---
title: Рекомендательные системы
questionDates:
  q-transfer-0068: '2026-10-01'
  q-transfer-0069: '2026-10-01'
seo:
  description: >-
    Тема «Рекомендательные системы» для собеседования Data Scientist. Как решать
    cold start для нового пользователя в рекомендательной системе? Чем
    коллаборативные рекомендации отличаются от контентных?
  title: Рекомендательные системы — Data Scientist
---

[Все темы Data Scientist](/prep/data-scientist)

Подтемы:

- [Рекомендательные системы](#q-transfer-0068)
- [Popularity Bias](#q-14bee738d69b81c4b12fdb33f5f017c4)

## Как решать cold start для нового пользователя в рекомендательной системе? [#q-transfer-0068]

Для нового пользователя сначала дают неперсонализированный baseline: популярное или трендовое с учетом региона, времени и доступности. Onboarding может собрать несколько предпочтений, а контентные признаки профиля и объектов дают раннюю персонализацию. Часть показов оставляют для controlled exploration, чтобы быстрее узнать интересы и не замкнуть пользователя в первом выборе. После накопления событий растет вес коллаборативных сигналов. Оценивают activation, diversity, long-term retention и regret, а не только первые клики.

:::note[Ссылки для изучения]

1. [Холодный старт нового пользователя: популярность и разнообразие первых рекомендаций](https://habr.com/ru/companies/prequel/articles/567648/)
   :::

---

## Чем коллаборативные рекомендации отличаются от контентных? [#q-transfer-0069]

Коллаборативные методы учатся по матрице взаимодействий user-item и находят сходство пользователей или скрытые факторы. Они не требуют полного описания объектов, но страдают от cold start и feedback loop. Контентные методы сравнивают признаки пользователя и объекта, поэтому могут рекомендовать новый объект, но часто дают слишком похожие результаты. Гибрид объединяет оба сигнала и добавляет популярность, контекст и ограничения. Split делают по времени, чтобы будущие взаимодействия не попадали в признаки.

:::note[Ссылки для изучения]

1. [Коллаборативные и контентные рекомендации: история взаимодействий, признаки объектов и ограничения](https://contest.yandex.ru/tracks/ml/recommender-systems/introduction-to-recommender-systems#kollaborativnaya-filtraciya)
   :::

---

## <strong>Popularity bias, как бороться?</strong> [#q-14bee738d69b81c4b12fdb33f5f017c4]

<code>Popularity bias</code> (популярный биас) возникает, когда рекомендательная
система предлагает пользователю только самые популярные или общеизвестные
элементы, игнорируя индивидуальные предпочтения пользователя. Вот несколько
способов борьбы с ним&#58;

1. <strong>Персонализация</strong>&#58; Используйте персонализированные методы
   ранжирования, которые учитывают предпочтения и историю взаимодействия
   конкретного пользователя с контентом.

1. <strong>Разнообразие</strong>&#58; Интегрируйте в систему механизмы, которые
   обеспечивают разнообразие рекомендаций, чтобы предложения не были ограничены
   только самыми популярными элементами.

1. <strong>Фильтрация по контексту</strong>&#58; Учитывайте контекст, такой как
   время, местоположение, текущая активность пользователя и т. д., для адаптации
   рекомендаций к конкретной ситуации.

1. <strong>Гибридные модели</strong>&#58; Используйте комбинацию различных
   методов рекомендаций, таких как коллаборативная фильтрация, контентная
   фильтрация, гибридные подходы и т. д., для более точных и разнообразных
   рекомендаций.

1. <strong>Управление экспозицией</strong>&#58; Регулируйте видимость популярных
   и непопулярных элементов с помощью техник, таких как балансировка и
   динамическая регулировка рекомендаций в зависимости от интересов
   пользователя.

:::note[Ссылки для изучения]

1. [Дропаем ранжирующие метрики в RecSys](https://habr.com/ru/companies/ods/articles/750974/)
   :::

---

## <strong>Метрики качества рекомендаций. Помимо классических спросил еще про diversity, новизну контента.</strong> [#q-14bee738d69b8172b8a5c24a7634a12a]

Метрики качества рекомендаций оценивают эффективность рекомендательных систем. Вот несколько классических метрик&#58;

1. <strong>Точность (Precision)</strong>&#58; Оценивает долю релевантных
   рекомендаций среди всех предложенных. <code>Формула</code>&#58;
   <InlineMath
     tex={
       "\\frac {Кол-во релевантных рекомендаций} {Кол-во предложенных рекомендаций}"
     }
   />
   .

1. <strong>Полнота (Recall)</strong>&#58; Оценивает долю релевантных
   рекомендаций, найденных из всех релевантных элементов. <code>Формула</code>
   &#58;
   <InlineMath
     tex={
       "\\frac {Кол-во релевантных рекомендаций} {Кол-во всех релевантных элементов}"
     }
   />
   .

1. <strong>F-мера (F1-score)</strong>&#58; Гармоническое среднее между точностью
   и полнотой, позволяющее учесть обе метрики. <code>Формула</code>&#58;
   <InlineMath
     tex={"𝐹1=2 \\cdot \\frac {Precision \\cdot Recall} {Precision+Recall}"}
   />
   .

1. <strong>Средний ранг (Average Rank)</strong>&#58; Средний ранг релевантных
   элементов в списке рекомендаций.

1. <strong>Разнообразие (Diversity)</strong>&#58; Оценивает степень разнообразия
   предлагаемых рекомендаций. Может измеряться, например, как разнообразие
   жанров, авторов или других аспектов контента.

1. <strong>Новизна контента (Content Novelty)</strong>&#58; Оценивает степень, в
   которой рекомендации предлагают новый и неожиданный контент для пользователя.
   Может измеряться, например, как доля рекомендаций среди элементов, которые
   пользователь еще не видел или не взаимодействовал с ними.

:::note[Ссылки для изучения]

1. [Качество рекомендаций: Recall, MIUF и Serendipity](https://habr.com/ru/companies/ods/articles/750974/)
   :::