Die Wissenschaft hinter den Empfehlungsalgorithmen von Target

Elementbasierte Algorithmen: Fügen Sie Algorithmen ein, die der Logik folgen: "Personen, die diesen Artikel angesehen/gekauft haben, haben auch diese Artikel angesehen/gekauft." Diese Algorithmen werden unter dem Dachbegriff kollaboratives Filtern von Element zu Element gruppiert sowie Elemente mit ähnlichen Attributen Algorithmen.

Benutzerbasierte Algorithmen: Fügen Sie die Kürzlich angezeigt und Empfohlen für Sie Algorithmen.

Popularitätsbasierte Algorithmen: Binden Sie Algorithmen ein, die die am häufigsten angezeigten oder die am häufigsten gekauften Artikel auf der Website zurückgeben oder die am häufigsten angezeigt oder gekauft wurden, aufgeschlüsselt nach Kategorie oder Artikelattribut.

Warenkorbbasierte Algorithmen: Fügen Sie Empfehlungen mit mehreren Artikeln in die Logik ein: "Personen, die diese Artikel angesehen/gekauft, auch diese Artikel angesehen/gekauft haben."

Benutzerdefinierte Kriterien: Schließen Sie Empfehlungen basierend auf benutzerdefinierten Dateien ein, die in hochgeladen wurden. Target.

Eingabedaten: Verhaltensdaten in Form von Ansichten und Käufen von Besuchern, die bei der Erfassung erfasst werden Target implementieren or from Adobe Analytics.

Modellschulung:

• Datenbereinigung und -auswahl: Bei Algorithmen mit einem N-Tage-Lookback werden die Verhaltensdaten zunächst so gefiltert, dass nur die n Tage mit Daten einbezogen werden. Sammlungsregeln und globale Ausschlüsse werden dann angewendet, um alle Elemente zu entfernen, die nicht empfohlen werden sollten. Schließlich lassen sich bei Besuchern, die mit mehr als 1.000 Artikeln interagiert haben, nur Nutzungsdaten von 1.000 Artikeln abrufen.
• Berechnung der Elementähnlichkeit: Dies ist der zentrale Rechenschritt: Berechnung der Ähnlichkeit des Protokollwahrscheinlich-Verhältnisses zwischen allen Kandidaten-Element-Paaren und Rangpaaren von Elementen anhand dieses Ähnlichkeitswerts.
• Offline-Filter: Schließlich werden alle weiteren anwendbaren dynamischen Filter angewendet (z. B. dynamische Kategorieausschlüsse). Nach diesem Schritt werden vorberechnete Empfehlungen global zwischengespeichert und stehen somit zur Verfügung.

Modellbereitstellung: Recommendations-Inhalte werden bereitgestellt von Targets globales "Edge"-Netzwerk. Wenn Mbox-Anfragen an Target und es wird bestimmt, dass Empfehlungsinhalte an die Seite gesendet werden, die Anforderung für die item key für den Empfehlungsalgorithmus wird entweder aus der Anforderung analysiert oder aus dem Benutzerprofil nachgeschlagen und dann zum Abrufen der Empfehlungen verwendet, die in den vorherigen Schritten berechnet wurden. Zu diesem Zeitpunkt werden weitere dynamische Filter angewendet, bevor die entsprechenden Design wird gerendert.

Eingabedaten: Wie zuvor beschrieben, basiert dieser Algorithmus ausschließlich auf Katalogdaten (erfasst von Target über eine Katalog-Feed, die Entitäten-API oder von On-Page-Aktualisierungen.

Modellschulung:

• Attributextraktion: Nach der Anwendung regulärer statischer Filter, Katalogregeln und globaler Ausnahmen extrahiert dieser Algorithmus relevante Textfelder aus dem Entitätsschema. Target verwendet automatisch die Felder Name, Nachricht und Kategorie aus den Entitätsattributen und versucht, alle Zeichenfolgenfelder aus benutzerdefinierten Entitätsattribute. Dies geschieht, indem sichergestellt wird, dass die meisten Werte für dieses Feld nicht als Zahl, Datum oder boolesch analysiert werden können.

• Entfernen von Wortstämmen und Stoppwörtern: Für eine präzisere Textähnlichkeit ist es ratsam, sehr häufig vorkommende "Stopp"-Wörter zu entfernen, die die Bedeutung eines Elements nicht wesentlich ändern (z. B. "war", "is", "and"usw.). Auf ähnliche Weise bezieht sich Wortstamm auf den Prozess der Reduzierung von Wörtern mit verschiedenen Suffixen auf ihr Stammwort, das eine identische Bedeutung hat (z. B. "Verbinden", "Verbinden"und "Verbindung"haben alle dasselbe Stammwort: "Verbinden"). Target verwendet den Snowball-Stiler. Target führt zuerst eine automatische Spracherkennung durch und kann das Entfernen von Wörtern für bis zu 50 Sprachen und das Stemmen für 18 Sprachen stoppen.

• n-Gramm-Erstellung: Nach den vorherigen Schritten wird jedes Wort als Token behandelt. Der Prozess, zusammenhängende Sequenzen von Token zu einem einzigen Token zu kombinieren, wird als n-Gramm-Erstellung bezeichnet. TargetDie Algorithmen von berücksichtigen bis zu 2 Gramm.

• tf-idf-Berechnung: Der nächste Schritt umfasst die Erstellung von tf-idf-Vektoren, die die relative Bedeutung von Token in der Elementbeschreibung widerspiegeln. Für jeden Token/Begriff t in einem Element i in einem Katalog D mit |D| -Elemente, wird der Begriff Häufigkeit TF(t, i) zuerst berechnet (die Häufigkeit, mit der der Begriff im Element i erscheint), sowie die Dokumentfrequenz DF(t, D). Im Wesentlichen die Anzahl der Elemente, in denen das Token vorhanden ist. Die tf-idf-Maßnahme ist dann

  

  Target verwendet das tf-idf Implementierung der -Funktion, die jedes Token unter der Haube auf einen Bereich von 218 Token hasst. In diesem Schritt wird das kundenspezifische Attribut Boosting und Burying auch angewendet, indem die Begriffsfrequenzen in jedem Vektor basierend auf den Einstellungen im Kriterien.

• Berechnung der Elementähnlichkeit: Die Berechnung der endgültigen Elementähnlichkeit erfolgt mithilfe einer Näherungskosinähnlichkeit. Für zwei Elemente: A und B Bei den Vektoren tA und tB wird die Kosinähnlichkeit wie folgt definiert:

  

  Um eine erhebliche Komplexität bei der Berechnung der Ähnlichkeiten zwischen allen N x N-Elementen zu vermeiden, muss die tf-idf Der Vektor ist so abgeschnitten, dass er nur die größten 500 Einträge enthält, und berechnet dann die Kosinähnlichkeiten zwischen Elementen mithilfe dieser abgeschnittenen Vektordarstellung. Dieser Ansatz erweist sich als robuster für die Berechnung der geringen Vektorähnlichkeit im Vergleich zu anderen nahe gelegenen Angrenzenmethoden (ANN), z. B. beim Hashing durch lokale Gegebenheiten.

• Modellbereitstellung: Dieser Prozess entspricht den im vorherigen Abschnitt beschriebenen kollaborativen Filtertechniken für Elemente.

Eingabedaten: Dies entspricht den Methoden des kollaborativen Filterns (CF) nach Elementen. Beide werden für Sie empfohlen und auf den Warenkorb basierende Algorithmen verwenden Verhaltensdaten in Form von Ansichten und Käufen von Benutzern, die bei der Erfassung erfasst werden Target implementieren or from Adobe Analytics.

Modellschulung:

• Datenbereinigung und -auswahl: Dies entspricht auch bei kollaborativen Filtermethoden, bei denen das Lookback-Fenster angewendet wird, um Verhaltensdaten in einen geeigneten Datumsbereich zu filtern, gefolgt von Katalogregeln und globalen Ausschlüssen. Bei Besuchern, die mit mehr als 1.000 Artikeln interagiert haben, werden nur die letzten 1.000 Verwendungen berücksichtigt.
• Zugtestaufteilung: Führen Sie für jeden Benutzer eine chronologische Aufschlüsselung der Verwendung durch, wobei die ersten 80 % seiner Nutzung Trainings-Daten zugeordnet werden, wobei die verbleibenden 20 % den Testdaten zugeordnet werden.
• Trainieren des Elementähnlungsmodells: Die Berechnung der Ähnlichkeit des Kernelements unterscheidet sich für Empfohlen für Sie und auf dem Warenkorb basierende Algorithmen in der Art und Weise, wie Kandidaten-Element-Vektoren erstellt werden. Für Empfohlen für Sie, verfügen die Element-Vektoren über die Dimension "Benutzer", wobei jeder Eintrag die Summe der impliziten Bewertungen für diesen Benutzer des Elements darstellt - Käufe eines Artikels erhalten eine Gewichtung von 2x so viel wie Ansichten des Artikels. Für kartbasierte Empfehlungen haben die Element-Vektoren binäre Einträge. Wenn nur das Verhalten innerhalb einer Sitzung berücksichtigt werden soll, gibt es einen neuen Eintrag für jede Sitzung. Andernfalls gibt es einen Eintrag in diesem Element-Vektor für jeden Besucher.

Der Trainings-Schritt berechnet verschiedene Arten von Vektorähnlichkeiten: LLR-Ähnlichkeit (hier diskutiert), Kosinähnlichkeit (zuvor definiert) und eine normalisierte L2-Ähnlichkeit, definiert als:

• Bewertung des Elementähnlungsmodells: Die Modellbewertung erfolgt anhand der im vorherigen Schritt generierten Empfehlungen und durch Prognosen zum Testdatensatz. Die Online-Scoring-Phase wird nachgeahmt, indem die Elementverwendungen der einzelnen Benutzer im Testdatensatz chronologisch geordnet werden und dann 100 Empfehlungen für geordnete Untergruppen von Artikeln abgegeben werden, um zu versuchen, nachfolgende Ansichten und Käufe vorherzusagen. Eine Informationsabruffetrik, die Mittlere durchschnittliche Genauigkeit wird verwendet, um die Qualität dieser Empfehlungen zu bewerten. Diese Metrik berücksichtigt die Reihenfolge der Empfehlungen und bevorzugt relevante Artikel, die höher oben in der Empfehlungsliste stehen. Dies ist eine wichtige Eigenschaft für Ranking-Systeme.
• Modellauswahl: Nach der Offline-Auswertung wird das Modell mit der höchsten durchschnittlichen Genauigkeit ausgewählt und alle einzelnen Element-Element-Empfehlungen dafür berechnet.
• Offline-Filter: Der letzte Schritt der Modellschulung besteht in der Anwendung aller anwendbaren dynamischen Filter. Nach diesem Schritt werden vorberechnete Empfehlungen global zwischengespeichert und stehen somit zur Verfügung.

Modellbereitstellung: Im Gegensatz zu früheren Algorithmen, bei denen Empfehlungen bereitgestellt werden, indem ein einzelner Schlüssel für den Abruf spezifiziert wird, gefolgt von der Anwendung von Geschäftsregeln, muss die Empfohlen für Sie und Warenkorbbasierte Algorithmen verwenden einen komplexeren Laufzeitprozess.

• Abrufen und Zusammenführen mehrerer Schlüssel: Bei kartbasierten Empfehlungen werden bis zu zehn Artikel, die im Warenkorb übergeben werden, als Schlüssel für den Abruf betrachtet und die Empfehlungen aus jedem davon werden gleichmäßig gewichtet. Für Empfohlen für Sie, werden bis zu den letzten fünf individuellen angezeigten Artikeln und den letzten fünf individuellen gekauften Artikeln als Schlüssel für den Abruf betrachtet, wobei Empfehlungen aus gekauften Artikeln doppelt so stark gewichtet werden wie Empfehlungen aus aufgerufenen Artikeln. Wenn beim Zusammenführen von Empfehlungen ein Element in mehreren individuellen Empfehlungslisten angezeigt wird, werden seine gewichteten Ähnlichkeitswerte hinzugefügt. Die endgültige Liste der Empfehlungen aus dieser Phase ist dann die zusammengeführte Liste neu gewichteter Empfehlungen, die in absteigender Reihenfolge aufgeführt werden.
• Filter: Als Nächstes werden Filterregeln wie das Entfernen zuvor angezeigter und/oder gekaufter Artikel sowie andere dynamische Geschäftsregeln angewendet.