Нетворкинг-платформа для конференций в ВКР: рекомендательная система матчинга участников
В марте 2026 года SXSW снова подтвердил статус главной площадки, где фаундеры и инвесторы находят друг друга. TechCrunch отмечает: изменения в программе не испортили главного — плотности полезных знакомств. По сути, это событие превратилось в живой датасет для тех, кто умеет считать совпадения: кто с кем пересекался, какие темы триггерят знакомства, как построить матчинг участников по профилям. Для выпускника направления «Прикладная информатика» или «Data Science» это повод построить ВКР не на абстрактном «анализе данных», а на реальной задаче: научить алгоритм рекомендовать людей. Ниже — как превратить инфопод из статьи в дипломную работу и защитить её без вопросов.
Три темы ВКР, которые вытекают прямо из кейса SXSW
| Тема | Задачи | Структура (главы) |
|---|---|---|
| Рекомендательная система матчинга участников конференции на основе эмбеддингов |
1. Собрать и разметить профили участников SXSW-типа (роли, сферы, темы). 2. Построить sentence-эмбеддинги (sentence-transformers, e5-base). 3. Реализовать гибридный ранкер: косинусная близость + граф пересечений. 4. Сравнить с baseline collaborative filtering по NDCG@10. |
Гл.1 — обзор подходов (CF, content-based, GNN); Гл.2 — архитектура, пайплайн данных, API; Гл.3 — офлайн-метрики + A/B на симуляции. |
| Граф связей участников события: анализ и визуализация в Neo4j |
1. Смоделировать данные как граф (участник-компания-сессия). 2. Реализовать PageRank и community detection. 3. Сравнить с характеристиками «серых кардиналов» SXSW. 4. Спроектировать дашборд для организаторов. |
Гл.1 — теория графов и метрик центральности; Гл.2 — схема данных, Cypher-запросы; Гл.3 — кейсы и оценка полезности. |
| ML-сервис прогнозирования «горячих» знакомств на основе активности участников |
1. Сформировать фичи из логов чек-инов и сессий. 2. Обучить градиентный бустинг на задаче бинарной классификации. 3. Развернуть модель как FastAPI-сервис. 4. Замерить latency и ROC-AUC. |
Гл.1 — постановка и обзор источников сигнала; Гл.2 — feature engineering, MLflow; Гл.3 — нагрузочное тестирование, OpenTelemetry. |
Как встроить статью в главы ВКР
Глава 1: анализ предметной области
Не ограничивайтесь пересказом TechCrunch. Тезис «плотные знакомства как ключевая ценность SXSW» следует превратить в обоснование задачи: если знакомства — продукт, значит, их можно рекомендовать. В главе 1 уместно построить сравнительную таблицу форматов (B2B-конференция, митап, акселератор) и показать, чем матчинг в каждой отличается. Здесь же — ссылка на ISO/IEC 25010 при разборе критериев качества: точность рекомендаций, объяснимость, устойчивость к холодному старту.
Глава 2: проектирование и реализация
Глава 2 — ваш шанс показать инженерную зрелость. Нарисуйте C4-диаграмму уровня контейнеров: сервис-профили, сервис-матчинг, векторное хранилище (pgvector / Qdrant), брокер событий. Если хотите выделиться — покажите UML-диаграмму последовательности для сценария «фаундер помечает интерес → сервис предлагает трёх инвесторов». Дальше — фрагмент кода ранжирования:
import numpy as np
from sentence_transformers import SentenceTransformer
model = SentenceTransformer("intfloat/e5-base-v2")
def rank_candidates(profile: str, candidates: list[str], top_k: int = 10):
# e5 требует префиксы "query:" / "passage:"
q = model.encode(f"query: {profile}", normalize_embeddings=True)
c = model.encode([f"passage: {x}" for x in candidates],
normalize_embeddings=True)
scores = c @ q # косинус после нормализации
idx = np.argsort(-scores)[:top_k]
return [(candidates[i], float(scores[i])) for i in idx]
Глава 3: оценка эффективности и тестирование
Считать «на глаз» — путь к провалу на защите. Для ранжирующих моделей используйте классический набор: Precision@K, Recall@K, NDCG@K. Дополнительно покажите бизнес-метрику: доля подтверждённых знакомств (accept rate) в симуляции. Для backend-части (FastAPI) замерьте p95 latency под нагрузкой 200 RPS — инструменты Locust или k6 вполне по силам студенту. Логи и трейсы удобно завернуть через OpenTelemetry, чтобы потом доказать: система наблюдаема, а не просто «работает на ноутбуке».
Диаграммы, которые ждёт комиссия
Минимум три: контекстная C4 (кто использует систему), компонентная C4 (внутри сервиса матчинга), ER-диаграмма БД. Плюс одна UML activity для сценария матчинга. Схемы вставляйте как SVG или PNG 300 dpi — «скриншоты из draw.io» снижают оценку по нормоконтролю, если вы не подписали их по ГОСТ.
FAQ: вопросы, которые задают на защите
Где брать датасет, если у SXSW данных нет?
Соберите синтетический датасет на основе публичных профилей участников схожих конференций (Web Summit, Slush) — LinkedIn-выгрузки через API вам никто не даст. Для ВКР достаточно 5–10 тыс. сгенерированных профилей с реалистичным распределением ролей и тем. В приложении опишите процедуру генерации — комиссия оценит методическую честность.
Можно ли использовать готовые рекомендательные библиотеки?
Можно и нужно: implicit, LightFM, RecBole. Но в главе 2 обязательно объясните, почему выбрали именно эту, и приведите сравнение с baseline. Просто «взял библиотеку» без обоснования — минус балл.
Как оформлять схемы по ГОСТ?
ГОСТ 19.701-90 (ЕСПД) и ГОСТ 34.201-2020 регламентируют состав и обозначения. Подпись «Рисунок 5 — Диаграмма компонентов системы матчинга» — обязательна. Ссылка в тексте должна идти до рисунка, а сам рисунок — не дальше одной страницы после ссылки.
Хватит ли мне 2–3 недель на реализацию?
Для гибридного ранкера на эмбеддингах — да, если не изобретать графовые нейросети с нуля. Выберите одну тему из трёх выше, соберите MVP, а остальное время потратьте на главу 3 с метриками. Если сроки поджимают, грамотнее заранее обсудить объём — в том числе не стесняйтесь спросить помощь с дипломом у профильных специалистов.
Чему вы научитесь на такой ВКР
- Строить эмбеддинговые пайплайны и валидировать ранжирующие модели на реальных метриках.
- Проектировать сервисы с учётом ISO/IEC 25010 (точность, наблюдаемость, сопровождаемость).
- Оформлять архитектуру по C4 и UML, а не «рисовать кубики в PowerPoint».
- Разворачивать модель как FastAPI-сервис с OpenTelemetry-трейсингом.
- Считать бизнес-эффект: accept rate, время до первого матча, TCO инфраструктуры.
- Все задачи из введения отражены в выводах по главам и в заключении.
- Источники (включая статью TechCrunch от 29.03.2026) оформлены по ГОСТ Р 7.0.5-2008.
- Схемы подписаны, пронумерованы, есть ссылки в тексте.
- Метрики в главе 3 согласуются с целями из главы 1.
- Листинги кода вынесены в приложения, оформлены моноширинным шрифтом.
- Проверка уникальности текста ≥ 75% (система вуза).
- Названия файлов, титульный лист и оглавление соответствуют методичке кафедры.
- Подмена задачи. Тему превращают в «анализ трендов SXSW» и получают реферат вместо инженерной работы. Решение: центр ВКР — система, а не обзор.
- Игнорирование холодного старта. В рекомендательных системах это ключевая проблема, о ней комиссия спросит точно. Заранее покажите в главе 3, как ведёт себя модель на новых пользователях.
- Метрики «на глазок». Фраза «система работает хорошо» без чисел — прямой путь к допвопросам. Заведите привычку: любое утверждение подкреплено цифрой.
Источник: SXSW rebounds as a top networking, ideas festival for founders and VCs (опубликовано 2026-03-29)