Авито запустило на платформе Open Data Science соревнование «Персональное ранжирование | Avito ML cup 2026»: для каждой рекомендательной ленты нужно предсказать числовую оценку score для каждого объявления-кандидата так, чтобы выше оказались те, с которыми пользователь совершит целевое действие. Решения оценивает метрика NDCG, призовой фонд — 1,5 млн ₽, данные и два стартовых бейзлайна уже опубликованы, а зарегистрироваться вместе с командой можно до 8 декабря 2026 года.
Что произошло
Авито открыло соревнование на платформе ODS осенью 2026 года. Данные разделены на train/val/test, в каждой ленте feed_id минимум 5 кандидатов, итоговая оценка считается как NDCG, усреднённая по лентам. Участникам доступны 5 числовых признаков, категориальные признаки, 128-мерные эмбеддинги пользователей и объявлений и история до 256 событий пользователя. Отправка решений открыта с 28 октября 2026 года — 5 сабмитов в день на команду. Регистрация и формирование команд до 4 человек продлятся до 8 декабря, финал назначен на 9 декабря 2026 года. Призовой фонд распределён по местам: 750 000 ₽ за первое, 450 000 ₽ за второе, 300 000 ₽ за третье. Для старта выложены два бейзлайна — CatBoostRanker (YetiRank) и Transformer.
Контекст
Персональное ранжирование — ключевая задача рекомендательных систем маркетплейса: от порядка объявлений в ленте зависит, что пользователь увидит и с чем вступит во взаимодействие. Промышленные данные такой выдачи компании почти никогда не публикуют, поэтому открытые наборы с векторными представлениями и длинной поведенческой историей в индустрии — редкость. Соревновательный формат при этом отработан: за фиксированный призовой фонд организатор получает множество сторонних решений на своих реальных данных, а сообщество — открытый лидерборд и общую точку сравнения подходов. Оценка на скрытом тесте, а не по публичному лидерборду, считается лучшей практикой конкурсов: она снижает риск подгонки решений под видимый набор. Два бейзлайна задают коридор сложности: градиентный бустинг выступает сильной табличной точкой отсчёта, а Transformer — приглашением моделировать историю событий как последовательность.
Почему это важно для индустрии
Для отрасли это редкий случай, когда крупный маркетплейс открывает обезличенные данные production-рекомендательной ленты и задаёт публичный ориентир по работе с эмбеддингами и персональным ранжированием. Набор с векторными представлениями и историей до 256 событий — материал под sequence-модели и методы, агрегирующие поведенческую историю, а не только под градиентный бустинг на табличных признаках. Для самой Авито это дешёвый механизм R&D и найма: за 1,5 млн ₽ компания получает работу сотен команд на своих данных, а рынок — публичный лидерборд как готовую воронку recsys-талантов. После финала, как обычно бывает с крупными соревнованиями, накопится публичный слой решений и разборов: связки табличных признаков с эмбеддингами, схемы работы с длинной историей событий и практики валидации под метрику по лентам станут сопоставимым отраслевым репером.
Почему это важно для пользователей
Для ML-специалистов это бесплатный доступ к промышленному датасету и готовые стартовые модели: за вечер поднимается рабочий бейзлайн CatBoostRanker (YetiRank) или Transformer на выданных данных. Первая разумная задача — прогнать оба бейзлайна и построить локальную валидацию, воспроизводящую усреднение NDCG по лентам: при лимите в 5 сабмитов в день вся итерационная работа должна идти на собственных отложенных выборках, а не на отправках. Участвовать можно в командах до 4 человек, регистрация открыта до 8 декабря 2026 года, так что войти в борьбу за фонд можно ещё месяц. Это тренировочная площадка, а не готовый инструмент: прямого эффекта для работающих продуктов решение не приносит, зато даёт промышленную задачу для отработки навыков, а результаты в открытом лидерборде видны нанимателям.
Что пока неизвестно / ограничения
Сила бейзлайнов неизвестна: CatBoostRanker (YetiRank) и Transformer публично не сравнивались, и заранее нельзя утверждать, что моделирование истории из 256 событий даст прирост над градиентным бустингом — это гипотеза, которую предстоит проверить на лидерборде. Итоговая оценка проводится на скрытом тесте, поэтому локальная валидация может расходиться с официальным результатом. Конкретное целевое действие и детали обезличивания данных в опубликованных материалах не раскрыты; неизвестно и будут ли публиковаться разборы победных решений.
Источники
- Персональное ранжирование | Avito ML cup 2026 — Open Data Science
- FAQ — Персональное ранжирование | Avito ML cup 2026
- Осенний Avito ML Cup: ранжирование ленты рекомендаций — Hacklist
Автор
Look at AI, редакция