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.