Журналы Вертикалей — это медиа Авто.ру, Яндекс Путешествий, Яндекс Недвижимости и Яндекс Аренды. Каждый месяц к нам приходят миллионы пользователей, чтобы найти ответы на вопросы, зарядиться эмоциями, вдохновиться идеями. Мы хотим, чтобы наши читатели всегда получали то, что им нужно, и с нашей помощью узнавали ответы даже на те вопросы, которые ещё не успели себе задать.
У нас уже несколько миллионов активных пользователей в месяц, и мы хотим делать для них лучший информационный сервис. А для этого, кроме хорошего контента и удобного продукта, нужны классные рекомендации, которые:
- увлекут каждого читателя так, что он будет переходить из статьи в статью и возвращаться каждый день;
- покажут самые подходящие предложения основных сервисов, выгодные и пользователю, и бизнесу;
- определят, кому какие показывать баннеры, виджеты, поп-апы и прочее.
У нас вы сможете:
- познакомиться с рекомендательными технологиями Яндекса;
- поработать с трансформерами на истории действий пользователя;
- поучаствовать в разработке фундаментальной модели Журнала.
Какие задачи вас ждут
Разработка рекомендательной системы Журнала
Вам предстоит создавать и внедрять гибридную систему рекомендаций, которая объединит контентные и коллаборативные подходы. Реализовывать механизм персонализации контента на основе поведения пользователей. Разрабатывать алгоритмы для предсказания интересов пользователей на основе их истории взаимодействия с контентом.
Аналитика и оптимизация
Вы будете анализировать поведение пользователей для выявления новых паттернов. Оптимизировать алгоритмы под различные сегменты пользователей. Разрабатывать систему автоматического выявления проблем в работе рекомендаций.
Мы ждем, что вы
- Имеете опыт в обучении рекомендательных систем
- Обладаете хорошими теоретическими знаниями в области ML
- Уверенно владеете Python, знаете стандартные библиотеки для работы с ML-моделями
- Работали с оркестрацией ML-пайплайнов с помощью Airflow или Luigi
Будет плюсом, если вы
- Занимались интеграцией ML в продукт, например в рекомендательные системы
- Применяли DL в задачах генерации персонализированного контента
- Работали со сложной валидацией продакшн-решений: A/B-тестированием, causal inference
