Scikit-rank: нейросетевое ранжирование от Т-Банка

Команда Т-Банка выпустила библиотеку Scikit-rank, предназначенную для нейросетевого ранжирования. Инструмент обеспечивает совместимость с интерфейсом scikit-learn и использует стандартные методы fit и predict.

Автоматизация процессов

Библиотека самостоятельно обрабатывает препроцессинг данных, кодирование признаков, обучение моделей и построение инференса. Это позволяет избежать необходимости переписывания всего пайплайна при переходе на нейросети вместо бустинга.

Scikit-rank поддерживает работу с данными в форматах numpy, pandas и polars. Модели могут обучаться как на процессорах, так и на графических ускорителях.

Доступные архитектуры и функции потерь

• DCN v2
• FinalNet
• FinalMLP
• Destine
• TabM

Внутри доступны несколько архитектур нейросетей для задач ранжирования. Для обучения можно выбрать подходящую функцию потерь, такую как BPR, LambdaRank, ListMLE или CORAL.

Презентация работы Scikit-rank состоялась на международной конференции ACM RecSys 2026 в США. Подробнее о проекте можно узнать по ссылке: https://habr.com/ru/companies/tbank/articles/1088224/