AI-рекомендаційна система з гібридним підходом в мобільних додатках
Чистий Collaborative Filtering ломається на холодному старті. Чистий Content-Based ігнорує соціальні сигнали та застає в filter bubble. Гібридні системи комбінують обидва — саме вони стоять за лентами великих платформ: Netflix, Spotify, Amazon.
Головний інженерний питання не "потрібен гібрид", а "як саме комбінувати".
Три стратегії комбінування
Weighted Hybrid — взвешена сума скорів
Найпростіший варіант: остаточний скор = α × CF_score + (1−α) × CB_score. Параметр α можна робити динамічним — для нового користувача α = 0,2 (CF слабкий, довіряємо CB), для досвідченого 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:
# лінійний ріст: 0.2 при 0 взаємодіях, 0.8 при 100+
return min(0.2 + (interaction_count / 100) * 0.6, 0.8)
Switching Hybrid — вибір стратегії за контекстом
Замість змішування скорів — переключення між рекомендерами цілком. Логіка переключення може бути складною: CF для залогінених користувачів з історією, CB для гостей, popularity-based для нових користувачів без onboarding.
// Android: стратегія за контекстом користувача
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) {
// змішуємо: 30% CF + 70% CB
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 модель)
Продвинутий варіант: CF-embeddings користувача та товару конкатенуються з CB-ознаками та подаються в shallow нейросеть (2–3 dense шари). Модель навчається end-to-end передбачувати ймовірність клику. Це Two-Tower архітектура, яку використовують Google та Airbnb.
# Two-Tower модель (спрощена)
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 мобільному клієнті Two-Tower serving працює через передвичислення item-embeddings + FAISS ANN.
Мобільна інтеграція: кешування та оновлення рекомендацій
// iOS: кеш рекомендацій з TTL та фоновим оновленням
class RecommendationCache {
private let cache = NSCache<NSString, CachedRecommendations>()
private let ttl: TimeInterval = 300 // 5 хвилин
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
)
}
}
Рекомендації оновлюються у фоні через BGAppRefreshTask (iOS) / WorkManager (Android) — користувач бачить свіжий контент при відкритті додатка без очікування.
Процес роботи
Аудит даних: доступність CF-сигналів, якість CB-метаданих, обсяг користувальницької бази.
Вибір стратегії комбінування в залежності від складності завдання та ресурсів.
Розробка serving-шару з кешуванням на клієнті.
A/B тест: гібрид vs найкращий одиночний рекомендер → CTR, час у додатку, конверсія.
Ориентири за часовими рамками
Weighted Hybrid з готовими CF та CB компонентами — 1–2 тижні. Two-Tower модель з нуля — 4–6 тижнів включаючи збір навчальних даних, навчання та деплой.