Рекомендации, Поиск и Путешествия

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.

RecSys опубликовали список воркшопов: https://recsys.acm.org/recsys26/workshops/ Мои ворокшопы в первый (FRAME) и последний день конференции (USRW)

A Unified Language Model for Large Scale Search, Recommendation, and Reasoning В сегодняшней статье Spotify представляют NEO — унифицированную модель decoder-only, которая работает с гетерогенными данными (текст и рекомендательные объекты). При этом она должна удовлетворять жёстким требованиям к качеству выдачи и латентности. Традиционные рекомендательные системы, несмотря на доказанную эффективность на больших объёмах данных, по-прежнему плохо справляются с двумя задачами: пониманием неявных пользовательских интересов и обобщением текстовых представлений объектов. В статье обращают внимание на то, что существующие подходы не умеют одновременно рассуждать над доменными объектами, пользовательским поведением и естественным языком. Вдохновляясь мультимодальными архитектурами, авторы NEO решают эту проблему, интерпретируя Semantic ID объектов как отдельную модальность наравне с текстовыми токенами. Обучение ведут на смешанных данных, где в текстовые последовательности подмешивают идентификаторы рекомендательных объектов. Предложенный фреймворк поддерживает несколько режимов: генерацию рекомендаций, генерацию текстов, текстовый ретривал, а также адаптацию ответов на основе инструкций. Обучение модели проходит в три этапа: 1. Создание семантических представлений (Semantic ID creation). Формируется база соответствий «объект — Semantic ID», которая задаёт словарь доменных токенов. То есть в дальнейшем модель сможет ссылаться на конкретные объекты. 2. Формирование знаний о домене (Domain Grounding). Модель учится воспринимать Semantic ID наравне с текстовыми токенами, выстраивая единое представление для обоих типов данных. Цель — научить модель воспринимать доменные токены как полноценную часть языка: понимать контекст вокруг них, связывать их с текстовыми описаниями и выстраивать единое семантическое пространство для обеих модальностей. 3. Формирование навыков через инструкции (Capability Induction via Instruction Tuning). Модель дообучается на конкретных задачах: next item prediction, ретривал по текстовым запросам, описание интересов пользователя, обоснование рекомендаций. Чтобы показать, что фреймворк не привязан к конкретной архитектуре, авторы провели адаптацию Llama 3.2 1B с использованием NEO. Стадия Domain Grounding дала прирост около 18% в текстовом ретривале, что подтверждает эффективность подхода. Авторы проводят серию аблейшнов, которые подтверждают, что выбранная архитектура обучения обоснована. Наивная замена Semantic ID на стандартные идентификаторы, схлопывание стадий алайнмента в одну или переход на continuous pretrain ухудшают либо качество рекомендаций, либо способность модели генерировать связные тексты. Особенно это заметно на задачах, требующих строгого следования инструкциям, и при генерации последовательностей смешанной структуры (текст + рекомендательные объекты). В офлайн-экспериментах NEO демонстрирует небольшой, но стабильный прирост над базовыми моделями в монозадачах по метрикам HR@K и NDCG@K. @RecSysChannel Обзор подготовила ❣ Василиса Григорьева

Статья от коллег из Spotify. Основная часть работы была сделана до того как я присоединился, поэтому меня в авторах тут нет, но в целом из статьи можно примерно понять чем мы тут занимаемся.

Сразу два воркшопа на ACM RecSys 2026! 🚀 В этом году пробую себя в новой роли: вхожу в оргкомитет сразу двух воркшопов на главной конференции по рекомендательным системам. Темы находятся на стыке поиска, рекомендаций и методологии экспериментов. Коротко о том, что готовим: 1️⃣ Unified Search and Recommendation Workshop (2 октября) Мы верим, что разделение поиска и рекомендаций - скорее исторический артефакт. С появлением LLM и агентов разница между ними стремительно исчезает. • Цель: сблизить сообщества RecSys и IR (Information Retrieval) и разработать общие протоколы решения задач. • Команда: коллеги из Spotify, Deezer и University of Glasgow. 2️⃣ FRAME: Methodology First (28 сентября) Воркшоп посвящен «боли» всей индустрии: дизайну и оценке экспериментов. Мы хотим идентифицировать главные проблемы в методологии и создать стандарты протоколов. • Звездный состав: со мной в команде авторы легендарной статьи «Are We Making Much Progress» (Cremonesi, Dacrema, Jannach), главный редактор журнала Transactions on Recommender Systems, глава управляющего комитета SIGIR и один из ключевых разработчиков рекомендаций YouTube. Call for Papers и подробности опубликуем совсем скоро. Готовьте свои статьи! 📝

В комментах спросили про то какие критерии "на best reviewer". Ответа конкретно про ECIR я не знаю, но могу поделиться слайдами про то как писать ревью 😊 Эти слайды подготовили Olivier Jeunen & Christine Bauer специально для ревьюеров конференции RecSys 2025 (хотя основные принципы применимы для любой конференции). Для рядовых ревьюеров (PC Member): https://christinebauer.eu/pdfs/recsys2025_review_guidelines.pdf Для метаревьюеров (SPC Member): https://christinebauer.eu/pdfs/recsys2025_SPC_guidelines.pdf Ниже саммари слайдов от Gemini: Основные принципы рецензирования RecSys 2025🌟 Главное правило: Рецензируйте для других так, как вы хотели бы, чтобы другие рецензировали для вас. 🎯 Цели рецензии: • Оценка качества статьи. • Предоставление конструктивной, вежливой и практически применимой обратной связи авторам. • Четкий и лаконичный обзор вашей оценки для мета-рецензента (SPC). 🔍 Этапы ревью 1. Изучение критериев: Ознакомьтесь с формой и структурой рецензии RecSys 2025. 2. Беглое чтение: Проверьте соответствие тематике RecSys, сформируйте общее впечатление и поищите критические недостатки. 3. Тщательное чтение: Выявите фактические ошибки, неверные аргументы и места, где смысл текста неясен. 4. Написание текста: Опишите цели работы, её инновационность и перечислите сильные и слабые стороны. 5. Шлифовка: Убедитесь, что тон вежливый, а структура рецензии понятна для SPC и авторов.Дискуссия: Обсудите статью с другими рецензентами и проанализируйте ответ (rebuttal) авторов.💡 Важные моменты: • Конструктивность: Всегда предлагайте конкретные способы исправления найденных недостатков. • Приоритеты: Четко разделяйте критические проблемы (major issues) и мелкие замечания (minor issues). • Фокус на улучшение: Подумайте, что можно исправить в статье до финальной версии (camera-ready) с минимальными нарушениями основной структуры. • Готовность к изменениям: Будьте открыты к смене своего мнения (как в лучшую, так и в худшую сторону) по итогам дискуссии и ответа авторов

До ECIR я в этом году не добрался, но Reviewer Award получил 😊