FeaturedBanner-1b0da88a

Чат хакатона

Нажимая кнопку «Отправить решение», [вы соглашаетесь с Правилами участия в соревновании.](https://disk.yandex.ru/i/tRI6Djbb3Lb5jg)


## 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

Private

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.

#	Teams (209)	Score	Last	Entries
1	Delavr	0.7495	7m	155
2	TORCHKI	0.7483	7m	89
3	PER ASPERA AD ASTRA	0.7472	7m	184
4	СЛИЯНИЕ	0.7418	7m	115
5	круглый тензор	0.7403	7m	121
6	слабак и отброс	0.7396	7m	145
7	SCORE EXPANSION	0.7366	7m	94
8	Nam Ne DANO	0.7339	7m	107
9	DeANOn	0.729	7m	85
10	feel the asi	0.7266	7m	141
11	прибыл годжо сатору	0.7257	7m	72
12	Если б море было пивом	0.724	7m	23
13	Джейк Салли	0.7229	7m	96
14	phantom	0.7224	7m	119
15	Гена Биткоин	0.7221	7m	35
16	Team Leviathans	0.7218	7m	84
17	Homer Simpson	0.7211	7m	86
18	не артур	0.721	7m	75
19	что тут делать	0.7192	7m	72
20	de321a979c098	0.7179	7m	24
21	салатик бурмалдатик	0.7172	7m	100
22	clash royale lover	0.7161	7m	26
23	FeelTheLeacks	0.7146	7m	150
24	UNLUCK	0.7139	7m	64
25	NSK-страницы	0.7136	7m	40
26	бактерия	0.7135	7m	74
27	h8e7e4e7f4932	0.713	7m	128
28	kill the agi	0.7121	7m	42
29	куку	0.7092	7m	44
30	j7c8a5a2e9cfd	0.7085	7m	18
31	яночка	0.7082	7m	21
32	eab67b226a05c	0.707	7m	12
33	Legeda Sigma	0.7047	7m	104
34	вайбкодим по страшному	0.6998	7m	32
35	FaNtaz3R	0.6942	7m	105
36	www рыбалочка	0.693	7m	85
37	больше мне надо больше	0.6929	7m	126
38	z253e80ab36b0	0.6912	7m	1
39	PPP	0.6868	7m	28
40	Sergey Britvin	0.6829	7m	4
41	картина	0.6822	7m	42
42	f0bcaec835c39	0.6809	7m	12
43	кто	0.6805	7m	81
44	agi agent	0.6799	7m	20
45	feel the cli	0.6776	7m	42
46	m5bb3dc7b7deb	0.6774	7m	10
47	b916fba57533c	0.6768	7m	27
48	na0e61ee7f734	0.6755	7m	27
49	Griffith	0.6742	7m	51
50	Mango	0.6699	7m	75