Наши работы на RecSys 2026

В этом году мы приехали на конференцию с тремя работами: одним short paper и двумя demo papers. Все они про достаточно разные области рекомендательных систем — от новой модели до опенсорс-инструментов, которые мы недавно релизнули в паблик:

ScaL³AE · Short Paper Track

Мы взяли за основу L³AE — линейный автоэнкодер, который объединяет историю взаимодействий пользователей с семантикой объектов из LLM. Это особенно эффективно для айтемов, по которым мало интеракций, но есть текстовое описание. Но оригинальный метод построен на инвертировании плотных матриц и плохо масштабируется на большие каталоги. В ScaL³AE мы заменили эти вычисления компактными и разреженными представлениями, сохранив near-closed-form решение. В результате получили модель, которая без проблем скейлится на промышленные каталоги и является сильным бейзлайном даже за пределами своего класса.
Кстати, в этой работе мы сравниваемся с SANSA. К нам на постер подошёл её первый автор Martin Spišák, и сказал, что интегрировать семантику в LAE — годная идея. На фотке мы стоим с ним в кепках Make  L³AE Scalable Again

Scikit-Rank · Demo Track

Сейчас нейросетевое ранжирование всё чаще используют там, где раньше полагались на бустинги. Но все делают это очень разными способами. Нам захотелось собрать лучшие практики в одной библиотеке, которую можно легко встроить в существующие пайплайны за счёт совместимости со scikit-learn. Так появился Scikit-Rank: он позволяет буквально заменой пары строк попробовать нейроранжирование и поэкспериментировать с лоссами, бэкбонами и энкодерами — всё это настраивается через конфиг и даже работает в multi-GPU-режиме.
Презентовать было относительно легко, потому что 80+% знали, что такое scikit-learn-пайплайн. А всякие engineering managers говорили, что им это надо и они обязательно попробуют.

Perseus · Demo Track

В июле на Turbo ML мы релизнули в open source наш внутренний фреймворк Perseus и рассказывали о нём в «Жёлтом AI». Но помимо этого, мы ещё написали про него пейпер и заслали на demo-трек RecSys 2026, где его с радостью акцептнули. Если кратко, то фреймворк позволяет собрать разнообразные действия пользователя в общую последовательность и обучить модели на этих богатых гетерогенных данных.

Постер Perseus вызвал большой интерес: мы показывали, как легко настраивать эксперименты и работать с кросс-доменными последовательностями из разных типов событий. Пишешь один YAML-ик — и всё работает из коробки. Многие говорили, что сталкиваются с похожей проблемой у себя: с такими данными тяжело работать, и Perseus решает для них реальную задачу.

Флаеры вообще разобрали как горячие пирожки. Кажется, доверия добавило и то, что мы уже давно используем Perseus у себя в продакшене, и то, что эксперименты на хороших датасетах T-ECD и Yambda показали, насколько полезной для рекомендаций может быть дополнительная информация о пользователе.

Overall

Сама презентация прошла прям хорошо.

В этот раз мы решили сделать минималистичные постеры: дропнули все таблицы и формулы и вставили большую картинку с нейрособачкой. И, кажется, это сработало — к нам постоянно подходили, задавали много вопросов и хвалили такой визуально упрощённый формат.

На конфе практически никто не знал, что такое Т-Банк, за исключением ребят из СНГ, которых в этом году было супер мало. Я даже по собственной инициативе создал russian-speaking для участников, как это принято делать на подобных конференциях. Но туда по итогу зашло только 4 человека, 2 из которых — мы с Машей 😁

Мы однозначно остались довольны презентацией, пообщались с кучей разных людей, и, кажется, многие из них действительно заинтересовались нашими работами. Ещё я смог нескольким ребятам вдогонку разрекламировать наш T-ECD, так что план даже перевыполнен. Уверен, что вскоре у нас вырастет известность, количество скачиваний и цитирований)