Recommendations API

«Вам также понравится» на Netflix работает без запросов - только по истории просмотров. Recommendations API в Qdrant делает то же самое: не нужна embedding модель в runtime, только ID точек, которые уже в коллекции.

• **Netflix-style рекомендации:** recommend(positive=[watched_ids], negative=[disliked_ids]) - персонализация без embed-запросов
• **'Похожие товары':** recommend(positive=[current_product_id]) - один запрос, нет API вызовов
• **Exploration:** discover(target=genre_vector, context=[{style_A, not_style_B}]) - тонкая навигация по каталогу

Предварительные знания

• First Search: Search API

Поиск по примерам без embedding модели

**Обычный поиск** требует embedding модели: query → embed → vector → search. **Recommendations API** работает иначе: «найди похожее на эти точки», используя уже существующие векторы в коллекции. Embedding модель не нужна.

**Когда использовать Recommendations:** 1. «похожие статьи» на странице материала 2. «вам может понравиться» в e-commerce 3. персонализация по истории лайков 4. когда embedding модель недоступна или дорогая.

Positive и negative examples

**Positive примеры** - точки, к которым хотим быть ближе. **Negative примеры** - точки, от которых хотим быть дальше. Комбинируя их, можно точно выразить «хочу вот такое, но не вот это».

**Стратегии агрегации positive:** Qdrant поддерживает `average_vector` (усреднить векторы всех positive) и `best_score` (взять лучший score из каждого positive). По умолчанию `average_vector`. Для нескольких разных positive примеров `best_score` часто лучше.

Recommend с best_score стратегией

**strategy: best_score** vs **average_vector** - принципиально разные режимы рекомендаций. Выбор влияет на то, что попадёт в топ результатов.

Discover API: поиск по контексту

**Discover API** - самый мощный режим, предназначен для exploration. Принимает `target` (что ищем) и `context` (пары positive/negative для сужения пространства поиска). Ищет точки, которые ближе к target чем negative, и дальше от negative чем positive.

**Разница recommend vs discover:** `recommend` ищет ближайших к positive (с отталкиванием от negative). `discover` ищет точки похожие на `target`, но использует `context` для навигации в векторном пространстве - это тонкое различие важно для exploration tasks.

**recommend vs discover - кратко:** recommend('похожее на это') - для 'вам также может понравиться'. discover('похожее на target, учитывая контекст') - для тонкой навигации в векторном пространстве, exploration, и когда нужно задать «направление» поиска через контраст.

Ключевые идеи

• **recommend()** - поиск похожего по ID существующих точек. Embedding модель не нужна в runtime
• **positive** притягивают, **negative** отталкивают - выражаем «хочу вот это, но не вот это»
• **average_vector** - для похожих positive; **best_score** - для разнообразных positive
• **discover()** - поиск по target + context пары. Тонкая навигация в векторном пространстве
• recommend = 'похожее на примеры'; discover = 'целевое + контекстные ограничения'
• Помните hook? Никаких API вызовов в runtime - быстрее, дешевле, элегантнее

Что дальше

Recommendations API освоен. Вы прошли весь цикл Hybrid & Advanced Search.

• Hybrid Search — Комбинировать recommend с hybrid для ещё лучшего качества
• Группировка результатов — Группировать recommend результаты по документу
• Фильтрация — Ограничивать рекомендации по payload условиям

Вопросы для размышления

• Для какого сценария в вашем проекте подходит recommend(), а для какого - обычный search()? Где граница?
• Как собирать positive/negative сигналы от пользователей (лайки, дизлайки, время на странице)?
• Как измерить качество рекомендаций? Какие метрики использовать?

Связанные уроки

• qd-06-hnsw — Recommend API строится поверх HNSW для ANN поиска
• qd-11-hybrid-search — Recommendations можно обогатить hybrid search стратегией
• ml-12 — Collaborative filtering в ML - та же идея: похожие объекты
• aie-12-rag-fundamentals — RAG retrieval - частный случай recommendation по семантической близости
• ml-01-intro