Опубликовано: 20.08.2026 | Источник: CNews (новости)

Проектирование рекомендательной системы для платформы услуг: чем наполнить ВКР

Введение: почему кейс «Авито» — готовая фактура для диплома

Каждый третий исполнитель в России, по данным недавнего опроса «Авито», находит клиентов через эту платформу. За заголовком новости стоит масштабный процесс: агрегаторы услуг стали главным каналом привлечения заказчиков, а значит — объектом для анализа, оптимизации и автоматизации. Для студента ИТ это не просто цифра для актуальности. Это отправная точка для проектирования рекомендательной системы, сервиса поиска или аналитического модуля. В статье покажу, как превратить этот тренд в ВКР: какие темы выбрать, где взять метрики, какие диаграммы нарисовать, как спроектировать архитектуру и что написать в третьей главе, чтобы работа выглядела завершённой и защищаемой.

Темы ВКР на основе кейса «Авито»

Любая из этих тем позволяет использовать цифры из статьи «Авито» в разделе «Актуальность» — ссылка станет аргументом, а не общим местом. Например: «Исследование показало, что 33% исполнителей привлечены через платформу, значит, качество рекомендаций напрямую влияет на доход специалистов».

Основная часть: как интегрировать тренд в главы работы

Глава 1 — анализ предметной области

В первой главе нужно показать, что вы понимаете контекст. Здесь статья «Авито» ложится в обоснование актуальности и в аналитику конкурентов. Дополнительно изучите открытые данные исследований, но не выдумывайте статистику. Соберите 10–15 источников: научные статьи по рекомендательным системам, документацию открытых платформ, аналитические отчёты.

Обязательно нарисуйте диаграмму вариантов использования (UML Use Case) для сценария «Исполнитель находит заказ». Пусть будет 4–5 акторов: исполнитель, заказчик, модератор, администратор платформы. Для каждой сущности пропишите бизнес-правила — они пригодятся для второй главы.

Глава 2 — проектирование и реализация

Здесь уместно архитектурное описание. Используйте нотацию C4 (уровень контейнеров) — она нагляднее классических схем и комиссия по нормоконтролю редко придирается к C4. Покажите контейнеры: Web UI, API Gateway, Recommendation Service, Profile Service. Для каждого контейнера укажите технологию и протокол обмена.

Если пишете про рекомендации, не бойтесь показать пример кода — это повышает практическую ценность. Например, простой коллаборативный фильтр на Python:

# Пример обучения модели SVD для рекомендаций по категориям исполнителей
from surprise import SVD, Dataset, Reader

reader = Reader(line_format='user item rating', sep=',', skip_lines=1)
data = Dataset.load_from_file('ratings.csv', reader=reader)
trainset = data.build_full_trainset()
algo = SVD(n_factors=20, reg_all=0.02)
algo.fit(trainset)

# Предсказание рейтинга для пользователя 42 по категории "ремонт"
pred = algo.predict(uid=42, iid='repair')
print(f'Ожидаемый интерес: {pred.est:.2f}')

Даже если вы не студент матфака, такой листинг показывает умение доводить алгоритм до кода. В пояснительной записке дайте расшифровку: какой датасет, какие поля, как проводили train/test split.

Глава 3 — тестирование и оценка эффективности

В третьей главе проверяете, работает ли предложенное решение. Для рекомендательных систем стандарт — precision@k, recall@k, MAP@k. Приведите таблицу сравнения двух моделей: baseline (популярное в каждой категории) и SVD.

Обязательно опишите, как проводили эксперимент: размер выборки (например, первые 1000 пользователей), как разделяли данные (80/20), какие параметры подбирали. Если внедряли сервис на Kubernetes, добавьте в приложение OpenTelemetry и выведите метрики latency и error rate — их можно красиво показать на скриншотах в Grafana.

Чему вы научитесь на этих задачах

• Формулировать актуальность с опорой на актуальные рыночные данные (кейс «Авито»).
• Строить UML и C4-диаграммы для многостраничной пояснительной записки.
• Применять готовые библиотеки машинного обучения и рассчитывать метрики рекомендательных систем.
• Разворачивать сервис в Docker/Kubernetes и настраивать наблюдаемость.
• Оформлять результаты экспериментов в главах «Тестирование» и «Экономическая эффективность».

Типичные ошибки студентов и как их избежать

FAQ: вопросы, которые чаще всего задают перед защитой

Можно ли использовать новости в списке литературы?

Лучше — нет. Но на статью можно сослаться в тексте как на аналитический источник, оформив ссылку в сноске. В список литературы включите ГОСТ, учебники по машинному обучению и стандарты ISO/IEC 25010, если пишете про качество ПО.

Какой стек выбрать, чтобы не завалить защиту?

Для рекомендательных систем берите Python + FastAPI + Docker. Это знакомо большинству рецензентов и легко объяснять. Кубернетес не обязателен; достаточно одного docker-compose.yml.

Где взять данные для практики, если нет собственных?

Открытые датасеты с Kaggle, парсинг вакансий на HeadHunter (есть API), либо генерация синтетических данных с явным описанием процедуры. В работе обязательно укажите источник и дату выгрузки.

Нужно ли считать экономическую эффективность?

Да, если в методичке это предусмотрено. Для сервисов рекомендаций можно посчитать сокращение времени на поиск и прирост заказов. Например, конверсия в заявку выросла с 2% до 3,5% — несложно перевести в деньги.

Чек-лист «Что проверить перед сдачей ВКР»

Пара слов о вашей уникальной ситуации

Если времени мало, а требования вуза — жёсткие, не обязательно мучить себя с нуля. Небольшая экспертиза со стороны поможет ускориться: вы приносите свой материал, а мы показываем, как его структурировать и упаковать. Это надёжнее, чем «ВКР на заказ» без вашего участия, потому что вы разберётесь в собственной работе — и защита станет лёгкой.

Источник: Каждый третий исполнитель в России находит клиентов через «Авито» (опубликовано 2026-03-19)