RAG нейросети в рекомендациях: как понять запрос «детектив в усадьбе» без истории оценок

Большинство руководств по RAG сосредоточено на чат-ботах и вопросно-ответных системах поверх базы знаний. Однако внутренняя механика подхода (семантический поиск плюс генерация ответа на основе найденного) ложится и на рекомендации. Об этом говорится в обзоре Gao et al., 2023, хотя сами авторы фокусируются на QA-сценариях. Ниже разберём, как собрать рекомендательный RAG-пайплайн (цепочку «поиск, контекст, генерация») на примере каталога книг и адаптировать подход под любой контент.

Какую проблему это решает?

Классические рекомендательные системы делятся на три семейства:

• Коллаборативная фильтрация (collaborative filtering) опирается на совпадение оценок и действий пользователей. Не работает без истории: новый пользователь или новый объект без оценок остаётся невидимым.
• Контентная фильтрация (content-based) сравнивает признаки объектов: жанр, автор, ключевые слова. Сходство измеряется через TF-IDF (метод оценки важности слова в документе) и косинусное расстояние, но эти метрики ищут совпадение слов, а не смысла.
• Гибридные модели комбинируют оба сигнала, частично смягчая холодный старт, но по-прежнему не понимают запрос на естественном языке.

Все три подхода ломаются на том, что в статье названо «проблемой холодного запроса». Запрос «медленный детектив в старинной английской усадьбе» содержит жанровый, стилистический и атмосферный ориентиры одновременно. Ни один из этих признаков не зафиксирован в каталоге в готовом виде, и классическая модель не способна их сопоставить.

RAG нейросети решают это в три шага: семантический поиск находит релевантные карточки по смыслу, контекстное окно собирает найденное в текст, а языковая модель генерирует ответ с объяснением и привязкой к реальным записям каталога.

Что понадобится

• Векторная база данных: Chroma, Qdrant, Milvus или аналоги. Для старта хватит бесплатного тарифа Chroma.
• Эмбеддинг-модель (модель, которая превращает текст в числовой вектор, сохраняя смысл): sentence-transformers, OpenAI Embeddings API или E5. Для русскоязычного каталога подойдут multilingual-модели.
• Языковая модель для генерации: GPT-4o, Claude, GigaChat или YandexGPT. Подойдёт любая, принимающая текстовый контекст.
• Каталог контента: таблица с полями «название», «автор», «жанры», «описание». Минимум 100 записей для осмысленных результатов.
• Python 3.10+ и библиотеки: langchain или llama-index, pandas.
• Время: базовый прототип собирается за 2 до 4 часа.

Пошаговая инструкция

1. Подготовьте карточки каталога. Каждая запись должна содержать название, автора, жанры и описание. Соберите их в единую строку для эмбеддинга:

Title: Десять негритят
Author: Агата Кристи
Genres: детектив, классика
Description: Десять незнакомцев приглашены на остров...

Именно такой формат (структурированная строка с полями) позволяет эмбеддинг-модели использовать название, автора и жанр параллельно с описанием, а не только текст аннотации.

1. Векторизуйте карточки и загрузите в базу. Пропустите каждую строку через эмбеддинг-модель и сохраните вектор в базе:

from langchain.embeddings import HuggingFaceEmbeddings
from langchain.vectorstores import Chroma

embeddings = HuggingFaceEmbeddings(model_name="intfloat/multilingual-e5-base")
vectorstore = Chroma.from_texts(card_texts, embeddings)

1. Настройте поиск по запросу. Когда пользователь вводит запрос на естественном языке, система ищет ближайшие по смыслу карточки:

results = vectorstore.similarity_search(
    "медленный детектив в старинной английской усадьбе",
    k=5
)

Параметр k задаёт, сколько карточек попадёт в контекст для языковой модели. Для книжных рекомендаций 5 до 10 карточек обычно достаточно.

1. Сформируйте промпт для языковой модели. Соберите найденные карточки в контекстное окно и добавьте системный промпт (инструкцию, которая задаёт поведение модели):

Ты — рекомендательный сервис. На основе карточек ниже
порекомендуй книги, соответствующие запросу пользователя.
Для каждой рекомендации объясни, почему она подходит.
Рекомендуй ТОЛЬКО книги из предоставленных карточек.

Карточки:
{найденные карточки}

Запрос пользователя: {текст запроса}

Инструкция «только из предоставленных карточек» снижает галлюцинации (ситуации, когда модель уверенно выдумывает несуществующую книгу или приписывает ей чужой сюжет).

1. Отправьте промпт в языковую модель и получите ответ с объяснениями. Модель вернёт список рекомендаций, каждая с обоснованием: почему эта книга соответствует запросу.

2. Проверьте результат вручную. Убедитесь, что все рекомендованные книги реально существуют в каталоге, а объяснения не содержат выдуманных деталей.

Что это даёт вам прямо сейчас?

Авторам Дзена. Если вы ведёте канал с подборками (книги, фильмы, курсы, рецепты), RAG-подход позволяет строить подборки по запросам читателей в свободной форме. Вместо ручного перебора каталога вы задаёте запрос и получаете кандидатов с готовыми объяснениями, которые можно взять за основу текста.

Маркетологам. Рекомендательный RAG решает задачу персонализации без сбора поведенческих данных. Это актуально для новых продуктов и небольших каталогов, где коллаборативная фильтрация невозможна из-за нехватки истории покупок.

Предпринимателям в РФ и СНГ. Для генерации подойдут GigaChat или YandexGPT, оба доступны через API. Для эмбеддингов работают мультиязычные опенсорс-модели (модели с открытым исходным кодом), которые запускаются локально и не требуют передачи данных за рубеж. Весь пайплайн можно развернуть на собственном сервере.

Попробуйте собрать прототип на своём каталоге: 100 карточек, бесплатный Chroma, мультиязычная модель эмбеддингов и GigaChat через API. Два часа работы покажут, стоит ли масштабировать подход на ваш проект.