, SQL 59%, PyTorch 56%, A/B-тесты 47%, Spark или Hadoop 44%, ранжирование 41%, бустинги 38%.

Рекомендательные системы для начинающих: с чего начать и где учиться

  1. База классики: бустинги, признаки, валидация. Ранжирование стоит на них.
  2. Воронка, метрики ранжирования, A/B-тесты.
  3. Проект на открытых данных с логами действий: бейзлайн, ALS, ранжирование на бустинге, разбиение по времени, расчёт NDCG и Recall@K.
  4. Холодный старт, пузырь, отбор кандидатов. ALS по туториалу на собесе не хватит.

Из курсов: лекции Евгения Соколова «Рекомендательные системы: классические и нейросетевые подходы» из Computer Science клуба лежат на Лекториуме. У ВШЭ есть курс «Рекомендательные системы» на 2026/2027 учебный год: неперсонализированные и контентные модели, коллаборативная фильтрация, факторизация. Он идёт внутри учебной программы (всё проверено в ноябре 2026). Из книг: Kim Falk, Practical Recommender Systems для практики и Charu Aggarwal, Recommender Systems: The Textbook для теории.

Если хочешь в это направление всерьёз, на менторстве по ML мы помогаем подготовиться и найти работу.

Частые вопросы

Как работают рекомендательные системы простыми словами?

Система смотрит, что ты и похожие на тебя люди делали раньше, и предсказывает, что тебе понравится. Сначала быстро отбирает несколько тысяч вариантов, потом точная модель их сортирует. В конце правила добавляют разнообразие.

Какие есть способы борьбы с холодным стартом?

Для новых пользователей: популярное, контекст (регион, устройство), вопросы при входе. Для новых объектов: контентные признаки и гарантированная доля показов. Такой вопрос встречается на собесах в VK и Яндексе.

Чем отличаются коллаборативная и контентная фильтрация?

Коллаборативная смотрит только на поведение людей и находит неочевидные связи, но бессильна без истории. Контентная смотрит на свойства объекта и работает с новинками, но чаще предлагает однообразное. В реальных системах их совмещают.

Что учить, чтобы работать с рекомендательными системами?

Python, SQL, классический ML и бустинги, метрики ранжирования, A/B-тесты. PyTorch просят в 56% вакансий, Spark или Hadoop в 44%. Без понимания воронки на собеседовании будет тяжело.

Обязательно ли знать нейросети для рексиса?

Для старта достаточно классики и матричной факторизации, ранжирование часто строят на бустинге. PyTorch при этом просят в 56% вакансий в нашем срезе, поэтому для роста нейросетевые подходы нужны.

Нужна помощь с поиском работы?

Помогаю найти работу ML-инженером и Data Scientist. На бесплатной консультации за 20 минут разберём, где ты сейчас, какая цель и как до неё дойти.

Записаться на бесплатную консультациюМенторство по ML

Читать дальше

Вопросы на собеседовании data scientist и ML-инженераСтажировка в Т-Банке: как попасть на ML, аналитику и данныеSQL вопросы на собеседовании и задачи с разбором