Опубликовано: 16.09.2026 | Источник: CNews (новости)

Рекомендательная система подработок по хобби: ML-кейс для ВКР на данных опроса

Поддомен: AI/ML · Роль эксперта: Data/ML-инженер

Введение: почему опрос «Авито» — это готовый датасет для диплома

24 марта 2026 года «Авито Подработка» опубликовала результаты исследования: 28% россиян при выборе частичной занятости ориентируются на собственные хобби и увлечения. Для маркетолога это строчка в пресс-релизе. Для выпускника ИТ-направления — это сигнал: спрос на персонализированный подбор вакансий сформирован, аудитория сегментирована, а значит, есть почва для рекомендательных алгоритмов, аналитических пайплайнов и веб-сервисов.

Тема выигрышная сразу с трёх сторон. Во-первых, она «живая»: комиссия видит, что вы работаете с реальным трендом, а не с выдуманным кейсом. Во-вторых, даёт повод построить полноценный ML-пайплайн — от сбора сырых ответов до ранжирования вакансий. В-третьих, легко укладывается в три главы ВКР по ГОСТ 19 и ГОСТ 34. Ниже — конкретные траектории, инструменты и подводные камни, с которыми вы точно столкнётесь.

FAQ: что студенты спрашивают первым делом

Где брать данные, если опрос закрыт?

Три законных пути: (1) провести собственный опрос через Google Forms или Яндекс.Взгляд на 150–300 респондентов; (2) собрать открытые резюме и вакансии с hh.ru и «Авито» через публичные API в рамках пользовательского соглашения; (3) синтезировать датасет на основе открытой статистики и явно это указать в разделе «Ограничения исследования». Комиссия нормально принимает синтетику, если она обоснована.

Какой стек выбрать, чтобы не утонуть?

Для рекомендательной системы хватит Python + pandas + scikit-learn + FastAPI. Если хотите «взрослый» стек — добавьте MLflow для трекинга экспериментов и PostgreSQL для хранения фичей. Тяжёлые нейросети здесь не нужны: коллаборативная фильтрация на матричной факторизации даёт приемлемое качество на малых данных.

Как считать эффективность модели, чтобы это убедило ГЭК?

Не одним Accuracy. Для ранжирования вакансий стандарт — Precision@K, Recall@K, NDCG@K. Плюс бизнес-метрика: конверсия в отклик на рекомендованную вакансию. Комиссия любит, когда техническая метрика привязана к продуктовой.

Как оформить архитектуру по ГОСТ?

Схему компонентов — по ГОСТ 19.701 (или в нотации C4 Level 2 «Контейнеры»). Диаграмму прецедентов и последовательности — в UML. Схему БД — в нотации IDEF1X или Crow’s Foot. Главное — единый стиль по всей работе и подписи элементов.

Темы ВКР: три рабочие траектории

• Тема 1. Рекомендательная система подбора подработок на основе профиля увлечений.
  Актуальность — прямая отсылка к цифре 28% из исследования «Авито».
  Цель: разработать гибридный рекомендатель (content-based + collaborative filtering), повышающий релевантность выдачи вакансий.
  Задачи: 1) анализ предметной области и существующих рекомендателей; 2) формирование признакового пространства «хобби → категория подработки»; 3) реализация и обучение моделей; 4) оценка Precision@10 и NDCG@10, сравнение с baseline.
  Главы: 1 — теория рекомендательных систем и обзор источников; 2 — проектирование архитектуры и обучение модели; 3 — эксперименты, метрики, внедрение через FastAPI.
• Тема 2. Аналитическая платформа обработки социологических данных о частичной занятости.
  Актуальность — потребность в регулярной обработке опросов о рынке подработок.
  Цель: построить ETL-пайплайн и дашборд для визуализации сегментов респондентов.
  Задачи: 1) проектирование схемы хранилища (звезда); 2) реализация пайплайна извлечения и трансформации; 3) настройка оркестрации; 4) разработка BI-дашборда и расчёт когортных метрик.
  Главы: 1 — анализ методов обработки опросных данных; 2 — проектирование DWH и ETL по ISO/IEC 25010; 3 — тестирование производительности и визуализация.
• Тема 3. Микросервисный бэкенд маркетплейса подработок с модулем персонализации.
  Актуальность — рост спроса на гибкую занятость и персонализированные сервисы.
  Цель: спроектировать отказоустойчивое ядро платформы с интеграцией ML-сервиса.
  Задачи: 1) анализ требований и доменной модели; 2) проектирование API и контрактов; 3) реализация сервисов каталога и рекомендаций; 4) нагрузочное тестирование и наблюдаемость.
  Главы: 1 — обзор архитектурных паттернов; 2 — проектирование и реализация (C4, OpenAPI); 3 — тестирование, мониторинг, метрики SLO.
• Тема 4. Веб-приложение подбора подработки с элементами геймификации профиля интересов.
  Актуальность — удержание пользователя через вовлекающий профиль.
  Цель: разработать SPA + REST API, где пользователь заполняет «карту хобби» и получает вакансии.
  Задачи: 1) UX-исследование и прототип; 2) frontend на React/Vue; 3) backend на FastAPI; 4) юзабилити-тестирование по ISO/IEC 25010 (usability).
  Главы: 1 — анализ интерфейсных решений; 2 — проектирование и разработка; 3 — тестирование удобства и производительности.

Основная часть: как «вшить» статью в главы ВКР

Глава 1. Откуда взять проблематику и стандарты

Откройте тезис «28% выбирают подработку по хобби» как отправную точку в разделе «Актуальность». Дальше свяжите его с требованиями к качеству ПО: ISO/IEC 25010 даёт вам готовые характеристики — функциональная пригодность, производительность, удобство использования. Именно их вы будете измерять в третьей главе. Не забудьте про источники: официальная публикация CNews + 2–3 научные статьи по recommender systems за последние 5 лет. Комиссия режет за «один источник на всю теорию».

Глава 2. Проектирование и код

Здесь рисуем диаграммы. Минимальный набор: C4 Level 1 (контекст), C4 Level 2 (контейнеры), UML-диаграмма последовательности для сценария «пользователь → рекомендация», схема БД. Ниже — скелет content-based рекомендателя, который часто идёт в приложение ВКР.

# baseline: сопоставление хобби и категорий вакансий через TF-IDF
from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.metrics.pairwise import cosine_similarity

hobbies = ["фотография", "велоспорт", "кулинария и выпечка", "настольный теннис"]
vacancies = ["фотограф на мероприятие", "курьер на велосипеде",
             "кондитер на подработку", "тренер по настольному теннису"]

vec = TfidfVectorizer(analyzer="char_wb", ngram_range=(2, 4))
matrix = vec.fit_transform(hobbies + vacancies)
sim = cosine_similarity(matrix[:len(hobbies)], matrix[len(hobbies):])

for i, h in enumerate(hobbies):
    best = sim[i].argmax()
    print(f"{h} -> {vacancies[best]} (score={sim[i][best]:.3f})")

Далее заверните это в FastAPI-эндпоинт /recommend, добавьте кэш в Redis и логирование через OpenTelemetry. Три строки, а на защите это превращается в полноценный аргумент «сервис наблюдаемый, готов к нагрузке».

Глава 3. Метрики и эффективность

Считайте метрики на отложенной выборке. Данные бейзлайна: 70/15/15 — train/val/test. Минимум три алгоритма для сравнения: популярность (baseline), content-based, гибрид. Сведите результат в таблицу.

Важно: цифры в таблице — ваши, из вашего прогона. Не копируйте чужие, комиссия спрашивает по каждой ячейке. Если получилось скромно — так и напишите, обоснуйте размером датасета и предложите путь улучшения в разделе «Направления развития».

Требования к ТЗ и оформлению

Техническое задание оформите по ГОСТ 34.602. Постановка задач и функциональные требования — отдельные разделы, иначе нормоконтроль завернёт. Для программного изделия при необходимости используйте ГОСТ 19.201. Приложения: листинг кода, скрипты развёртывания, конфиги — всё отдельными приложениями с нумерацией А, Б, В.

Источник: 28% россиян при выборе подработки ориентируются на свои хобби и увлечения — «Авито Подработка» (опубликовано 2026-03-24)