Моя волна — теперь и в офлайне. Рассказываем, как уместили рекомендательную систему в сотню килобайт
Несколько лет назад мы представили Мою волну — систему персональных рекомендаций в Яндекс Музыке, которая подстраивается под предпочтения пользователей. В её основе — рекомендательные нейросети-трансформеры, размер которых может достигать сотен миллиардов параметров, и поэтому без мощных дата-центров их работа просто невозможна. Сегодня мы впервые представляем нашу новую рекомендательную технологию TinyML, которая работает локально, на обычном смартфоне. Теперь при потере доступа в интернет Моя волна не просто бесшовно продолжит воспроизведение музыки, но и будет подстраиваться под действия пользователя и формировать рекомендации, исходя из его предпочтений в текущий момент. Как это работает и что нам пришлось для этого создать — расскажем под катом.
#recsys #рекомендательные_системы #ml #яндекс #яндекс_музыка #команда_яндекс_музыки
Моя волна — теперь и в офлайне. Рассказываем, как уместили рекомендательную систему в сотню килобайт
Несколько лет назад мы представили Мою волну — систему персональных рекомендаций в Яндекс Музыке, которая подстраивается под предпочтения пользователей. В её основе — рекомендательные нейросети-трансформеры, размер которых может достигать сотен миллиардов параметров, и поэтому без мощных дата-центров их работа просто невозможна. Сегодня мы впервые представляем нашу новую рекомендательную технологию TinyML, которая работает локально, на обычном смартфоне. Теперь при потере доступа в интернет Моя волна не просто бесшовно продолжит воспроизведение музыки, но и будет подстраиваться под действия пользователя и формировать рекомендации, исходя из его предпочтений в текущий момент. Как это работает и что нам пришлось для этого создать — расскажем под катом.
https://habr.com/ru/companies/yandex/articles/1010992/
#recsys #рекомендательные_системы #ml #яндекс #яндекс_музыка #команда_яндекс_музыки
Решение обратной задачи рекомендаций: опыт участия в VK RecSys Challenge
В декабре 2025 года VK провёл RecSys Challenge LSVD — соревнование по машинному обучению с нестандартной постановкой задачи. Традиционные рекомендательные системы решают проблему "что показать пользователю", но здесь требовалось обратное: для каждого нового клипа определить, каким пользователям он может быть интересен. Такой подход помогает решать проблему холодного старта контента, когда новое видео только появляется в системе и не имеет истории взаимодействий. Я принял участие в этом челлендже и хочу поделиться своим решением, архитектурой системы и практическими выводами.
https://habr.com/ru/articles/986440/
#recsys_challenge_2025 #recsys #ml #рекомендации_контента #коллаборативная_фильтрация #большие_данные #bigdata #vk #vklsvd #huggingface
Yes, as a #recsys person, I know why… they aren't doing a lot of editorial judgement, CBS was a reputable news source until recently, practical ways to avoid this are hard, etc.
But the end user experience is still (attempted) slander of an innocent victim of unaccountable state violence when I open a new tab in my browser.
(I say "attempted" because her actions _were_ pretty tough, but not in the way Trump is trying to paint her as a villain.)
Вокруг RecSys ML 1: универсальный план по MLSD и основные проблемы RecSys
Время идет и каждая из областей в МЛ развивается, часто сложно уловить особенности и прорывы в каждом домене. Я предлагаю начать разбирать вглубь RecSys и постепенно отвечать на вопросы: что общего со всеми, а что стало доменным. Вдохновением стал курс от ШАДа 2025 года , буду использовать оттуда множество чудесных картинок. Объявим главные вопросы, на который нужно дать ответ, для решения задачи ML-ем. А также, основные проблемы в рексисе о которых нужно думать заранее. Это мы читаем →
https://habr.com/ru/articles/984260/
#recsys #mlsd #ml #ml_system_design #рекомендательные_системы #нейросети #ExplorationExploitation_TradeOff #Feedback_Loop #Cold_Start #Popularity_Bias
This is a really good summary of work on embedding collapse in #RecSys modeling from Sumit Kumar:
https://blog.reachsumit.com/posts/2024/11/embedding-collapse-recsys/
Learned embeddings often suffer from ’embedding collapse’, where they occupy only a small subspace of the available dimensions. This article explores the causes of embedding collapse, from two-tower models to GNN-based systems, and its impact on model scalability and recommendation quality. We discuss methods to detect collapse and examine recent solutions proposed by research teams at Visa, Facebook AI, and Tencent Ads to address this challenge.
ECIR 2026
Habr 25+
Habr
Michael Ekstrand
Claes de Vreese
Karl Higley