5 Aug 2026, 09:10 UTC606 views28 reactionsread 7 August 2026 Photo
State of Routing in Model Serving at Netflix
В наши дни большинство рекомендательных сервисов используют ML-модели: от линейных и градиентного бустинга до развесистых нейросетей. Если в продукте появляется первая поверхность для подключения продвинутых рекомендательных технологий, то самое простое — внедрить нужную модель в бэкенд сервиса.
Однако после запуска всё только начинается. Нужно как-то обновлять модели, т…
❤11🔥10👍5❤🔥2
31 Jul 2026, 10:12 UTC≈1,140 views21 reactionsread 7 August 2026 Photo
Работы о рексистемах на SIGIR 2026
На прошлой неделе в Мельбурне прошла конференция по исследованиям и разработке информационного поиска. Наша коллега Екатерина Дмитриева побывала в Австралии и рассказала о трёх работах, которые отражают основные тренды SIGIR.
Ключевая мысль — генеративный ретривал остаётся очень актуальным направлением в исследованиях, но при этом пока в индустрии не готовы полноценно заменять им …
🔥9❤6👌3💯2👍1
22 Jul 2026, 08:03 UTC≈1,340 views36 reactionsread 7 August 2026 Photo
TurboQuant: Redefining AI efficiency with extreme compression
Обсудим небольшую статью от Google о новом способе квантования векторов для сжатия KV-кэшей. Она зафорсилась после публикации и обросла множеством домыслов. Сейчас, когда ажиотаж схлынул, попробуем разобраться, в чём её суть.
В отличие от классических подходов для сжатия KV-кэшей в статье рассматривают задачу квантизации векторов в общем виде. По сути, е…
🔥16❤9👍9💯1🕊1
18 Jul 2026, 07:10 UTC≈1,380 views31 reactionsread 7 August 2026 Тренды рекомендательных систем на ICML 2026 [2/2]
Продолжаем разбор докладов о рекомендациях с воркшопа The Generative Turn in Search and Recommendation.
OneReason: From Scaling to Reasoning in Recommender Systems
Доклад о том, как из OneRec V1/V2 многократно пытались сделать reasoning-модель, но получилось далеко не с первой попытки — рассуждающая модель оказалась хуже.
Выделяют четыре аспекта рассуждений — R0-R…
❤16❤🔥7🔥5🙏3
18 Jul 2026, 07:10 UTC≈1,150 views18 reactionsread 7 August 2026 Тренды рекомендательных систем на ICML 2026 [1/2]
В этом году о рекомендациях много говорили на тематическом воркшопе The Generative Turn in Search and Recommendation. Сегодня разберём доклады оттуда.
Meta GR2: Advancing LLM-Based Recommendation System through Reasoning
Unified RecSys with RL end-to-end optimization. Делают модель, переранжирующую список кандидатов — что отличает их от чисто генеративных рекоменда…
❤7🔥6👍5
8 Jul 2026, 16:03 UTC≈1,740 views40 reactionsread 7 August 2026 Photo
Поточечное ранжирование vs генеративное: три работы с ICML 2026
Прямо сейчас в Южной Корее идёт ICML — одно из самых масштабных событий в мире машинного обучения. Почти все бигтехи рассказывают похожую историю: обычное поточечное ранжирование постепенно пытаются заменить генеративным.
Вместо моделей в духе HSTU, предсказывающих CTR для каждого кандидата по истории пользователя, всё чаще обсуждают модели, которые ге…
❤18🔥13❤🔥8🦄1
30 Jun 2026, 10:38 UTC≈3,620 views63 reactionsread 7 August 2026 Photo
Closing the Online-Offline Gap: A Scalable Framework for Composed Model Evaluation
В рекомендательных системах итоговый скор обычно считается не одной моделью, а композицией нескольких предсказаний. Например, одна модель предсказывает вероятность клика, другая — конверсии после клика, третья — конверсии без клика. Затем эти значения объединяются в итоговый eCVR — оценённую вероятность конверсии, которая используется…
🐳35👍15🔥9❤4
22 Jun 2026, 11:38 UTC≈3,890 views40 reactionsread 7 August 2026 Photo
Gryphon: A Unified Architecture for Semantic-ID Generation and Item-Level Scoring in Industrial Recommendations
Разбираем статью о гибридной генеративно-ранжирующей модели в рекомендациях Яндекс Музыки. О ней на Data Fest рассказала Дарья Тихонович, руководитель Яндекс RND-команды, которая разрабатывает новые рекомендательные технологии.
Генеративные рекомендации на базе Semantic IDs позволяют применять подход next…
👍17❤12🔥9💘2
16 Jun 2026, 10:20 UTC≈4,210 views21 reactionsread 7 August 2026 Photo
GenRec: A Preference-Oriented Generative Framework for Large-Scale Recommendation
Разбираем статью от команды JD App — крупного китайского маркетплейса. Работа небольшая, но в ней есть несколько интересных идей на тему генеративных рекомендаций.
Обычный Next Item Prediction плохо соответствует тому, как пользователь в действительности взаимодействует со страницей. Юзер видит набор товаров, кликает, покупает, скролл…
❤8👍7🔥5🥰1
10 Jun 2026, 13:41 UTC≈1,670 views28 reactionsread 7 August 2026 Photo
Meta Lattice: Model Space Redesign for Cost-Effective Industry-Scale Ads Recommendations
В рекомендациях для разных поверхностей, доменов и таргетов часто обучают отдельные модели. Но такой подход плохо масштабируется и усложняет поддержку системы. Чтобы решить проблему, авторы Meta Lattice построили фундаментальную модель, сочетающую разные органические и рекламные поверхности Meta*.
Основной вклад статьи в том, …
❤12🔥10👍5🥰1
2 Jun 2026, 08:45 UTC≈1,660 views28 reactionsread 7 August 2026 Photo
MTGR: Industrial-Scale Generative Recommendation Framework in Meituan
Сегодня разбираем недавнюю статью от Meituan, крупнейшего сервиса доставки в Китае. В ней предлагают архитектуру ранжирования MTGR, которая использует ручные кросс-фичи, но при этом обладает масштабируемостью генеративных моделей.
Авторы выделяют две проблемы:
1. В классических моделях Deep Learning Recommendation (DLRM) вычислительная сложность…
❤11👍10🔥6🥰1
27 May 2026, 10:00 UTC≈1,950 views33 reactionsread 7 August 2026 Photo
Как в ARGUS решали проблемы контекста, кросс-доменных знаний и претрейна
Мы уже разбирали статью Scaling Recommender Transformers to One Billion Parameters, в которой представили генеративную модель персонализации ARGUS, от Яндекса. За последний год модель заметно изменилась и адаптировалась под разные домены внутри компании.
О генеративной постановке в рексистемах и развитии ARGUS подробно написал на Хабре руковод…
❤15👍9🔥8👏1
Showing the 12 most recent of 12 posts we hold for @RecSysChannel. View and reaction counts are the latest single reading for each post, not a live figure, and a recent post is still accumulating both. A view count marked ≈ was rounded by Telegram before we ever saw it — t.me prints views in full below 1,000 and to three significant figures above, so ≈1,200,000 means somewhere between 1,150,000 and 1,249,999. Unmarked counts are exact. Text is reproduced from the public post preview and truncated for length.