Abstract
В данной статье представлены проектирование, реализация и эмпирическая оценка гибридной рекомендательной модели, объединяющей коллаборативную фильтрацию на основе Alternating Least Squares (ALS) с контентной компонентой, построенной на TF-IDF-представлениях предметов. Два сигнала объединяются посредством адаптивного взвешивания α(u), зависящего от активности пользователя: при коротком тренировочном профиле больший вес получает контентный сигнал, при достаточном количестве взаимодействий — коллаборативный. Итоговый счет используется для построения персонального пула кандидатов, который далее при упорядочивается алгоритмом Maximal Marginal Relevance (MMR) для диверсификации финальной выдачи из 10 позиций. Эксперименты проведены на подмножестве Video Games набора Amazon Reviews 2023 (94 762 пользователя, 25 612 предметов, 814 586 взаимодействий после 5-core фильтрации). Оценка выполнялась на фиксированной выборке из 500 пользователей с хотя бы одним релевантным предметом в тестовой части. При эмпирически подобранном значении λ = 0,5 предложенная модель Hybrid+MMR Парето-доминирует над базовой моделью ALS: NDCG@10 увеличивается с 0,0240 до 0,0281 (+17%), HR@10 — с 0,078 до 0,082 (+5%), а покрытие каталога — с 1,24% до 8,30%, то есть в 6,7 раза. Категорийный анализ подтверждает, что улучшение сохраняется для холодных пользователей (5–10 взаимодействий), тёплых и активных пользователей. Анализ чувствительности по λ показывает, что кривая точности вогнута и имеет один внутренний максимум, что обосновывает подход к λ как к настраиваемому гипер параметру, а не как к величине, фиксируемой на основе априорных соображений.