Investigadores de «T-Tekhnologii» presentaron tres desarrollos para sistemas de recomendación en la conferencia internacional ACM Recommender Systems 2026: el framework Perseus, la biblioteca Scikit-Rank y el método ScaL³AE.
Perseus unifica el historial de acciones del usuario de diferentes servicios en una secuencia única. Este enfoque permite mejorar la personalización, incluso en productos nuevos donde aún no hay suficientes datos sobre las preferencias. Según los resultados de las pruebas en varios conjuntos de datos, el framework aumentó la calidad de las recomendaciones entre un 16% y un 39%.
Scikit-Rank está diseñado para aplicar modelos de clasificación de redes neuronales en pipelines basados en scikit-learn. La biblioteca admite tareas de predicción de CTR y clasificación de ofertas, lo que permite conectar modelos de redes neuronales sin una reelaboración significativa del código existente. El desarrollo se basa en Deep & Cross Network.
El tercer desarrollo, ScaL³AE, está diseñado para catálogos con una gran cantidad de productos. El método optimiza el modelo L³AE, que utiliza descripciones de objetos generadas por grandes modelos de lenguaje, y reduce los requisitos de memoria. En pruebas con datos de Amazon Reviews, ScaL³AE mostró una mayor calidad de recomendaciones que EASE y SANSA.
Perseus ya se utiliza en varias áreas de T-Bank, incluyendo «Shopping», ofertas personalizadas de cashback y soporte predictivo. El código fuente de los tres desarrollos está disponible públicamente.