В данной статье исследуется задача построения рекомендаций в условиях наиболее распространенного сценария — наличия неявной обратной связи (кликов, покупок). Современные методы обычно сводят эту задачу к ранжированию списка объектов, из которого пользователю выдается фиксированное количество результатов (Top-N). Однако выбор числа N зачастую продиктован техническими ограничениями, такими как размер экрана, а не потребностями пользователя. Авторы предлагают подход с динамическим определением количества рекомендаций, основанный на индивидуальных границах принятия решений для каждого пользователя.
Работа предлагает инновационный подход к рекомендательным системам, который отказывается от выдачи фиксированного количества результатов (Top-N). Вместо этого алгоритм обучается определять персональную границу интересов для каждого пользователя, что позволяет динамически подбирать наиболее релевантный список товаров или контента.