Объединяя модели клиентов: внедрение графовых вложений в модели последовательностей событий

Для эффективного антифрода, скоринга и таргетинга платформам нужны точные и репрезентативные эмбеддинги пользователей, способные предсказывать их свойства. Стандартный подход — применять SSL-модели (self-supervised learning), которые строят вектор представления для каждого пользователя на основе его личной последовательности транзакций или логов. У такого подхода есть существенный минус: рассматривая клиентов в изоляции друг от друга, мы упускаем из виду глобальную графовую структуру их взаимодействий. В докладе будет рассмотрено, как исправить это слепое пятно.

Мы предлагаем три модельно-независимых метода интеграции графовой структуры в sequential SSL модели: GrEmb инициализирует представления неклиентских сущностей GNN-вложениями; Reg вводит CLIP-подобное согласование представлений пользователей, полученных из разных модальностей (последовательности и графы), в качестве регуляризации; Loss добавляет вспомогательную pretext-задачу: в то время как базовый SSL-лосс сближает пользователей по сходству паттернов поведения, дополнительный лосс обеспечивает близость на основе структурного соседства в графе. Мы получаем прирост качества над сильными бейзлайнами (CoLES, Barlow Twins), и эффект стабильно воспроизводится на четырёх датасетах объёмом до 530 млн событий. Статья опубликована на The Web Conference 2026 (A*) .