Выбор ML модели для рекомендательной системы

Нужно создать рекомендательную систему для рекомендации пользователям различных ивентов

Задача - по запросу рекомендовать конкретному пользователю n наиболее релевантных событий на основе истории его взаимодействия с другими мероприятиями

История взаимодействия представлена отметками о просмотре карточки мероприятия конкретным пользователем, лайком/дизлайком, временем просмотра и фактом открытия подробного описания (матрица достаточно разреженная)

Постоянно обновляемый список мероприятий представлен набором сущностей с описанием,картинками,датами проведения,классами(непересекающимися) и тэгами(пересекающимися)

На данный момент есть несколько предположений как можно реализовать такую функциональность (двухбашенная модель с анализом истории взаимодействия при помощи трасформера и эмбеддингами для мероприятий/факторизационная машина/коллаборативная фильтрация) Список мероприятий постоянно обновляется, поэтому первоначальная идея с коллаборативный фильтрацией скорее всего не подойдет

Помогите определить, какую модель будет в данном случае будет актуальнее использовать для решения вышеупомянутой задачи, что почитать чтобы разобраться в вопросе самостоятельно

Более предпочитаемым будет масштабируемое решение, которое можно будет дополнять по мере необходимости (например расширить эмбеддинг ивентов добавив к описанию картинки или добавить учет новых видов явного/неявного фидбэка )