Руководитель направления рекомендательных систем Т-Банка Олег Лашинин представил фреймворк Perseus, предназначенный для универсальной персонализации на основе гетерогенных событий. Разработка решает проблему, характерную для крупных экосистем: каждая команда собирает свои данные, события имеют разные схемы, а в новых сервисах отсутствует история действий пользователя. Вместо того чтобы строить изолированные модели для каждого продукта, инженеры объединили все действия клиента в единую последовательность и на её основе создали гибкий инструмент для работы с экосистемными данными. В различных задачах внедрение Perseus позволило сразу повысить бизнес-метрики от 3% до 17% — даже в случаях, когда у пользователя не было ни одной покупки в конкретном сервисе. Это стало возможным благодаря тому, что модель учитывает поведение клиента во всех сервисах экосистемы, а не только в том, где применяется рекомендация.

Ключевая предпосылка создания фреймворка связана с тем, что Т-Банк представляет собой экосистему, включающую дебетовые и кредитные карты, сервисы покупки товаров, бронирования отелей и авиабилетов, страхование, а также сервисы покупки недвижимости и авто. Многим из этих направлений необходима персонализация, и чем больше данных о клиенте используется, тем более релевантными становятся рекомендации. Вторая предпосылка касается запуска новых сервисов: на старте в них мало данных о пользовательских действиях, но есть множество других сведений, которые хотелось бы задействовать. Например, при подключении нового партнёра по доставке продуктов модель может строить рекомендации на основе покупок человека в других магазинах, даже если он ещё не совершал заказов у конкретного партнёра. Это особенно важно для поддержания качества сервиса с первых дней его работы.

Технически Perseus основан на расширении известной трансформерной модели SASRec, которая рассматривает действия пользователя, отсортированные по времени. Каждое действие преобразуется в обучаемое векторное представление — эмбеддинг, после чего последовательность эмбеддингов прогоняется через трансформер, и последнее действие используется как вектор пользователя. Этот вектор перемножается на эмбеддинги айтемов, что позволяет получить оценки релевантности для конкретного пользователя. Разработчики расширили идею в трёх направлениях: входные данные включают последовательность покупок сразу во всех магазинах, для каждого магазина создаётся своя матрица эмбеддингов товаров, а купленные товары описываются через текстовый эмбеддинг на входе модели. Благодаря этому бананы в разных магазинах становятся почти одинаковыми для модели, и она понимает, что пользователь предпочитает этот продукт. Такой подход позволяет преодолеть проблему разных идентификаторов товаров в разных каталогах.

Эксперименты показали, что Perseus способен предсказывать корзину первого заказа точнее, чем использование самых популярных товаров: качество выросло в среднем на 10%. Если пользователь уже покупал товары в одном магазине, а затем совершал покупку в новом, модель заранее повышала качество предсказания следующего заказа на аналогичный процент. На практике это привело к тому, что после покупки кваса в одном магазине система начинала рекомендовать квас в других магазинах, хотя у каждого товара был разный item_id. Модель самостоятельно научилась извлекать предпочтение пользователя, сохранять его в эмбеддинге и находить соответствующие товары в разных каталогах. Это подтверждает, что в данных есть закономерности, когда пользователи сначала покупают товар в одном месте, а затем повторяют покупку у другого партнёра.

Архитектура Perseus предусматривает сбор всех доменов данных в едином хранилище Event Hub, после чего фреймворк позволяет использовать одни и те же данные для множества задач: кандидатогенерации, ранжирования, классификации и регрессии. Вектор пользователя, полученный через слой трансформера и пулинг, теоретически может сохранять любую нужную информацию из доступных данных. Это открывает возможности для масштабирования ML-персонализации на разные продукты и сервисы компании без необходимости строить отдельные модели для каждого направления. В отличие от предыдущих подходов, где модель обучалась только на данных одного сервиса, Perseus использует всю доступную информацию о клиенте, что делает рекомендации более точными и релевантными.

Для российского рынка Perseus представляет собой значимый шаг в развитии рекомендательных систем, поскольку большинство существующих решений ограничены данными одного сервиса. В отличие от зарубежных аналогов, таких как Amazon Personalize или Google Recommendations AI, фреймворк Т-Банка ориентирован на работу с гетерогенными событиями из разных доменов и не требует предварительной истории в каждом новом продукте. Это особенно актуально для быстрорастущих экосистем, где постоянно запускаются новые сервисы и партнёрства. Кроме того, Perseus может быть адаптирован для задач, выходящих за рамки рекомендаций товаров, например, для подбора контента или оптимизации пользовательского опыта.

В перспективе Perseus может быть использован не только для рекомендаций товаров, но и для других задач персонализации, таких как подбор контента, таргетинг рекламы и оптимизация пользовательского опыта. Открытым остаётся вопрос о возможности масштабирования фреймворка за пределы Т-Банка и его адаптации для сторонних экосистем. Однако уже сейчас очевидно, что объединение всех действий пользователя в единую последовательность позволяет существенно повысить качество персонализации и сократить время запуска новых сервисов. Дальнейшие исследования могут быть направлены на включение в последовательность не только покупок, но и других действий, таких как просмотры или клики, что ещё больше расширит возможности модели.