Решение объединяет пользовательские события в единую последовательность и поддерживает несколько типов ML-задач
Группа «Т-Технологии» опубликовала в открытом доступе фреймворк Perseus, предназначенный для обучения моделей персонализации на основе данных из разных сервисов. Разработка позволяет объединять пользовательские события в единую временную последовательность, формируя общее представление о поведении клиента даже при отсутствии истории взаимодействия с отдельными продуктами.
Perseus поддерживает задачи поиска рекомендаций, ранжирования, классификации и регрессии. При обучении применяется временной принцип обработки данных: модель использует только события, произошедшие до заданного момента, что исключает влияние информации «из будущего». По данным разработчиков, в ходе испытаний качество рекомендаций увеличилось на 3–17%, а точность прогнозирования первой корзины выросла примерно на 10% по сравнению с базовым подходом.
В «Т-Банке» решение уже используют для сервисов шопинга, анализа отклика на предложения с повышенным кешбэком и прогнозирования обращений клиентов. Проект опубликован на GitHub под лицензией Apache 2.0 и может применяться как для работы с одним источником данных, так и для создания кросс-доменных моделей персонализации.
