Т-Банк показал персонализацию нейросети Perseus: +10% к точности без истории покупок

Олег Лашинин, руководитель направления рекомендательных систем в Т-Банке, представил Perseus, фреймворк персонализации нейросети, который собирает все действия клиента из разных сервисов экосистемы в одну цепочку и строит на ней единый «портрет» для любых задач.

Что решает Perseus и почему это не «ещё одна рекомендательная модель»?

• Одна последовательность вместо разрозненных баз. Покупки в супермаркете, бронирование отелей, оплата билетов, клики по баннерам, подключение банковских сервисов складываются в единую хронологическую цепочку. Раньше каждая команда строила модель только на своих данных.

• Текстовые эмбеддинги (векторные представления товара по его описанию) на входе. Бананы в магазине А и бананы в магазине Б имеют разные внутренние идентификаторы, но модель «читает» текстовое описание и понимает, что это один и тот же продукт. Персонализация нейросети работает через смысл, а не через совпадение кодов.

• Отдельная матрица эмбеддингов для каждого магазина на выходе. Если в системе десять партнёров, обучаются десять независимых матриц товаров, но при каждом обучающем примере обновляется только одна, та, где произошёл заказ. Это экономит ресурсы и не смешивает ассортименты.

• Четыре типа задач из одного вектора. Полученный вектор пользователя применяется к кандидатогенерации (отбору товаров-претендентов), ранжированию (сортировке по релевантности), классификации и регрессии (предсказание числовых значений, например суммы заказа).

• Event Hub, единое хранилище доменных данных. Все источники событий собираются в одном месте, а Perseus берёт из него нужные срезы для разных продуктов. Доменов данных мало, задач много, хранилище позволяет не дублировать пайплайны.

В основе лежит трансформерная модель SASRec, которая обрабатывает действия пользователя, отсортированные по времени. Каждое действие превращается в эмбеддинг (числовой вектор, описывающий объект на языке нейросети), последовательность эмбеддингов проходит через трансформер, и последний вектор становится «портретом» клиента. Этот портрет умножается на эмбеддинги товаров, и модель выдаёт оценку релевантности каждого товара для конкретного человека.

Команда расширила классическую SASRec в трёх направлениях: вход принимает покупки сразу из всех магазинов, выход разделён по партнёрам, а на входе используются текстовые эмбеддинги вместо «голых» идентификаторов.

Результат: +10% к точности первой корзины

По данным Т-Банка, в задаче предсказания первого заказа в новом магазине модель показала в среднем на 10% более точный результат, чем базовый подход «предложить самые популярные товары». В разных задачах прирост бизнес-метрик составил от 3% до 17%, даже если у пользователя не было ни одной покупки в конкретном сервисе.

Олег Лашинин приводит личный пример: после покупки кваса в одном магазине модель начала рекомендовать квас в других магазинах, хотя у каждого магазина квас имел разный внутренний идентификатор. Модель сама извлекла предпочтение из текстового описания и нашла соответствия между товарами.

Как попробовать?

1. Изучите описание Perseus в блоге Т-Банка. Команда опубликовала подробный разбор архитектуры, схемы данных и результатов экспериментов.
2. Оцените, есть ли у вас «экосистемная» задача. Если ваш бизнес работает с несколькими сервисами или каталогами и пользователи пересекаются между ними, подход с единой последовательностью событий применим.
3. Начните с Event Hub. Соберите действия пользователей из разных источников в единое хранилище с общей схемой событий. Это первый практический шаг, который команда Perseus выделяет как фундамент.

Как это соотносится с тем, что уже есть в России?

Персонализацию нейросети на экосистемных данных в том или ином виде развивают несколько крупных игроков. Яндекс использует кросс-сервисные данные для рекомендаций в Маркете, Музыке и Кинопоиске. Сбер применяет единый профиль клиента в своей экосистеме. Однако публичных технических разборов уровня Perseus, где описана конкретная архитектура с трансформером, текстовыми эмбеддингами и раздельными матрицами на выходе, от российских финтех-компаний до сих пор выходило мало. Для практиков ценность именно в открытости подхода: можно разобрать и адаптировать.

Что с этого конкретным специалистам?

Авторам Дзена и контент-маркетологам. Если вы работаете с партнёрскими сервисами или ведёте несколько площадок, логика Perseus подсказывает: чем больше точек контакта с аудиторией вы объедините в одну аналитику, тем точнее поймёте, что интересно читателю. На практике это значит связывать данные о подписчиках из разных каналов, а не анализировать каждый канал по отдельности.

Маркетологам. Perseus показывает, что «холодный старт» (когда у нового продукта нет данных о пользователе) перестаёт быть приговором. Если ваша компания запускает новый сервис внутри экосистемы, стоит до запуска договориться с другими командами о передаче обезличенных событий, именно это даёт прирост метрик с первого дня.

Предпринимателям и техническим руководителям в РФ и СНГ. Фреймворк пока внутренний продукт Т-Банка, «из коробки» его не подключить. Но архитектура описана достаточно подробно, чтобы воспроизвести на открытых инструментах. SASRec доступен в опенсорсе (открытая модель, код которой опубликован для свободного использования), текстовые эмбеддинги можно получить через любую языковую модель, доступную в России.

Частые вопросы

Можно ли использовать Perseus в своём проекте?

На момент публикации Perseus остаётся внутренним фреймворком Т-Банка. Открытого кода или публичного API команда не анонсировала. Однако архитектура описана подробно: в основе лежит SASRec (доступен в опенсорсе), текстовые эмбеддинги и раздельные матрицы товаров. При наличии инженерной команды подход можно воспроизвести на своих данных.

Что такое «холодный старт» и как Perseus его решает?

Холодный старт (ситуация, когда сервис только запустился и не знает предпочтений пользователя) решается за счёт переноса знаний из других сервисов экосистемы. Если клиент покупал товары в одном магазине, модель использует эту информацию для рекомендаций в новом магазине, где у клиента ещё нет ни одного заказа. По данным Т-Банка, это даёт в среднем +10% к точности предсказания первой корзины по сравнению с выдачей популярных товаров.

Нужна ли экосистема масштаба Т-Банка, чтобы подход работал?

Принцип единой последовательности событий работает при любом масштабе, если у вас есть хотя бы два источника данных о действиях одного и того же пользователя. Чем больше источников и пересечений аудитории между ними, тем заметнее эффект. Для небольшого бизнеса с одним продуктом и одним каналом подход избыточен.

Т-Банк показал, что объединение разнородных данных в единую цепочку событий перестаёт быть теоретической идеей и приносит измеримый результат в продакшене. Для тех, кто работает с несколькими продуктами или каналами в РФ, это конкретный ориентир: не ждать идеальных данных в каждом сервисе, а строить общий «портрет» клиента из того, что уже есть.