Первый день RecSys 2026
28 сентября прошёл день воркшопов и туториалов. Обсуждали, как рекомендательные системы адаптируются к меняющимся интересам пользователя, работают с мультимодальными данными и используют генеративный ИИ. Из программы нам с Машей особенно запомнились некоторые работы:
Real-Time Hard Negative Sampling via LLM-based Clustering for Large-Scale Two-Tower Retrieval
Для обучения двухбашенной retrieval-модели авторы выбирают hard negatives — похожие на целевой объект, но неверные примеры — из того же семантического кластера. Подход показал улучшения на открытых данных и в промышленной системе; авторы также отмечают снижение перекоса в пользу популярных объектов.
Rethinking ANN-based Retrieval: Multifaceted Learnable Index for Large-scale Recommendation System
Здесь эмбеддинги объектов и индекс обучаются совместно. При выдаче система обращается к индексу напрямую, без отдельного ANN-поиска. Интересно, что авторы разбирают не только качество рекомендаций, но и стоимость выдачи, обновление индекса в реальном времени и работу с новыми объектами.
The Disconnect Between Better Descriptive Reasoning Trace Quality and Recommendation Effectiveness
Работа ставит под вопрос интуитивную идею: если модель лучше объясняет рекомендацию, значит, она лучше рекомендует. В исследованных условиях более понятные reasoning traces сами по себе не улучшили стандартные офлайн-метрики. На наш взгляд, это хороший повод обсудить, как оценивать пользу объяснений для пользователя.
Rethinking Context with Language — Through the Lens of Spotify
В докладе на воркшопе CARS Mounia Lalmas, senior director of research in Spotify, предложила смотреть на контекст шире привычных признаков вроде времени и устройства. Язык помогает системе уточнять намерение пользователя прямо в ходе взаимодействия и подбирать рекомендации под текущую ситуацию.
Personalization in the Agentic AI Era: Opportunities and Challenges
В приглашённом докладе на OARS James Caverlee говорил о переходе от предсказания следующего клика к помощи в достижении цели. Для таких систем уже недостаточно оценивать только качество ранжирования: важны результат, прозрачность действий и контроль пользователя.
Главный вывод дня: рекомендательные системы всё чаще пытаются понять, чего человек хочет сейчас, и помочь ему с задачей, которая сложнее выбора следующего объекта.
28 сентября прошёл день воркшопов и туториалов. Обсуждали, как рекомендательные системы адаптируются к меняющимся интересам пользователя, работают с мультимодальными данными и используют генеративный ИИ. Из программы нам с Машей особенно запомнились некоторые работы:
Real-Time Hard Negative Sampling via LLM-based Clustering for Large-Scale Two-Tower Retrieval
Для обучения двухбашенной retrieval-модели авторы выбирают hard negatives — похожие на целевой объект, но неверные примеры — из того же семантического кластера. Подход показал улучшения на открытых данных и в промышленной системе; авторы также отмечают снижение перекоса в пользу популярных объектов.
Rethinking ANN-based Retrieval: Multifaceted Learnable Index for Large-scale Recommendation System
Здесь эмбеддинги объектов и индекс обучаются совместно. При выдаче система обращается к индексу напрямую, без отдельного ANN-поиска. Интересно, что авторы разбирают не только качество рекомендаций, но и стоимость выдачи, обновление индекса в реальном времени и работу с новыми объектами.
The Disconnect Between Better Descriptive Reasoning Trace Quality and Recommendation Effectiveness
Работа ставит под вопрос интуитивную идею: если модель лучше объясняет рекомендацию, значит, она лучше рекомендует. В исследованных условиях более понятные reasoning traces сами по себе не улучшили стандартные офлайн-метрики. На наш взгляд, это хороший повод обсудить, как оценивать пользу объяснений для пользователя.
Rethinking Context with Language — Through the Lens of Spotify
В докладе на воркшопе CARS Mounia Lalmas, senior director of research in Spotify, предложила смотреть на контекст шире привычных признаков вроде времени и устройства. Язык помогает системе уточнять намерение пользователя прямо в ходе взаимодействия и подбирать рекомендации под текущую ситуацию.
Personalization in the Agentic AI Era: Opportunities and Challenges
В приглашённом докладе на OARS James Caverlee говорил о переходе от предсказания следующего клика к помощи в достижении цели. Для таких систем уже недостаточно оценивать только качество ранжирования: важны результат, прозрачность действий и контроль пользователя.
Главный вывод дня: рекомендательные системы всё чаще пытаются понять, чего человек хочет сейчас, и помочь ему с задачей, которая сложнее выбора следующего объекта.
❤🔥3
Наши работы на RecSys 2026
В этом году мы приехали на конференцию с тремя работами: одним short paper и двумя demo papers. Все они про достаточно разные области рекомендательных систем — от новой модели до опенсорс-инструментов, которые мы недавно релизнули в паблик:
ScaL³AE · Short Paper Track
Мы взяли за основу L³AE — линейный автоэнкодер, который объединяет историю взаимодействий пользователей с семантикой объектов из LLM. Это особенно эффективно для айтемов, по которым мало интеракций, но есть текстовое описание. Но оригинальный метод построен на инвертировании плотных матриц и плохо масштабируется на большие каталоги. В ScaL³AE мы заменили эти вычисления компактными и разреженными представлениями, сохранив near-closed-form решение. В результате получили модель, которая без проблем скейлится на промышленные каталоги и является сильным бейзлайном даже за пределами своего класса.
Кстати, в этой работе мы сравниваемся с SANSA. К нам на постер подошёл её первый автор Martin Spišák, и сказал, что интегрировать семантику в LAE — годная идея. На фотке мы стоим с ним в кепках Make L³AE Scalable Again
Scikit-Rank · Demo Track
Сейчас нейросетевое ранжирование всё чаще используют там, где раньше полагались на бустинги. Но все делают это очень разными способами. Нам захотелось собрать лучшие практики в одной библиотеке, которую можно легко встроить в существующие пайплайны за счёт совместимости со scikit-learn. Так появился Scikit-Rank: он позволяет буквально заменой пары строк попробовать нейроранжирование и поэкспериментировать с лоссами, бэкбонами и энкодерами — всё это настраивается через конфиг и даже работает в multi-GPU-режиме.
Презентовать было относительно легко, потому что 80+% знали, что такое scikit-learn-пайплайн. А всякие engineering managers говорили, что им это надо и они обязательно попробуют.
Perseus · Demo Track
В июле на Turbo ML мы релизнули в open source наш внутренний фреймворк Perseus и рассказывали о нём в «Жёлтом AI». Но помимо этого, мы ещё написали про него пейпер и заслали на demo-трек RecSys 2026, где его с радостью акцептнули. Если кратко, то фреймворк позволяет собрать разнообразные действия пользователя в общую последовательность и обучить модели на этих богатых гетерогенных данных.
Постер Perseus вызвал большой интерес: мы показывали, как легко настраивать эксперименты и работать с кросс-доменными последовательностями из разных типов событий. Пишешь один YAML-ик — и всё работает из коробки. Многие говорили, что сталкиваются с похожей проблемой у себя: с такими данными тяжело работать, и Perseus решает для них реальную задачу.
Флаеры вообще разобрали как горячие пирожки. Кажется, доверия добавило и то, что мы уже давно используем Perseus у себя в продакшене, и то, что эксперименты на хороших датасетах T-ECD и Yambda показали, насколько полезной для рекомендаций может быть дополнительная информация о пользователе.
Overall
Сама презентация прошла прям хорошо.
В этот раз мы решили сделать минималистичные постеры: дропнули все таблицы и формулы и вставили большую картинку с нейрособачкой. И, кажется, это сработало — к нам постоянно подходили, задавали много вопросов и хвалили такой визуально упрощённый формат.
На конфе практически никто не знал, что такое Т-Банк, за исключением ребят из СНГ, которых в этом году было супер мало. Я даже по собственной инициативе создал russian-speaking для участников, как это принято делать на подобных конференциях. Но туда по итогу зашло только 4 человека, 2 из которых — мы с Машей 😁
Мы однозначно остались довольны презентацией, пообщались с кучей разных людей, и, кажется, многие из них действительно заинтересовались нашими работами. Ещё я смог нескольким ребятам вдогонку разрекламировать наш T-ECD, так что план даже перевыполнен. Уверен, что вскоре у нас вырастет известность, количество скачиваний и цитирований)
В этом году мы приехали на конференцию с тремя работами: одним short paper и двумя demo papers. Все они про достаточно разные области рекомендательных систем — от новой модели до опенсорс-инструментов, которые мы недавно релизнули в паблик:
ScaL³AE · Short Paper Track
Мы взяли за основу L³AE — линейный автоэнкодер, который объединяет историю взаимодействий пользователей с семантикой объектов из LLM. Это особенно эффективно для айтемов, по которым мало интеракций, но есть текстовое описание. Но оригинальный метод построен на инвертировании плотных матриц и плохо масштабируется на большие каталоги. В ScaL³AE мы заменили эти вычисления компактными и разреженными представлениями, сохранив near-closed-form решение. В результате получили модель, которая без проблем скейлится на промышленные каталоги и является сильным бейзлайном даже за пределами своего класса.
Кстати, в этой работе мы сравниваемся с SANSA. К нам на постер подошёл её первый автор Martin Spišák, и сказал, что интегрировать семантику в LAE — годная идея. На фотке мы стоим с ним в кепках Make L³AE Scalable Again
Scikit-Rank · Demo Track
Сейчас нейросетевое ранжирование всё чаще используют там, где раньше полагались на бустинги. Но все делают это очень разными способами. Нам захотелось собрать лучшие практики в одной библиотеке, которую можно легко встроить в существующие пайплайны за счёт совместимости со scikit-learn. Так появился Scikit-Rank: он позволяет буквально заменой пары строк попробовать нейроранжирование и поэкспериментировать с лоссами, бэкбонами и энкодерами — всё это настраивается через конфиг и даже работает в multi-GPU-режиме.
Презентовать было относительно легко, потому что 80+% знали, что такое scikit-learn-пайплайн. А всякие engineering managers говорили, что им это надо и они обязательно попробуют.
Perseus · Demo Track
В июле на Turbo ML мы релизнули в open source наш внутренний фреймворк Perseus и рассказывали о нём в «Жёлтом AI». Но помимо этого, мы ещё написали про него пейпер и заслали на demo-трек RecSys 2026, где его с радостью акцептнули. Если кратко, то фреймворк позволяет собрать разнообразные действия пользователя в общую последовательность и обучить модели на этих богатых гетерогенных данных.
Постер Perseus вызвал большой интерес: мы показывали, как легко настраивать эксперименты и работать с кросс-доменными последовательностями из разных типов событий. Пишешь один YAML-ик — и всё работает из коробки. Многие говорили, что сталкиваются с похожей проблемой у себя: с такими данными тяжело работать, и Perseus решает для них реальную задачу.
Флаеры вообще разобрали как горячие пирожки. Кажется, доверия добавило и то, что мы уже давно используем Perseus у себя в продакшене, и то, что эксперименты на хороших датасетах T-ECD и Yambda показали, насколько полезной для рекомендаций может быть дополнительная информация о пользователе.
Overall
Сама презентация прошла прям хорошо.
В этот раз мы решили сделать минималистичные постеры: дропнули все таблицы и формулы и вставили большую картинку с нейрособачкой. И, кажется, это сработало — к нам постоянно подходили, задавали много вопросов и хвалили такой визуально упрощённый формат.
На конфе практически никто не знал, что такое Т-Банк, за исключением ребят из СНГ, которых в этом году было супер мало. Я даже по собственной инициативе создал russian-speaking для участников, как это принято делать на подобных конференциях. Но туда по итогу зашло только 4 человека, 2 из которых — мы с Машей 😁
Мы однозначно остались довольны презентацией, пообщались с кучей разных людей, и, кажется, многие из них действительно заинтересовались нашими работами. Ещё я смог нескольким ребятам вдогонку разрекламировать наш T-ECD, так что план даже перевыполнен. Уверен, что вскоре у нас вырастет известность, количество скачиваний и цитирований)
🔥12
Статьи RecSys 2026, которые запомнились (часть 1)
Сегодня у нас обзор long papers от @MaryiaKurdun3
На конфе было очень много интересных докладов, поэтому придется даже разбить на 2 части. А дальше — слово Маше:
Темы разные: от semantic IDs и GenRecSys до длинных пользовательских историй и cross-domain personalization. Собрала короткую выжимку по каждому блоку и отметила самые интересные работы.
Semantic IDs & Generative Interfaces
Как превратить каталог в пространство, по которому генеративная модель может надёжно «ходить»? Работы в этой сессии по-разному подходят к созданию SID и их декодированию.
GenCDSR — использует гибридную токенизацию с общими и специфичными для домена кодбуками, а также частично параллельное декодирование для ускорения генерации semantic IDs.
TopoTok — добавляет многоуровневый перенос структуры соседств при квантовании, чтобы дискретные semantic IDs сохраняли глобальные, локальные и item-level связи в исходном пространстве векторных представлений.
BONSAI — строит дерево декодирования переменной глубины из информативных слов в описаниях товаров. Ограничение числа ветвей на верхних уровнях помогает beam search эффективнее искать релевантные item IDs.
Long-Horizon Sequential Recommendation
Прямое attention-моделирование длинных пользовательских историй обходится дорого, а усечение истории может дропнуть долгосрочные интенты. Работы в этом блоке ищут способы снизить компьют и сохранить полезный long-term signal.
CONGA — авторы накидывают позиционное кодирование RoPE, несколько потоков обработки и механизм ассоциативного запоминания старых взаимодействий.
RDSR — формулирует сжатие истории как rate–distortion задачу: модель отбирает ограниченное число наиболее информативных взаимодействий, а остальные сигналы сжимает в компактное вероятностное представление. Это уменьшает длину входа и сохраняет информацию для next-item prediction.
SequenceO1 (ByteDance / Douyin) — сжимает историю длиной до 100 тысяч взаимодействий в кэшируемое представление пользователя с помощью Sketch Attention, а затем объединяет его с attention по последним 10 тысячам событий для совместного моделирования долгосрочных и краткосрочных интересов.
User Modeling, Intent & Cross-Domain Personalization
В этом блоке работы пытаются точнее понять интересы пользователя: перенести знания между доменами, отделить реальный интерес от шумных поведенческих сигналов или исследовать новые предпочтения.
DPGFlow — разделяет общие для разных доменов и специфичные для каждого домена предпочтения и использует их как условие для flow matching, обеспечивая более стабильный перенос интересов между доменами.
EGRec — There’s Something About You (Best Paper RecSys 2026; Disney) — для каждого объекта рассматривает два возможных исхода: пользователь заинтересуется рекомендацией или нет. Затем через дивергенцию Jensen–Shannon оценивает, насколько каждый исход улучшит знание системы об интересах пользователя. Этот сигнал используется для исследования новых интересов.
FLVM — Mend the Measurement Gap (Google / YouTube) — моделирует скрытую ценность контента для пользователя по нескольким поведенческим сигналам, отделяя интерес от влияния длины видео, общей активности пользователя и контекста сессии.
Agentic Recommendation & Autonomous Optimization
Здесь мне запомнились два направления: дополнительные шаги ризонинга внутри рекомендательной модели и LLM-агенты, которые помогают улучшать саму систему.
RecRec — история пользователя сжимается в несколько разнообразных векторов интересов, затем они итеративно уточняются в отдельном процессе ризонинга. После этого рекомендации строятся по обновлённым интересам.
Self-Evolving Recommendation System (YouTube / Google) — автоматизирует улучшение рекомендаций с помощью LLM-агентов. Они предлагают изменения архитектуры, оптимизатора и reward-функции, а затем проверяют их в офлайн-экспериментах и на живом трафике. Авторы также рассказывают о запусках таких улучшений в продакшене YouTube.
Сегодня у нас обзор long papers от @MaryiaKurdun3
На конфе было очень много интересных докладов, поэтому придется даже разбить на 2 части. А дальше — слово Маше:
Темы разные: от semantic IDs и GenRecSys до длинных пользовательских историй и cross-domain personalization. Собрала короткую выжимку по каждому блоку и отметила самые интересные работы.
Semantic IDs & Generative Interfaces
Как превратить каталог в пространство, по которому генеративная модель может надёжно «ходить»? Работы в этой сессии по-разному подходят к созданию SID и их декодированию.
GenCDSR — использует гибридную токенизацию с общими и специфичными для домена кодбуками, а также частично параллельное декодирование для ускорения генерации semantic IDs.
TopoTok — добавляет многоуровневый перенос структуры соседств при квантовании, чтобы дискретные semantic IDs сохраняли глобальные, локальные и item-level связи в исходном пространстве векторных представлений.
BONSAI — строит дерево декодирования переменной глубины из информативных слов в описаниях товаров. Ограничение числа ветвей на верхних уровнях помогает beam search эффективнее искать релевантные item IDs.
Long-Horizon Sequential Recommendation
Прямое attention-моделирование длинных пользовательских историй обходится дорого, а усечение истории может дропнуть долгосрочные интенты. Работы в этом блоке ищут способы снизить компьют и сохранить полезный long-term signal.
CONGA — авторы накидывают позиционное кодирование RoPE, несколько потоков обработки и механизм ассоциативного запоминания старых взаимодействий.
RDSR — формулирует сжатие истории как rate–distortion задачу: модель отбирает ограниченное число наиболее информативных взаимодействий, а остальные сигналы сжимает в компактное вероятностное представление. Это уменьшает длину входа и сохраняет информацию для next-item prediction.
SequenceO1 (ByteDance / Douyin) — сжимает историю длиной до 100 тысяч взаимодействий в кэшируемое представление пользователя с помощью Sketch Attention, а затем объединяет его с attention по последним 10 тысячам событий для совместного моделирования долгосрочных и краткосрочных интересов.
User Modeling, Intent & Cross-Domain Personalization
В этом блоке работы пытаются точнее понять интересы пользователя: перенести знания между доменами, отделить реальный интерес от шумных поведенческих сигналов или исследовать новые предпочтения.
DPGFlow — разделяет общие для разных доменов и специфичные для каждого домена предпочтения и использует их как условие для flow matching, обеспечивая более стабильный перенос интересов между доменами.
EGRec — There’s Something About You (Best Paper RecSys 2026; Disney) — для каждого объекта рассматривает два возможных исхода: пользователь заинтересуется рекомендацией или нет. Затем через дивергенцию Jensen–Shannon оценивает, насколько каждый исход улучшит знание системы об интересах пользователя. Этот сигнал используется для исследования новых интересов.
FLVM — Mend the Measurement Gap (Google / YouTube) — моделирует скрытую ценность контента для пользователя по нескольким поведенческим сигналам, отделяя интерес от влияния длины видео, общей активности пользователя и контекста сессии.
Agentic Recommendation & Autonomous Optimization
Здесь мне запомнились два направления: дополнительные шаги ризонинга внутри рекомендательной модели и LLM-агенты, которые помогают улучшать саму систему.
RecRec — история пользователя сжимается в несколько разнообразных векторов интересов, затем они итеративно уточняются в отдельном процессе ризонинга. После этого рекомендации строятся по обновлённым интересам.
Self-Evolving Recommendation System (YouTube / Google) — автоматизирует улучшение рекомендаций с помощью LLM-агентов. Они предлагают изменения архитектуры, оптимизатора и reward-функции, а затем проверяют их в офлайн-экспериментах и на живом трафике. Авторы также рассказывают о запусках таких улучшений в продакшене YouTube.
❤7