<p>Вам предоставлены данные из приложения МТС Kion по взаимодействиям пользователей с контентом за период 6 месяцев.<br />
В отдельных файлах есть:</p>

<ul>
<li>факты просмотра контента пользователями</li>
<li>описание контента</li>
<li>описание пользователей</li>
</ul>

<h3>Что нужно сделать?</h3>

<p>Наиболее качественно порекомендовать список из 10 объектов для каждого пользователя из тестовой выборки.<br />
Код базовых моделей для этих данных уже есть.</p>

<h3>Как сделать предсказание (сабмит)?</h3>

<p>Примеры базовых моделей и создания сабмита вы сможете найти в ноутбуке&nbsp;<a href="https://storage.yandexcloud.net/datasouls-ods/materials/9e8b3138/RecSys%20notebook%20Baseline.ipynb" rel="noopener noreferrer" target="_blank">RecSys notebook Baseline.ipynb</a>.</p>

<p>Пример сабмита вы найдете в файле под названием <code>sample_submission.csv</code>.<br />
Это id пользователей, для которых сделаны предсказания контента, максимально совпадающие с реальными фильмами/сериалами, с которыми пользователи взаимодействовали за 7 дней теста.</p>

<p>Формат файла <code>sample_submission.csv</code>:<br />
<code>Id</code> - список ID пользователей, по которым нужно сделать прогноз<br />
<code>Predicted</code> - список ID контента, отсортированного по релевантности, которые нужно предсказать. Это строка, где разделитель для ID - это запятая.</p>

<p>Формат сабмита</p>

<p>Ваш <code>submission.csv</code> - должен содержать 2 столбца: <code>Id</code> and <code>Predicted</code>.<br />
Ограничения:</p>

<ul>
<li>В сабмите должны присутствовать все пользователи тестовой выборки</li>
<li>Количество <code>item_id</code> должно быть 10</li>
<li>Они должны быть отсортированы по убыванию релевантности для пользователя.</li>
</ul>

<p>Для каждого пользователя должно быть предсказано 10 различных объектов. Не должно быть пропущенных пользователей.</p>

<h2>Метрика качества</h2>

<p>Метрика качества в соревновании - map@10 (Mean Average Precision at 10). Разберем, как именно она считается, поэтапно.</p>

<h3>Precision at K (p@K)</h3>

<p>Точность модели на K рекомендованных элементах.</p>

<p>$$p@K = \frac{\text{Количество релевантных объектов}}{\text{Количество рекомендаций}} = \frac{TP}{K} $$<br />
TP - совпадение рекомендации модели и объекта, с которым пользователь действительно провзаимодействовал</p>

<h3>Average precision at K или ap@K</h3>

<p><code>Precision at K (p@K)</code> - метрика простая для понимания и реализации, но имеет важный недостаток &mdash; она не учитывает порядок элементов в &laquo;топе&raquo;. Так, если из десяти элементов мы угадали только один, то не важно на каком месте он был: на первом, или на последнем, &mdash; в любом случае p@10 = 0.1. При этом очевидно, что первый вариант гораздо лучше.</p>

<p>Этот недостаток нивелирует метрика ранжирования <code>average precision at K (ap@K)</code>, которая равна сумме <code>p@k</code> по индексам k от 1 до K только для релевантных элементов, деленному на количество релевантных айтемов:</p>

<p>$$AP@K(user) = \frac{1}{c_{user}}\displaystyle\sum_{i=1}^{K} Precition@i * rel_{i}$$</p>

<p>N - кол-во пользователей<br />
&nbsp;$с_{user}$ - кол-во релевантных объектов у пользователя<br />
&nbsp;$rel_{i}$&nbsp; - релевантность i-ой рекомендации (индикатор, равный 1, если рекомендованный айтем с рангом i релевантен, и 0 в противном случае)</p>

<h3>Mean average precision at K (map@K)</h3>

<p>В <code>p@K</code> и <code>ap@K</code> качество ранжирования оценивается для отдельно взятого объекта пользователя. На практике пользователей, для которых мы что-то рекомендуем, много. Идея <code>map@K</code> заключается в том, чтобы посчитать <code>ap@K</code> для каждого пользователя из N и усреднить:</p>

<p>$$MAP@K = \frac{1}{N}\displaystyle\sum_{i=1}^{N} AP@K(user_{i})$$</p>

Public

Private

Sandbox

RecSys Course Competition

Predictions

Oleg Lashinin

Stepan Zimin

Aleksandr Petrov

Daria Tikhonovich

Olga

Anna Volodkevich

Eskender Dzhemadinov

Ruslan Tsygankov

Bezmen Evgeny

Salavat Dinmukhametov

Eric Anime

alex

Filipp Pogorelskii

Tanya Kurbatova

Ilona Kovalova

aismlv

Misha Semenov

Tatiana

Danil Emelyanov

Max Drobin

Anton Pankratov

Mark Baushenko

Ilia Voronov

Tatiana Malygina

Dima Sokolov

Gleb Erofeev

Mikhail Marin

Dima Rusak

OOC Narek Maloyan

Igor Belkov

Ksenia Lisitsina

Viktor Krasilnikov

ildar safilo

Kirill Glinskiy

Vlad Balanda

vitaliylyalin

Ivan Zaputliaev

Oleg Chekan

SERGEI BARINOV

Andrey Poletaev

Mariia Vedernikova

ecdrid

Nikita Nosikovskii

Egor Pustovit

Sergey Zaitsev

MAP@10

#	Teams (46)	MAP@10	Last	Entries
1	Oleg Lashinin	0.1216800023	2y	43
2	Stepan Zimin	0.1213476572	2y	14
3	Aleksandr Petrov	0.1211193426	2y	13
4	Daria Tikhonovich	0.1150265528	2y	56
5	Olga	0.1135704183	3y	1
6	Anna Volodkevich	0.112056357	2y	5
7	Eskender Dzhemadinov	0.1094082965	2y	33
8	Ruslan Tsygankov	0.1091742533	2y	9
9	Bezmen Evgeny	0.1064462541	2y	60
10	Salavat Dinmukhametov	0.1055195135	2y	15
11	Eric Anime	0.1050476876	2y	11
12	alex	0.1047865313	2y	3
13	Filipp Pogorelskii	0.1044323293	3y	44
14	Tanya Kurbatova	0.1033179306	2y	39
15	Ilona Kovalova	0.100826803	23m	3
16	aismlv	0.10017723	3y	3
17	Misha Semenov	0.0991222766	3y	31
18	Tatiana	0.0963929427	2y	52
19	Danil Emelyanov	0.0947214755	2y	18
20	Max Drobin	0.0946426568	2y	9
21	Anton Pankratov	0.0941199089	3y	3
22	Mark Baushenko	0.0939002882	3y	44
23	Ilia Voronov	0.093064925	2y	5
24	Tatiana Malygina	0.0921457689	3y	3
25	Dima Sokolov	0.0913609711	2y	12
26	Gleb Erofeev	0.0912771251	3y	7
27	Mikhail Marin	0.0912771251	2y	7
28	Dima Rusak	0.091126363	2y	9
OOC	OOC Narek Maloyan	0.0910576768	2y	9
OOC	Igor Belkov	0.0910576768	2y	19
29	Ksenia Lisitsina	0.0910576768	3y	1
30	Viktor Krasilnikov	0.0910576768	3y	2
OOC	ildar safilo	0.0910576768	3y	1
31	Kirill Glinskiy	0.0910576768	2y	6
32	Vlad Balanda	0.0910576768	3y	2
33	vitaliylyalin	0.0910576768	3y	1
34	Ivan Zaputliaev	0.0910576768	3y	2
35	Oleg Chekan	0.0910576768	2y	4
36	SERGEI BARINOV	0.0910576768	2y	2
37	Andrey Poletaev	0.0795662067	2y	3
38	Mariia Vedernikova	0.0674927169	3y	1
39	ecdrid	0.0607568903	3y	2
40	Nikita Nosikovskii	0.0417199407	3y	10
41	Egor Pustovit	0.0014104778	2y	4
42	Team data has been deleted	0.0000000764	2y	7
43	Sergey Zaitsev	0	3y	1