Wildberries RecSys Technical: money recall, DSSM и content features

Техническое собеседование в RecSys-направление: offline-метрики с учетом денег, типовые проблемы рекомендательных систем, классы моделей, визуальная similarity-задача, DSSM с content embeddings, Transformer и Python internals.

Пройти собеседование

Аудио и материалы

Аудио собеседования

0:00 / 1:27:45

Выводы и как готовиться

Для marketplace RecSys обычных Precision/Recall часто мало: бизнес-ценность можно добавлять через weighted metrics вроде money recall.
Content embeddings полезны в DSSM/two-tower, но их нужно нормализовать и обучать через fusion/projection, а не просто слепо приклеивать к collaborative embedding.
собеседование проверяет ширину: RecSys, metric learning, базовый DL, Transformer и Python internals, но без задача.

Wildberries RecSys Technical: money recall, DSSM и content features

Аудио и материалы

Аудио собеседования

Как довести ML-задачу до production

Precision/Recall и обобщение по географическим признакам

Как посчитать money recall для рекомендаций

Какие стандартные проблемы есть в RecSys

Regularization и dropout: train vs inference

Зачем нужны residual connections

Как обучается градиентный бустинг

На какие классы делятся модели рекомендаций

Как построить модель визуального сравнения объявлений авто

Negative sampling и in-batch negatives

Почему item2vec по сессиям является collaborative сигналом

Как добавить content embeddings в DSSM/two-tower модель

Как устроена архитектура Transformer

Как устроены dict, list и NumPy array в Python

Финал: задача не будет, следующий этап ML design

Выводы и как готовиться