RecSys course

The course on recommender systems conducted in National Research University - Higher School of Economics (Moscow, Russia). Academic year 2022-2023 / Курс по рекомендательным системам, который проводится в Национальном исследовательском университете Высшей школе Экономики (Москва). Академический год 2022 - 2023.

Полезные материалы

• Wiki-страница курса, на ней для каждого семинара публикуются дополнительные материалы, которые необходимо просмотреть на неделе, когда проходит семинар.
• Материалы для каждого семинара лежат в папках /seminar*
• Если вы хотите скачать из репозитория конкретную папку, просто вставьте ссылку на неё в сервис для скачки.
• Любые вопросы можно задавать в чат с технической поддержкой
• Таблица с вашими оценками

Самый важный раздел

Оценка ставится по формуле:

0.3 * Home Assignments + 0.15 * Article Summary + 0.15 * Weekly Quizzes + 0.4 * Exam

где Home Assignments - 3 домашних работы в Jupyter Notebook (max 10 баллов за каждую). Article Summary - конспект/презентация статьи из предложенного списка с критическим анализом (без выступления на семинаре) (max 10 баллов). Weekly Quizzes - 7 квизов по мотивам материалов семинаров, которые сдаются перед началом следующего занятия в Google Forms (ариф.среднее за все квизы, max 10 баллов за каждый). Exam - письменный экзамен в формате решения case-study построения рекомендательной системы для бизнеса (max 10 баллов).

Course Outline / Большой план маленьких побед

Week 1

Seminar 1

• Examples of RecSys models in production.
• Formalization of the ranking (recommender systems) task (2 popular types of tasks, 2 types of data sets).
• Ranking functions (BPR, WARP, RankNET, LambdaRank).
• Metrics for the quality estimation (Hitrate, Precision@k, Recall@k, MAP@k, NDCG@k).
• Taxonomy of RecSys approaches ([MF, FM, CF & other general], Content-based [including knowledge graph based, GB for ranking], Context-based, Sequential and session-based models, RL-based models, Hybrid [including two-level cascade]) approaches.
• Recommended sources on RecSys.

Seminar 2

• Hands-on example on the MovieLens dataset: movie recommender system.
• Basic baselines

Week 2

Seminar 3 - 4

• Item-based and user-based similarity, similarity metrics.
• Matrix Factorization (SVD et al.)
• Collaborative Filtering (ALS and iALS, HALS, NeuralCF)

Week 3

Seminar 5

• Content-based recommender models
• DSSM for RecSys
• Hybrid recommenders taxonomy
• LightFM (hybrid content model), Lightfm library

Seminar 6

• Gradient boosting for ranking task
• Example of cascade recommender model (using gradient boosting on the second level)
• Important preprocessing steps
• Cross-validation types

Week 4

Seminar 7

• Sequential и session-based models
• RecBole library
• Next-basket and next-item prediction tasks

Seminar 8

• Autoencoders and Variational autoencoders for RecSys (VAE, Mult-VAE, Multi-VAE, Rec-VAE)
• Transformer-based models for RecSys (BERT4Rec, SASRec, etc.)
• Transformers4rec NVIDIA library

Week 5

Seminar 9

• Context-aware recommender models
• Time-aware и time-dependent models
• Geo-dependent models

Seminar 10

• Graph-based recommender systems overview
• Inductive learning (out-of-sample users, cold start problem)
• LightGCN, GF-CF, P3 alpha, GraphSage -> PinSage

Week 6

Seminar 11

• Knowledge-based graph recommender systems overview
• KDA, KGAT, KGCN, RippleNet

Seminar 12

• RL for RecSys overview
• Hands-on example of RL model for recommender systems

Week 7

Seminar 13

• Explainability & interpretability of recommender systems
• Attention is not explanation?

Seminar 14

• Designing anf analyzing A/B tests in recommeder systems
• Feedback loop problem
• Bias types and debiasing techniques
• Multiarmed bandits
• RL testing

Week 8

Seminar 15 & Seminar 16

• Vanilla Production-ready RecSys service.

Контрибьюторы и создатели

• Ананьева Марина
• Милоградский Саша
• Рамазанова Ая

Лицензия

Весь контент, созданный для этого курса распространяются на правах лицензии MIT License Материалы публикуются как общественное достояние.