Т-Банк взял нейросетевые модели для ранжирования и обернули их в привычный формат scikit-learn-моделей – получилась open-source библиотека scikit-rank
Нейросетевые модели ранжирования, конечно, существовали и до этого, но популярные фреймворки вроде FuxiCTR и DeepCTR не поддерживают привычную парадигму fit/predict, работу с polars и встроенную обработку численных и категориальных признаков. Тут все это собрали в одном месте. Scikit-rank просто передаешь данные и получаешь предсказания через привычные команды fit и predict, ведь вся логика с препроцессингом, кодированием признаков, обучением модели и построением инференса уже реализована. Внутри есть DCN v2, FinalNet, FinalMLP, Destine и TabM, а также несколько функций потерь для ранжирования. Библиотека принимает numpy, pandas и polars, обучается на CPU или GPU. А статью о библиотеке уже представили на главной международной конференции по рексистемам ACM RecSys 2026.
Нейронки еще надо проверить на конкретной задаче, но хотя бы переписывать ради этого половину пайплайна больше не придется.
