Рекомендательная система для социальной сети

В стадии оформление в GitHub. Ниже описаны основные этапы работы

Данный проект является финальной работой по курсу START ML от Karpov.Courses

В текущем финальном проекте строится рекомендательная система постов в социальной сети.

Часть №1: Создаю endpoint GET /post/recommendations/ в Python с использованием FastAPI, который принимает параметры запроса id и limit и возвращает топ limit постов, отсортированных по количеству лайков. Этот endpoint будет реализован в файле app.py.

Часть №2 В данной части строю рекомендательную систему постов в социальной сети для студентов Karpov Courses. Разрабатываю сервис, который будет для каждого пользователя возвращать посты, которые будут отображаться в его ленте социальной сети.

Оценка качества модели будет проводиться по метрике hitrate@5, которая будет проверяться в чекере на скрытых данных.

Учитываем следующие моменты:

Алгоритм должен работать быстро и не занимать большое количество памяти. Набор пользователей фиксирован и новые пользователи не будут добавляться. Чекер будет проверять модель в рамках того же временного периода, что и в БД. Модели не обучаются заново при использовании сервиса. Ожидается, что ваш код будет импортировать уже обученную модель и применять ее. Предоставляется окружение с набором необходимых библиотек, которое может быть пополнено по мере выполнения задания. Пример пайплайна, который будет реализован:

Загрузка данных из БД и их обзор. Создание признаков и обучающей выборки. Тренировка модели и оценка ее качества на валидационной выборке. Сохранение модели. Написание сервиса: загрузка модели, получение признаков для модели по user_id, предсказание постов, которые будут лайкнуты, и возвращение ответа. Вам также необходимо будет загрузить и сервис, и модель одновременно для работы чекера.

Часть №3 Дополняю рекомендательную систему с помощью моделей глубокого обучения.

Часть №4 Реализую функцию для проведения A/B эксперимента с рекомендациями постов.

1. Реализую функцию get_exp_group, которая по user_id пользователя будет определять, в какую группу попал пользователь. Для этого использую хэш-функцию (md5 из библиотеки hashlib) с использованием соли. Значения соли и проценты разбиения (50 на 50) выношу в константы.

2. Выношу в две отдельные функции построение рекомендаций двумя моделями (model_control и model_test).

3. В эндпоинте для построения рекомендаций использую функцию для определения группы пользователя и вызываю соответствующую функцию для построения рекомендаций. Записываю в логи информацию о примененной модели. В ответе эндпоинта указывать группу, в которую попал пользователь ("control" или "test").