FeaturedBanner-1b0da88a

Чат хакатона

Нажимая кнопку «Отправить решение», [вы соглашаетесь с Правилами участия в соревновании.](https://disk.yandex.ru/i/DWkkaP-o9uKt9w)


## 1. Контекст

Книжный сервис хочет показывать пользователю витрину рекомендаций «на следующий период» (в нашем случае — месяц, 30 дней).

1. Витрина должна быть максимально релевантной и увеличивать шанс будущих взаимодействий (добавление в вишлист или чтение книги).
2. Но также сервису важно расширять кругозор пользователя, чтобы постепенно переводить пользователя на новый контент и поддерживать интерес к продукту.

Поэтому задача формулируется как баланс между точной персонализацией и жанровым разнообразием выдачи.

---

## 2. Задача

Для каждого пользователя из таблицы `targets.csv` необходимо сформировать ранжированный список из **20 изданий** (`edition_id`) на следующий период (тестовое окно) из пула **200 кандидатов** из таблицы `candidates.csv` (по каждому `user_id`).

Результат — ранжированный список, где `rank = 1` соответствует верхней позиции витрины.

---

## 3. Формат файла решения (сабмита)

Нужно отправить файл `submission.csv` со списком рекомендаций.

Формат:

```
user_id,edition_id,rank
```

Требования к файлу:

* `rank` — целое число от 1 до 20 (1 — верх витрины).
* на каждого `user_id` должно быть ровно 20 строк.
* `edition_id` и `rank` внутри одного `user_id` не должен повторяться.
* все `edition_id` должны входить в 200 кандидатов для данного `user_id`.

---

## 4. Оценивание

Итоговый скор считается как комбинация релевантности и жанрового разнообразия:

$$
Score = \alpha \cdot \overline{NDCG@20} + (1-\alpha)\cdot \overline{Diversity@20},
\qquad \alpha = 0.7
$$

где черта сверху означает среднее значение по всем пользователям в тесте.

Идея: итоговая выдача должна быть **релевантной**, но при этом **не однообразной** по жанрам.

---

### 4.1. Релевантность: NDCG@20

Для каждого пользователя сравнивается ваш ранжированный список из 20 изданий с фактом будущих взаимодействий в тестовом окне.

Релевантность для издания задаётся по сильному/слабому сигналам:

$$
rel(i)=
\begin{cases}
3, & \text{если в тестовом окне есть событие } event\_type=2\ (\text{read}) \\
1, & \text{если в тестовом окне есть событие } event\_type=1\ (\text{wishlist}) \\
0, & \text{если в тестовом окне событий нет}
\end{cases}
$$

Примечания:

* Если в тестовом окне у одного `edition_id` есть и `read`, и `wishlist`, то используется **приоритет** `read` ⇒ `rel=3`.
* Если событий одного типа несколько, считается только **факт наличия** хотя бы одного события.

Далее для пользователя $u$:

$$
DCG_u@20 = \sum_{k=1}^{20}\frac{rel(r_{u,k})}{\log_2(k+1)}
$$

$$
IDCG_u@20 = \sum_{k=1}^{20}\frac{rel^*(u,k)}{\log_2(k+1)}
$$

где $rel^*(u,k)$ — релевантности в идеальной сортировке (сначала все `read`, затем `wishlist`, затем остальные) для данного пользователя.

$$
NDCG_u@20 =
\begin{cases}
\frac{DCG_u@20}{IDCG_u@20}, & IDCG_u@20 > 0\
0, & IDCG_u@20 = 0
\end{cases}
$$

---

### 4.2. Жанровое разнообразие: Diversity@20

Каждое издание $x$ соответствует книге (через `editions.book_id`) и имеет множество жанров $G(x)$ через `book_genres`.

Важно: вклад позиции учитывается только для изданий, у которых есть хотя бы одно взаимодействие в тестовом окне.

Определим бинарную релевантность:

$$
\tilde{rel}(i) = \mathbb{1}[rel(i) > 0]
$$

и дисконт позиции:

$$
w_k = \frac{1}{\log_2(k+1)}
$$

Далее определим **relevance-weighted diversity** как смесь двух компонентов: покрытие жанров и внутрисписочная разнородность.

---

#### 4.2.1. Genre Coverage (relevance-weighted)

Пусть $S_{u,k}$ — множество жанров, уже встретившихся среди **релевантных** рекомендаций выше позиции $k$:

$$
S_{u,k} = \bigcup_{i=1}^{k} \left( G(r_{u,i}) \cdot \tilde{rel}(r_{u,i}) \right),
\qquad S_{u,0} = \varnothing
$$

где запись $G(x) \cdot 0$ означает пустое множество, а $G(x) \cdot 1 = G(x)$.

Определим покрытие жанров как сумму дробных вкладов позиций (книга с $m$ жанрами даёт суммарный вклад 1, распределённый как $1/m$ на каждый новый жанр), но:

* вклад учитывается **только если** $\tilde{rel}(r_{u,k})=1$;
* позиции дополнительно дисконтируются весом $w_k$;
* нормировка выполнена так, чтобы метрика была в диапазоне $[0,1]$.

$$
Coverage_u@20 = \frac{1}{\sum_{k=1}^{20} w_k}
\sum_{k=1}^{20}
\left(
w_k \cdot \tilde{rel}(r_{u,k}) \cdot \frac{|G(r_{u,k}) \setminus S_{u,k-1}|}{|G(r_{u,k})|}
\right)
$$

Пример: если книга имеет 3 жанра и приносит 2 новых, то вклад равен $2/3$.

---

#### 4.2.2. Intra-List Diversity (ILD) (relevance-weighted)

Определим попарную жанровую дистанцию как **Jaccard-distance** по множествам жанров:

$$
d(x,y) = 1 - \frac{|G(x) \cap G(y)|}{|G(x) \cup G(y)|}
$$

Внутрисписочную разнородность считаем **только среди релевантных** рекомендаций (с $\tilde{rel}=1$). Пусть $L_u$ — множество индексов позиций в топ-20, на которых рекомендация релевантна:

$$
L_u = {k \in {1,\dots,20}: \tilde{rel}(r_{u,k})=1}
$$

Если $|L_u| < 2$, то $ILD_u@20 = 0$. Иначе:

$$
ILD_u@20 = \frac{2}{|L_u|\cdot(|L_u|-1)} \sum_{\substack{i<j\ i,j \in L_u}} d(r_{u,i}, r_{u,j})
$$

---

#### 4.2.3. Итоговая diversity-метрика

Смешиваем покрытие и внутрисписочную разнородность:

$$
Diversity_u@20 = \beta \cdot Coverage_u@20 + (1-\beta)\cdot ILD_u@20,
\qquad \beta = 0.5
$$

Прими участие в заключительном хакатоне этого года от Академии ИИ! Ты сможешь попасть в сообщество самых сильных специалистов по ИИ среди школьников, а еще выиграть реальные деньги уже в школе!

Public

Данные

services

<p>Я согласен(-на) с <a href="https://storage.yandexcloud.net/ds-ods/files/data/docs/odsaifooter/20250312_Service_agreement_ODSai.pdf">Соглашением об услугах</a>. Обработка персональных данных Участников Активностей производится на основании Соглашения об услугах.</p>

first_name_ru

First Name

last_name_ru

Last name

middle_name

Middle name

email

Email

region

Region

City

is_underage

Underage

representative_first_name_ru

Representative First Name

representative_last_name_ru

Representative Last Name

legal_representative_email

Legal representative Email

Registration application for Хакатон Академии ИИ «По страницам»

Хакатон Академии ИИ «По страницам»: призовой фонд – 1 000 000 рублей.

Predictions

Delavr

Хачпалатка 2

EvolvedSeals

Сифилисnep

z476f6af73537

feel the dense

Nam Ne DANO

feel the asi

Theta

александр фломастер

21141q

лолпоп

all you need is катбуст

больше мне надо больше

ohio respect

Ранальда

АДЕЖДА СИБИРИ

hse_nagibator_2015

коготь бобра соло

фааааааааа

круглый тензор

h8e7e4e7f4932

z2694c0609721

seed 1008

Технологический проспект

cd7c590640fac

Дональд Трамп

Baseline

na0e61ee7f734

bc4fe2d7f3025

кто

Кирилл Илларионов

zb12d408faf4c

Mando

nc056dccc2f42

i50221c20ddee

Yaroslav Polyakov

Artem Dzhalilov

g12d103346033

ggwp

baseline

Месси

GLENY

Вадим Камаев

phantom

b35ae9e2e6bec

Score

#	Teams (46)	Score	Last	Entries
1	Delavr	0.6502	4h	13
2	Хачпалатка 2	0.6329	11h	10
3	EvolvedSeals	0.5904	8h	19
4	Сифилисnep	0.5893	9h	9
5	z476f6af73537	0.5839	7h	10
6	feel the dense	0.5772	6h	5
7	Nam Ne DANO	0.5766	6h	10
8	feel the asi	0.554	86min	16
9	Theta	0.5005	87min	10
10	александр фломастер	0.4867	4h	5
11	21141q	0.4704	3h	12
12	лолпоп	0.4686	8h	10
13	all you need is катбуст	0.4597	4h	10
14	больше мне надо больше	0.4566	10h	10
15	ohio respect	0.45	12h	3
16	Ранальда	0.4387	10h	5
17	АДЕЖДА СИБИРИ	0.4255	8h	10
18	hse_nagibator_2015	0.4144	4h	3
19	коготь бобра соло	0.3924	7h	5
20	фааааааааа	0.3802	5h	7
21	круглый тензор	0.3647	4h	8
22	h8e7e4e7f4932	0.3464	7h	4
23	z2694c0609721	0.3397	6h	7
24	seed 1008	0.3276	10h	4
25	Технологический проспект	0.3095	7h	6
26	cd7c590640fac	0.3054	4h	1
27	Дональд Трамп	0.3048	11h	10
28	Baseline	0.2821	9h	1
29	na0e61ee7f734	0.2614	7h	7
30	bc4fe2d7f3025	0.26	3h	7
31	кто	0.2376	7h	3
32	Кирилл Илларионов	0.2366	11h	1
33	zb12d408faf4c	0.2323	8h	3
34	Mando	0.2204	6h	1
35	nc056dccc2f42	0.2186	11h	7
36	i50221c20ddee	0.2185	9h	5
37	Yaroslav Polyakov	0.2168	6h	2
38	Artem Dzhalilov	0.1873	10h	5
39	g12d103346033	0.1819	11h	3
40	ggwp	0.1768	2h	3
41	baseline	0.162	11h	1
42	Месси	0.162	9h	1
43	GLENY	0.162	8h	1
44	Вадим Камаев	0.162	8h	1
45	phantom	0.1416	6h	2
46	b35ae9e2e6bec	0.0787	10h	1