Гибридная AI-рекомендательная система для мобильного приложения

Отметим: когда чистый коллаборативной фильтрации ломается на холодном старте — новые пользователи без истории не получают релевантных рекомендаций, а разреженная матрица взаимодействий даёт шумные предсказания. Content-Based, наоборот, загоняет пользователя в пузырь: он видит только то, что уже смотрел, и не открывает новые категории. Гибридный подход объединяет сильные стороны обоих методов. Мы внедрили такие системы для более чем 15 проектов в e-commerce и медиа; наш опыт — 5+ лет в машинном обучении на мобильных платформах. Ниже — проверенные стратегии и код для iOS и Android.

Как комбинировать алгоритмы в гибридной системе?

Weighted Hybrid — взвешенная сумма скоров

Самый простой вариант: финальный скор = α × CF_score + (1−α) × CB_score. Параметр α можно делать динамическим — для нового пользователя α = 0.2 (CF слабый, доверяем CB), для опытного α = 0.7.

class WeightedHybridRecommender: def __init__(self, cf: CFRecommender, cb: CBRecommender): self.cf = cf self.cb = cb def recommend(self, user: User, candidates: list[str], n: int = 20) -> list[str]: alpha = self._compute_alpha(user.interaction_count) cf_scores = self.cf.score(user.id, candidates) # dict[item_id -> float] cb_scores = self.cb.score(user.profile, candidates) hybrid_scores = { item_id: alpha * cf_scores.get(item_id, 0) + (1 - alpha) * cb_scores.get(item_id, 0) for item_id in candidates } return sorted(hybrid_scores, key=hybrid_scores.get, reverse=True)[:n] def _compute_alpha(self, interaction_count: int) -> float: return min(0.2 + (interaction_count / 100) * 0.6, 0.8) 

Switching Hybrid — выбор стратегии по контексту

Вместо смешивания скоров — переключение между рекомендерами целиком. Логика переключения может быть сложной: CF для залогиненных пользователей с историей, CB для гостей, popularity-based для новых пользователей без onboarding.

// Android: стратегия по контексту пользователя sealed class RecommendationContext { object Guest : RecommendationContext() data class NewUser(val preferences: List<String>) : RecommendationContext() data class ActiveUser(val userId: String, val interactionCount: Int) : RecommendationContext() } class HybridRecommenderRepository( private val cfApi: CFRecommendationApi, private val cbApi: CBRecommendationApi, private val popularApi: PopularityApi ) { suspend fun getRecommendations(context: RecommendationContext): List<Product> { return when (context) { is RecommendationContext.Guest -> popularApi.getTopProducts(count = 20) is RecommendationContext.NewUser -> cbApi.getByPreferences(context.preferences, count = 20) is RecommendationContext.ActiveUser -> { if (context.interactionCount < 15) { mergeRecommendations( cfApi.getPersonalized(context.userId, count = 6), cbApi.getSimilarToHistory(context.userId, count = 14) ) } else { cfApi.getPersonalized(context.userId, count = 20) } } } } } 

Feature-level Hybrid через нейросеть (Two-Tower)

Продвинутый вариант: CF-эмбеддинги пользователя и товара конкатенируются с CB-признаками и подаются в shallow нейросеть (2–3 dense слоя). Модель обучается end-to-end предсказывать вероятность клика. Эту архитектуру используют крупные платформы.

# Two-Tower модель (упрощённо) class TwoTowerModel(nn.Module): def __init__(self, user_emb_dim=64, item_emb_dim=64, cb_features_dim=50): super().__init__() self.user_tower = nn.Sequential( nn.Linear(user_emb_dim, 128), nn.ReLU(), nn.Linear(128, 64) ) self.item_tower = nn.Sequential( nn.Linear(item_emb_dim + cb_features_dim, 128), nn.ReLU(), nn.Linear(128, 64) ) def forward(self, user_emb, item_emb, cb_features): user_out = self.user_tower(user_emb) item_input = torch.cat([item_emb, cb_features], dim=-1) item_out = self.item_tower(item_input) return torch.sigmoid((user_out * item_out).sum(dim=-1)) 

На мобильном клиенте Two-Tower serving работает через предвычисление item-эмбеддингов + FAISS ANN.

Почему гибрид лучше чистого CF или CB?

Чистый CF теряет качество при разреженности данных — новые пользователи и товары не получают адекватных рекомендаций. Чистый CB зацикливается на прошлых предпочтениях, не видит неожиданных пересечений. Гибрид объединяет сильные стороны: социальные сигналы (CF) и семантическую близость (CB). В нашем A/B тесте гибридная система показала CTR на 30% выше, чем лучший одиночный метод на выборке из 10 000 пользователей. Снижение оттока пользователей — до 15%.

Как выбрать стратегию гибрида для вашего приложения?

Выбор зависит от объёма данных, количества пользователей и бизнес-требований. Для стартапов с базой до 10 000 пользователей подходит Weighted Hybrid — его легко прототипировать. Для приложений с разными сегментами (гости, новички, активные) лучше Switching Hybrid. Если у вас сотни тысяч пользователей и миллионы взаимодействий, Two-Tower модель окупит затраты на разработку за счёт роста конверсии.

Как кэширование влияет на производительность рекомендаций?

Кэширование на клиенте критически важно: оно снижает нагрузку на сервер и ускоряет отображение рекомендаций. Мы используем TTL 5 минут с фоновым обновлением через BGAppRefreshTask (iOS) и WorkManager (Android). Это гарантирует, что пользователь видит свежие рекомендации при открытии приложения без задержки.

// iOS: кэш рекомендаций с TTL и фоновым обновлением class RecommendationCache { private let cache = NSCache<NSString, CachedRecommendations>() private let ttl: TimeInterval = 300 // 5 минут func get(userId: String) -> [Product]? { guard let cached = cache.object(forKey: userId as NSString), Date().timeIntervalSince(cached.timestamp) < ttl else { return nil } return cached.products } func set(userId: String, products: [Product]) { cache.setObject( CachedRecommendations(products: products, timestamp: Date()), forKey: userId as NSString ) } } 

Что входит в работу

• Аудит данных: доступность CF-сигналов, качество CB-метаданных, объём пользовательской базы.
• Выбор стратегии комбинирования исходя из сложности задачи и ресурсов.
• Разработка serving-слоя с кэшированием на клиенте (iOS/Android).
• A/B тест: гибрид vs лучший одиночный рекомендер → CTR, время в приложении, конверсия.
• Документация по интеграции и поддержка после внедрения.
• Обучение команды работе с системой.

Ориентиры по срокам

Стоимость рассчитывается индивидуально. Мы гарантируем сопровождение после внедрения и прозрачную отчётность на каждом этапе. Получите консультацию — мы проанализируем ваши данные и предложим оптимальное решение за 2–3 рабочих дня. Свяжитесь с нами для оценки вашего проекта.