Сессионная рекомендательная система на графах и LightGBM: разбор с открытым кодом

В статье разбирается построение сессионной рекомендательной системы на основе исторического графа товаров, готовых векторных представлений описаний и изображений, а также LightGBM для ранжирования. Система собирает до 300 кандидатов из разных источников и учится выдавать 20 рекомендаций, не складывая баллы с разным смыслом.

Особое внимание уделено квотам источников, обработке пропусков в признаках и парному обучению — в том числе ситуации, когда купленный товар вообще не попал в список кандидатов. Модель уже обучена, качество измерено, рекомендации доступны через локальный HTTP API.

Код и инструкция по воспроизведению открыты. Автор также приводит сравнение с простыми методами и оговаривает ограничения выводов.