Recsys

Персонализация

• Сегментация Пользователей

  ---

  Посмотрим на задачу сегментацию пользователей, разделяем выборку на части используя эврестику, RFM, кластеризацию и логистическую регрессию.

• Look-a-like Сегментация Пользователей

  ---

  Посмотрим на задачу look-a-like в которой мы используем бинарную классификацию для предсказания подобных пользователей. На примере оттока клиетнов из банка, имея исторические данные о клиенах которые ушли и те которые не ушли обучаем модель которая учится находить похожих клиентов

• Next Best Action Моделирование

  ---

  Посмотрим на задачу персонализации предложении, Next Best Action используя классический ML. Построим модель NBA как композицию бинарный моделей отклика и сравним лучшее предложение на основе вероятностей с лучшим предложением с учетом NPV продукта. Это нужно для того чтобы определить что предложить пользователю

• Uplift Моделирования

  ---

  Посмотрим на метод (Uplift моделирование) который позволяет оценить эффект от воздействия определенной действия на целевую аудиторию. Он помогает определить, какие клиенты действительно выиграют от рекомендации, а не просто отреагируют на него, что позволяет более эффективно распределять ресурсы и повышать рентабельность инвестиций

Классические методы рекомендаций

Эвристические, apriori и подходы матричной факторизации

• Эвристические Модели,Коллаборативная Фильтрация
• Модели Матричной Факторизации
• Модели Матричной Факторизации Практика
• A/B - тесты в рекомендательных системах

Контентные и гибридные методы рекомендаций

Подходы на основе LightFM и много этапные подходы для решения задач рекомендации

• Контентные методы рекомендаций
• Рекомендации по текстовому описанию
• Ранжирование каталога товаров I
• Ранжирование каталога товаров II
• Практическое занятие по рекомендательным системам. Двухуровневая модель

Современные методы рекомендаций

Нейросетевые подходы (NeuMF,DSSM), много рукие бандиты

• Нейросетевые методы рекомендаций (DSSM) Простой
• Нейросетевые методы рекомендаций (DSSM) Продвинутый
• Многорукие бандиты для оптимизации A/B - тестирования
• Многорукие бандиты для задачи рекомендации

Проекты

• X-Learner Uplift

  ---

  Цель: реализовать самописный код для модели X-learner.

• Модели матричной факторизации

  Цель: Обучение рекомендательный моделей и сравнения их качество на основе три критерии; классификации (hitrate), ранжирования (MRR,NDCG) и разнообразия (coverage)

• Контентные методы рекомендаций

• Гибридные подход рекомендаций

• Нейросетевые методы рекомендаций (NeuMF)