Команда Т-Технологий (Т-Банк) опубликовала на Хабре подробный туториал по своему опенсорсному фреймворку Perseusi, предназначенному для обучения моделей персонализации на основе истории пользовательских событий. Ранее фреймворк уже был выложен в открытый доступ, теперь к нему добавили практическое руководство и код на GitHub.

В туториале на малой версии датасета T-ECDi разобрали четыре типовых сценария рекомендательных систем — кандидатогенерацию, ранжирование, классификацию и регрессию — и показали весь путь от подготовки данных до инференса. Материал особенно полезен тем, кто работает с рекомендательными системами и мультидоменными данными: Perseus позволяет добавлять новые признаки или события из другого домена без пересборки пайплайна.

• Кандидатогенерация — прогноз того, на какие товары пользователь кликнет на следующий день
• Ранжирование — сортировка готового набора товаров по релевантности
• Классификация — прогноз, совершит ли пользователь хотя бы одно активное действие в Marketplace в течение следующих семи дней (по данным РИСЕРЧОШНОЙ, речь именно про Marketplace)
• Регрессия — прогноз суммарной стоимости товаров, с которыми пользователь позитивно провзаимодействует; по данным Метаверсище и ИИще — «в следующем месяце», по данным РИСЕРЧОШНОЙ — «в течение следующих 30 дней» в Marketplace
• Для каждого сценария готовили отдельный базис данных, считали бейзлайн, обучали модель через Perseus и сравнивали результаты на одном инференс-базисе
• В туториале показали устройство Event Hubi — единого хранилища событий — и процесс запуска обучения и инференса
• Во всех четырех экспериментах Perseus превзошел базовые решения, хотя с разным отрывом по метрикам
• Все настройки собираются в одном YAML-конфиге, через который можно менять архитектуру модели, добавлять признаки и подключать данные из других доменов без переписывания пайплайна