Конференция завершена. Ждем вас на HighLoad++ в следующий раз!

Как сделать рекомендации сообществ ВКонтакте, чтобы за них не было стыдно ни перед десятками миллионов пользователей, ни перед пацанами

Рекомендательные системы

Доклад отозван

Тезисы

Рекомендательная система может стать как черной дырой, пожирающей железо и время разработчиков и не приносящей результат, так и управляемой точкой роста для продукта. В случае b2c-продуктов: социальных сетей, e-commerce или контентных платформ ставки еще выше — от качества рекомендаций напрямую зависит Life time value пользователя и ключевые метрики компании.

В докладе разберем, как работают рекомендательные системы и какие возникают проблемы, когда нужно рекомендовать контент 97 млн пользователей и отдавать результат на скорости 10k RPS. Покажем, как логически и технически устроены подобные системы на примере рекомендаций сообществ ВКонтакте. Обсудим плюсы и минусы трех классов систем: офлайн, онлайн и асинхронные, чем стоит руководствоваться при выборе и как жить c последствиями.

Поговорим о том, как устроены рекомендательные системы не с точки зрения архитектуры моделей, а с точки зрения архитектуры сервиса: где искать кандидатов для рекомендаций, как их ранжировать и зачем пост-процессить результат. Из доклада вы узнаете, как из понятных кубиков собрать свою рекомендательную систему, а с помощью грамотной работы с инфраструктурой легко экспериментировать и итеративно её улучшать.

Евгений Малютин

ВКонтакте

Data scientist ВКонтакте. 5 лет занимается Big Data и Data Science в соцсетях: рекомендациями, поиском, анализом новостей, инфраструктурой. Преподает в СПБГУ ПМПУ, ВШМ, ВШЭ, ИТМО.

ВКонтакте

Видео