Аннотация
Настоящая статья посвящена задаче персонализированной рекомендации культурно-развлекательных событий в условиях экстремального холодного старта, характерного для билетных онлайн-платформ. Исследование выполнено на реальных обезличенных данных национальной билетной платформы Казахстана, охватывающих 12 715 взаимодействий 10 657 пользователей с 2 074 событиями в четырёх городах страны за период с марта 2023 г. по февраль 2024 г. Особенностью данных являются медианное число взаимодействий на пользователя, равное единице, доля «холодных» пользователей в контрольном месяце 83 % и около 50 % покупок, приходящихся на события-премьеры, не имеющие истории продаж. В рамках единого протокола строгой временной валидации на шести месячных фолдах сопоставлены 13 алгоритмов: от базовых моделей популярности до гибридного градиентного ранжировщика LightGBM (LambdaRank) с погодными, календарными и афишными признаками и смешиванием рангов методом обратной ранговой фузии (RRF). Статистическая значимость различий оценивалась методом парного бутстрепа (5000 репликатов, 95 % доверительные интервалы). Установлено, что знание афиши следующего месяца обеспечивает наибольший и статистически значимый прирост качества (ΔMAP@10 = +0,0084; p < 0,0001), превышающий эффект от любых усложнений собственно алгоритма ранжирования; лучшая конфигурация достигает MAP@10 = 0,0578, что на 17 % выше сильнейшего неперсонализированного базового алгоритма. Погодный контекст демонстрирует прирост на границе статистической значимости (p = 0,053), календарные признаки сами по себе значимого эффекта не дают. Полученные результаты обосновывают приоритет интеграции данных афиши в продуктивные рекомендательные контуры событийных платформ.