Один фреймворк вместо десятков рекомендательных систем
Т-Банк выложил на гитхаб Perseus — фреймворк для построения систем персонализации в экосистемных продуктах, который учится не только на действиях пользователя в одном сервисе, но и на событиях из других продуктов.
Идея в том, что Perseus собирает действия пользователя из разных сервисов в единую последовательность: от покупки, кликов по рекламе, выбора повышенного кэшбэка до взаимодействия с банковскими продуктами и других событий. На их основе строится единое представление пользователя, которое затем можно использовать для кандидатогенерации, ранжирования, классификации и регрессии.
Это помогает даже в новых сервисах, где у пользователя еще нет истории. Например, если человек впервые заходит в новый магазин внутри экосистемы, модель может использовать его предыдущие действия в других сервисах и сразу предлагать более подходящие товары. По данным команды, в разных задачах это позволило улучшить качество рекомендаций от 3 до 17%, а точность предсказания первого заказа в новом сервисе выросла примерно на 10% по сравнению с рекомендацией самых популярных товаров.
Perseus — это не одна модель, а целая инфраструктура: она стандартизирует обработку разнородных событий, поддерживает разные архитектуры последовательных моделей, включая Transformer/BERT-like, ModernBERT-like, HSTU, LiGR, DA-Net, Mamba-like, разделяет этапы подготовки данных, обучения и инференса и позволяет переиспользовать промежуточные вычисления без полного пересчета пайплайна.
Сейчас фреймворк уже используют в нескольких сценариях внутри Т-Банка: для рекомендаций товаров и партнерских скидок в "Шопинге", персонализации повышенного кэшбэка и предиктивной поддержки, которая заранее пытается определить тему обращения клиента. Дальше команда планирует развивать онлайн-рекомендации и исследовать кросс-доменное предобучение моделей.
Т-Банк выложил на гитхаб Perseus — фреймворк для построения систем персонализации в экосистемных продуктах, который учится не только на действиях пользователя в одном сервисе, но и на событиях из других продуктов.
Идея в том, что Perseus собирает действия пользователя из разных сервисов в единую последовательность: от покупки, кликов по рекламе, выбора повышенного кэшбэка до взаимодействия с банковскими продуктами и других событий. На их основе строится единое представление пользователя, которое затем можно использовать для кандидатогенерации, ранжирования, классификации и регрессии.
Это помогает даже в новых сервисах, где у пользователя еще нет истории. Например, если человек впервые заходит в новый магазин внутри экосистемы, модель может использовать его предыдущие действия в других сервисах и сразу предлагать более подходящие товары. По данным команды, в разных задачах это позволило улучшить качество рекомендаций от 3 до 17%, а точность предсказания первого заказа в новом сервисе выросла примерно на 10% по сравнению с рекомендацией самых популярных товаров.
Perseus — это не одна модель, а целая инфраструктура: она стандартизирует обработку разнородных событий, поддерживает разные архитектуры последовательных моделей, включая Transformer/BERT-like, ModernBERT-like, HSTU, LiGR, DA-Net, Mamba-like, разделяет этапы подготовки данных, обучения и инференса и позволяет переиспользовать промежуточные вычисления без полного пересчета пайплайна.
Сейчас фреймворк уже используют в нескольких сценариях внутри Т-Банка: для рекомендаций товаров и партнерских скидок в "Шопинге", персонализации повышенного кэшбэка и предиктивной поддержки, которая заранее пытается определить тему обращения клиента. Дальше команда планирует развивать онлайн-рекомендации и исследовать кросс-доменное предобучение моделей.