ML Mentor
К реальным собесам
Реальный собесGRII RED2026-03-12

GRII RED MLSD: рекомендации в корзине

RecSys System Design собеседование про рекомендации в корзине: item-item baseline, fallback cascade, категории, комплементарность и production serving.

Таймлайн собеседования

Компактный список вопросов и задач по ходу записи: раскрывайте только нужные детали.

00:02:07-00:04:56MLSD

Постановка задачи и масштаб рекомендаций в корзине

00:07:32-00:13:41Вопрос

Какие метрики подходят для рекомендаций в корзине

00:13:41-00:15:55Вопрос

Какие товары нельзя показывать в рекомендациях корзины

00:15:55-00:17:02MLSD

Baseline для рекомендаций в корзине через item-item co-occurrence

00:18:02-00:20:17MLSD

Что делать, если рекомендации в корзине не нашлись

00:19:08-00:20:17Вопрос

Какие проблемы будут у item-item baseline: long tail и novelty

00:23:02-00:25:08MLSD

Как использовать текущую матричную модель и ALS-подход

00:25:08-00:27:01Вопрос

Что не так с рекомендацией “кольцо к кольцу”

00:30:47-00:31:40Вопрос

Где проходит граница между item-to-item и персонализацией

00:35:31-00:40:02MLSD

Как учитывать категории и комплементарность в корзине

00:35:42-00:40:02MLSD

Как наложить category constraints поверх ANN-поиска

00:41:14-00:46:32Вопрос

Какие категории и признаки есть в каталоге товаров

00:46:32-00:54:44Вопрос

На чем обучать MLP или бустинг: user-фичи или item-фичи

00:55:43-00:57:27MLSD

Production-архитектура рекомендаций в корзине

00:57:27-01:01:53Вопрос

Как учитывать текущую корзину в online serving

Выводы и как готовиться

  • Для cart recommendations хороший старт — item-item co-occurrence и популярное по категории как fallback.
  • В корзине важнее complements, а не просто похожие substitutes: нужно явно обсуждать категории и diversity.
  • Production-ответ должен разделять offline candidates/features и online serving с latency budget, cache и freshness каталога.