Команда исследователей Т-Технологий выступила на международной конференции ACM RecSys 2026i в Миннеаполисе (США) с тремя разработками, решающими проблему нехватки данных в рекомендательных системах — так называемый холодный стартi, когда у нового пользователя нет истории действий, а у редких товаров почти нет взаимодействий. Все три инструмента — библиотека Scikit-Rank, фреймворк Perseus и метод ScaL³AE — выложены в открытый доступ.

Разработки нацелены на разные этапы работы рексистем: Perseus объединяет разрозненные данные о пользователе из разных сервисов экосистемы, Scikit-Rank упрощает внедрение нейросетевых моделей ранжирования в существующие пайплайны, а ScaL³AE позволяет эффективно работать с промышленными каталогами из миллионов товаров, в том числе с малым числом взаимодействий.

• Perseus обучает нейросеть на общей последовательности сигналов о пользователе из разных продуктов (например, покупки в «Шопинге», кэшбэк, обращения в поддержку), благодаря чему даже новый сервис сразу «знает» клиента
• В экспериментах на собственных данных T-ECD Perseus улучшил качество рекомендаций на 16–39% в зависимости от домена
• Scikit-Rank оборачивает нейросетевые модели ранжирования в формат scikit-learni-моделей, что позволяет внедрять их в текущий пайплайн без переписывания кода почти с нуля
• По качеству Scikit-Rank не хуже XGBoost, LightGBM и CatBoost, а в задаче рекомендации новостей заметно превосходит их
• Scikit-Rank и Perseus можно использовать в паре: Perseus подбирает кандидатов, Scikit-Rank их ранжирует — оба этапа рексистемы становятся нейросетевыми
• ScaL³AE подтягивает описания товаров от языковых моделей и работает на каталогах промышленного масштаба (миллионы объектов), в отличие от предыдущей версии подхода
• В тестах на четырёх категориях Amazon Reviews ScaL³AE превзошёл методы EASE и SANSA, показав результаты, сопоставимые или выше, чем у популярного L³AE