Розробка рекомендаційних систем: від collaborative filtering до real-time serving
На одному проєкті для e-commerce з каталогом 300k SKU ми підняли CTR з 1,8% до 4,4% — у 2,4 рази. Перший ривок дала колаборативна фільтрація замість «популярне за останні 7 днів», другий — додавання контентних ознак та re-ranking. Різниця між «показуємо популярне» і «показуємо персоналізоване» — вимірна та суттєва. Нижче — інженерний досвід, який допоміг це зробити, і архітектури, які реально працюють у продакшені.
Collaborative Filtering: матрична факторизація та нейронні підходи
Matrix Factorization — класика для implicit feedback (кліки, перегляди, покупки без явного рейтингу). ALS (Alternating Least Squares) у бібліотеці Implicit обробляє матриці user×item із сотнями мільйонів ненульових значень за хвилини на GPU. Latent factors 64–256, регуляризація λ=0.01–0.1 — стартові параметри. Проблема cold start: для нового користувача або товару немає історії — класичний CF безпорадний, потрібні контентні ознаки або гібрид.
Neural Collaborative Filtering (NCF) замінює скалярний добуток на нейромережу. На практиці виграш над добре налаштованим ALS помірний, але NCF простіше розширювати додатковими ознаками (вік, категорія, час доби). Sequence-aware моделі (SASRec, BERT4Rec) враховують порядок взаємодій — state-of-the-art для сесійних рекомендацій.
Як вибрати архітектуру рекомендаційної системи?
Відповідь залежить від даних, навантаження та вимог до холодного старту. Нижче — три основні підходи з критеріями вибору.
| Критерій | Collaborative Filtering | Content-Based Filtering | Гібридний (two-stage) |
|---|---|---|---|
| Дані для старту | Історія взаємодій | Ознаки об'єктів та користувачів | І те, і інше |
| Cold start | Провальний | Працює для нових items | Частково вирішено |
| Diversity (long-tail) | Низький, popularity bias | Високий | Середній–високий |
| Latency serving | <5 ms (precomputed) | <10 ms (FAISS) | 20–50 ms |
| Складність впровадження | Низька | Середня | Висока |
Гібридна архітектура на 20–40% ефективніша за чистий CF за покриттям long-tail — перевірено на каталогах від 100k SKU.
Content-Based Filtering: коли історії взаємодій мало
Content-based рекомендує на основі характеристик товарів, а не поведінки інших користувачів — вирішує cold start для нових items. Текстові ембединги через sentence-transformers (multilingual-e5-base, BGE-M3) → пошук схожих через FAISS IndexFlatIP — запит за <5 ms на 100k товарів. Item2Vec (Word2Vec на послідовностях переглядів) дає інтерпретовані «схожі товари» за пару годин навчання.
Структуровані ознаки (категорія, бренд, ціна) подаються через embedding layers або в gradient boosting — CatBoost працює з категоріями без ручного кодування.
Чому гібридні моделі працюють краще?
Production-системи майже завжди дворівневі. Stage 1 (Retrieval) — швидкий відбір 100–500 кандидатів із 300k товарів через ALS або Two-Tower модель з векторним пошуком (FAISS, Qdrant). Stage 2 (Ranking) — важкий ранжувальник на LightGBM або нейромережі з cross-features, часом, пристроєм та контекстом сесії. LightFM — хороша відправна точка для середнього масштабу без важкої інфраструктури. Наша практика показує: перехід від single-stage до two-stage дає приріст точності на 15–25% при зростанні latency всього на 20–30 мс.
Real-Time Serving: архітектура під навантаження
Latency SLA — 50–100 ms при тисячах запитів на секунду. Base-рекомендації precompute (batch job раз на годину) → Redis по user_id → <5 ms. Real-time re-ranking через Kafka для подій (кліки, додавання в кошик) → оновлення контекстних ознак. Feature serving — Redis з TTL (кількість переглядів за 24 години, останній клікнутий item). При навантаженні 10k req/s ставимо Redis Cluster з реплікацією.
A/B тестування — єдиний достовірний спосіб оцінити покращення. Офлайн-метрики корелюють з онлайн не завжди. Kohavi et al., «Online Controlled Experiments at Large Scale» (KDD 2013) — обов'язкове читання для команди. Тест з 5–10% трафіку, моніторинг CTR, конверсії, revenue per session. Одна з наших клієнтських систем після гібридизації збільшила виручку на 18% за місяць A/B.
Терміни розробки рекомендаційної системи
Етапи та типові часові витрати — у таблиці нижче. Вартість розраховується індивідуально під масштаб каталогу та вимоги до latency.
| Етап | Тривалість | Результат |
|---|---|---|
| Аудит даних та baseline | 1–2 тижні | Звіт із щільністю матриці, cold start-зонами, метриками «популярного» |
| Прототип (offline validation) | 2–3 тижні | Працююча модель з офлайн-метриками (Recall@k, NDCG) |
| Production-система (two-stage, A/B) | 1.5–2.5 місяця | Low-latency сервіс з моніторингом та A/B-інфраструктурою |
| Навчання команди та документація | 1–2 тижні | Model card, runbook з деплою, сесія з донавчання |
Що входить у розробку під ключ
- Аудит даних — щільність матриці user×item (зазвичай <0,1%), розподіл активності, temporal паттерни, cold start статистика.
- Baseline — «популярне» як простий поріг, який часто важко перевершити.
- Ітеративне покращення — ALS → контентні ознаки → two-stage → sequence-aware. Кожен крок з A/B.
- Інфраструктура serving — batch precomputation, Redis, real-time re-ranking, моніторинг у Grafana.
- Документація — model card з метриками, інструкція з деплою, опис ознак.
- Навчання команди — сесія з інтерпретації результатів та донавчання моделі.
- Підтримка — 1 місяць після запуску (фікс інцидентів, доналаштування pipeline).
Ми — команда з 7+ роками досвіду в рекомендаційних системах, реалізували понад 30 проєктів для e-commerce та медіа. Гарантуємо прозоре A/B-тестування та фіксацію покращення метрик.
Хочете оцінити потенціал зростання вашого каталогу? Зв'яжіться з нами для безкоштовного аудиту даних. Замовте розробку рекомендаційної системи — перший прототип протягом двох тижнів.
Приклад конфігу ALS для implicit feedback
from implicit.als import AlternatingLeastSquares
model = AlternatingLeastSquares(
factors=64,
regularization=0.05,
iterations=15,
use_gpu=True
)
model.fit(user_item_matrix)
Більше про математику рекомендаційних систем — у Wikipedia.