Рекомендации, Поиск и Путешествия

Эту неделю работаю из офиса. Чувствую флешбеки, очень похожа атмосфера на офис Яндекса образца 2010 года; даже выход на террассу есть с видом на центр Стокгольма.

Всем привет! Вопрос к тем, кто едет на рексис 2026: можете побыть proxy presenter для моей статьи (от wildberries) на воркшопе USRW 2 октября, пожалуйста? Мне визу не дали 🥲

Если кто-то едет на рексис, можете помочь человеку? Я бы сам помог, но я на этом воркшопе в организаторах и уже делаю там презентацию, так что будет сложно совместить.

Наконец могу поделиться статьей
https://arxiv.org/pdf/2608.19833


И кодом: https://github.com/spotify-research/sequential-capacity-probes


Как видите, алгоритм PCTM очень простой и влезает на полстранички; никакого диплернинга. При этом на стандартных академических бенчмарках работает лучше модных трансфореров. Во многом это вопросы к бенчмаркам, а не к трансформерам.

Мы опубликовали список принятых работ на Unified Search and Recommendation Workshop (USRW 2026), который мы организуем в рамках ACM RecSys 2026 🎉

В программу вошли 18 работ от 121 автора.
По аффилиациям первых авторов лидируют Target Corporation — 3 работы, а также Amazon, Meta и Spotify — по 2 работы. Ещё по одной работе представили Amazon Web Services, Arizona State University, Dailymotion, DoorDash, ETH Zurich, Feed.fm, RPTU, RWB и University of Chicago.

Авторы принятых работ представляют 12 стран. В 13 работах есть авторы из США; также представлены Великобритания, Испания, Швеция, Германия, Франция, Швейцария, Нидерланды, Финляндия, Италия, Люксембург и Россия.

Полный список работ и авторов:

https://usrw-workshop.github.io/2026/accepted-papers.html

Похоже, на RecSys 2026 у меня собирается очень насыщенная программа! У нас приняли ещё одну статью — на этот раз на новый Research & Practice (R&P) трек.

📌 Do Sequential Recommendation Benchmarks Really Require Higher-Order Sequence Modelling?
👥 Соавторы: Praveen Chandar, Paul N. Bennett, Hugues Bouchard, Mounia Lalmas

В этой статье мы задались простым вопросом: сейчас в sequential recommendation принято строить всё более сложные Transformer-архитектуры для захвата контекстных связей. Но действительно ли популярным бенчмаркам нужна вся эта мощь?
Чтобы проверить это, мы взяли простые статистические модели (в статье мы называем их capacity probes) — Sequential Rules (SeqRules) и нашу новую модель Probabilistic Collaborative Transition Model (PCTM). Они учитывают фактор свежести (recency) и парные переходы между итемами, но принципиально не умеют строить репрезентации последовательностей высшего порядка.

Отдельное спасибо Даше (канал https://t.me/redrecsys) за открытый код eSASRec и опубликованные сплиты — благодаря этому мы смогли сбенчмаркаться максимально честно и воспроизводимо! 🤝 Если вы вдруг еще не подписаны на её канал, очень советую — там регулярно выходит отличный контент про рекомендательные системы.

Что у нас получилось:

• В сравнении с eSASRec хотя бы одна из наших простых моделей обгоняет её на 15–38% на трех датасетах Amazon и на 4.4% на MovieLens-1M.

• Ещё на четырёх датасетах наши модели превосходят SASRec (с sampled-softmax) на 9–28%. • Единственный датасет из изученных, где eSASRec удержал преимущество — это ML-20M. Мы не утверждаем, что ML-20M — идеальный датасет, но факт остается фактом: для большинства остальных ходовых бенчмарков сложные модели просто не нужны, так как основной сигнал там сводится к парным переходам и recency.

Мы предлагаем использовать такие простые модели как обязательный sanity check — чтобы честно проверять, за счет чего именно новая архитектура получает прирост.

В итоге на конференции намечается плотная программа:
🔹 Две статьи (на Industry и R&P треках)
🔹 Туториал
🔹 Организация двух воркшопов
🔹 И мы все еще ждем результаты по нескольким воркшопным статьям🤞

Если планируете быть на RecSys в этом году — обязательно пишите в личку или комментарии, буду очень рад развиртуализироваться и пообщаться!

RecSys опубликовали список принятых статей!

Посмотреть можно тут: recsys.acm.org/recsys26/contributions/

Уже успел пробежаться по авторам и увидел несколько знакомых имён, в том числе ребят из нашего чата! 🎉 Примите искренние поздравления, отличный результат!

Жаль, конечно, что в этом году не указали affiliations — отбирать статьи по топовым компаниям и лабам теперь чуть сложнее.

👇 Делитесь в комментариях: что уже зацепило глаз? Что точно стоит добавить в список на чтение?

Ну все, я теперь официально индустриальный рисерчер! 🟢

Мою с коллегами статью (Full Paper) приняли на Industry track ACM RecSys 2026!

📌 Hypothesis-Driven Shelf Generation for Personalised Recommendation
🔗 https://arxiv.org/pdf/2607.25823

В работе делимся тем, как мы меняем подход к формированию Spotify Home. Мы разработали систему, которая заменяет классические захардкоженные шаблоны полок рекомендаций на natural-language гипотезы.

Что внутри:
🔹 Архитектура из 4 этапов: hypothesis generation, catalogue fulfilment, shelf alignment и offline serving.
🔹 Декомпозиция планирования полок и retrieval для их независимой оптимизации.
🔹 Офлайн-оценка через LLM-as-a-judge и дистилляция знаний из frontier-моделей в компактные.
🔹 Результаты онлайн-оценки в режиме uniform random exposure на реальном трафике Spotify Home.

Буду рад, если прочтете работу. С удовольствием отвечу на любые технические вопросы в комментариях!

Если вдруг кто-то из вас тоже доберется до RecSys в этом году — обязательно пишите, буду рад развиртуализироваться и пообщаться! Программа у меня там намечается насыщенная: помимо доклада по этой статье, я еще читаю туториал и участвую в организации двух воркшопов.

USRW 2026: Call for Papers — дедлайн продлён до 27 июля 🔎

Это тот самый Unified Search and Recommendation Workshop, который я недавно упоминал в посте про мои воркшопы на RecSys. Теперь можно наконец рассказать подробнее: мы опубликовали программу и открыли приём статей.

Для меня это первый опыт организации отдельного воркшопа — и особенно приятно, что он посвящён теме, вокруг которой, собственно, и строится этот канал.

Главная идея USRW проста: поиск и рекомендации слишком долго развивались как разные дисциплины, хотя обе решают одну и ту же задачу — помогают человеку найти нужный контент. С появлением LLM, generative retrieval и агентных систем граница между query-driven search и feed-driven recommendation становится всё менее естественной.

Но «объединить» не значит просто объявить поиск и рекомендации одной и той же задачей. Мы хотим разобраться, что действительно можно сделать общим — данные, представления, генерацию кандидатов, ранжирование, интерфейсы и протоколы оценки, — а где различия в сигналах, UX, задержке, стоимости и управляемости остаются принципиальными.

В программе:

🎤 Mounia Lalmas (Senior Director of Research, Spotify) — «Building AI-Driven Experiences at Scale: When Search and Recommendation Become One Conversation»

🎤 Harrie Oosterhuis (Associate Professor, University of Amsterdam / Amazon Scholar Amazon Music) — «Learning to Rank Everything, Everywhere and All at Once»

🧭 Dive Deep tutorial, который мы проведём вместе с Gustavo Penha. Поговорим об общих корнях поиска и рекомендаций, слоях их возможного объединения, semantic IDs, generative retrieval, языковых интерфейсах, агентах и реальных production-компромиссах.

В Call for Papers ждём работы про:

• единые модели поиска и рекомендаций;
• общие представления пользователей и объектов;
• моделирование поведения между search- и feed-сценариями;
• LLM для понимания запросов и намерений;
• generative retrieval, semantic IDs, RAG и agentic discovery;
• смешанные поисково-рекомендательные интерфейсы;
• общую инфраструктуру и методы оценки;
• эффективность, устойчивость и безопасность;
• индустриальные кейсы, датасеты и benchmarks.

Формат: 4–9 страниц без списка литературы, ACM SIGCONF, двойное слепое рецензирование.

Воркшоп неархивный: принятая статья будет размещена на сайте USRW, но авторы сохраняют право впоследствии отправить её расширенную версию в конференцию или журнал. Также выберем лучшую работу для Best Paper Award.

⏰ Дедлайн подачи: 27 июля 2026 года, 23:59 AoE
📍 Воркшоп: 2 октября 2026 года, Миннеаполис, ACM RecSys 2026
🔗 Сайт, полный CFP и подача статьи: https://usrw-workshop.github.io/2026/

Организуем USRW вместе с Sean MacAvaney (University of Glasgow), Gustavo Penha (Spotify), Léa Briand (Deezer) и Clémence Vast (Deezer).

Если у вас есть работа на стыке поиска и рекомендаций — от новой модели до индустриального кейса или benchmark, — буду очень рад увидеть её на USRW.

И буду благодарен, если перешлёте этот анонс коллегам, которым тема может быть близка 🙌

Бонус работы в Spotify: на корпоративах тут выступают артисты мировой величины.

На прошлой неделе летал в Стокгольм праздновать день рождения компании. Масштаб, мягко говоря, поражает. Судите сами, среди хедлайнеров:

• 👑 Karol G — главная латиноамериканская певица прямо сейчас.
• ⚡️ Travis Scott — абсолютный топ в мировом рэпе.
• 🎹 Swedish House Mafia — а это отдельный вид кайфа для таких фанатов EDM, как я!

И это только верхушка айсберга. На сцене также зажигали Sophie Ellis-Bextor, Natasha Bedingfield, Angine de Poitrine и Dayong.

Помимо музыкальных сетов, было много крутых разговорных выступлений (паблик-токов). Мой личный фаворит — Джастин Трантер (Justin Tranter). Это гениальный сонграйтер, создавший хиты для Imagine Dragons, Джастина Бибера и Chappell Roan.

В общем, впечатлений вагон. Ради таких моментов и понимаешь, насколько круто быть частью этой команды!

Еще новости с РекСиса — рексис принял наш туториал:

Title: Transformer-based Sequential Recommender Systems
Instructors: Jan Malte Lichtenberg, Aleksandr V. Petrov

Transformer-based models have become the cornerstone of sequential recommendation, yet they are often perceived either as rigid engineering recipes or as a collection of disconnected architectures. This tutorial demystifies these systems by centering on a provocative guiding question: ``What is not sequential recommendation?'' By framing recommendation as an inherently temporal task, where user intent, catalogs, and context constantly evolve, we present Transformers as a unified and practical framework for modern Recommender Systems. 

The tutorial is structured into two blocks. The first block establishes foundations using SASRec as a running base model, covering item embeddings, causal self-attention, and the impact of positional information. The second block dives into advanced trade-offs, comparing causal and masked (BERT4Rec) modeling, scaling to large catalogs via quantization and Seamtatic IDs, and integrating content-aware representations (DenseRec). 

Designed for both researchers and industry practitioners, this session prioritises intuition and reproducibility. Participants will interact with a live playground to observe how model assumptions affect real-time recommendations. Attendees will leave with a clear understanding of when to use Transformer-based models, how to navigate their architectural trade-offs, and a suite of open-source materials for robust implementation.