Исследователи Т-Технологий представили на конференции ACM RecSys 2026 три инструмента для рекомендательных систем. Они помогают решать разные проблемы, которые возникают при подборе товаров, контента и других предложений, а их исходный код доступен для использования и дальнейшей разработки.
Одна из распространенных проблем рекомендательных систем — так называемый холодный старт. Он возникает, когда у пользователя еще нет истории действий или когда речь идет о новом либо редком товаре, по которому накопилось мало данных.
Фреймворк Perseus, помогает объединять разрозненную информацию о пользователе из разных сервисов. Например, человек может покупать товары, получать кэшбэк и обращаться в поддержку, но каждый сервис хранит только часть истории. Perseus объединяет такие действия в единую последовательность и использует ее для обучения нейросети. Благодаря этому новый сервис может получить больше информации о пользователе еще до того, как тот успеет накопить собственную историю взаимодействий.
На собственных данных T-ECD разработчики получили прирост качества рекомендаций на 16–39% в зависимости от области применения. При этом фреймворк не привязан к конкретному продукту и может использоваться в разных рекомендательных системах.
Библиотека Scikit-Rank предназначена для другого этапа работы рекомендаций. После того как система отобрала подходящие товары или материалы, их нужно расположить в определенном порядке, чтобы наиболее релевантные варианты оказались выше.
Разработчики отмечают, что перенос нейросетевой модели для такого ранжирования в существующую систему может быть сложным. Scikit-Rank предлагает интерфейс, похожий на инструменты библиотеки scikit-learn, поэтому модель можно встроить в уже используемый процесс без полной переработки системы.
Scikit-Rank можно использовать вместе с Perseus. В таком случае один инструмент подбирает кандидатов, а второй определяет их порядок. По данным разработчиков, библиотека показывает качество на уровне XGBoost, LightGBM и CatBoost, а при рекомендациях новостей превосходит эти решения.
Третий инструмент ScaL³AE предназначен для ситуаций, когда по большому количеству товаров недостаточно данных о взаимодействиях пользователей. Чтобы компенсировать нехватку такой информации, метод использует описания товаров, полученные с помощью языковых моделей. При этом разработчики переработали предыдущую версию подхода так, чтобы он мог работать с каталогами промышленного масштаба и не упираться в ограничения оперативной памяти.
Все три разработки представлены на ACM RecSys 2026, конференции, посвященной рекомендательным системам. Исходный код Perseus и ScaL³AE опубликован на GitHub, а Scikit-Rank доступен через PyPI. Для последнего также подготовили интерактивную демонстрацию в Google Colab. Разработчики открыли инструменты для сообщества и позволяют использовать их в собственных проектах.
Читайте также:
OpenAI представила ИИ-агентов dots, обновила Codex и запустила подписку за $500