개인화된 최적화 모델

개요

자동화된 개인화는 감독 기계 학습 및 심층 학습에서 첨단 기술을 활용하여 비즈니스 사용자(마케터)가 비즈니스 목표를 정의하고 고객 데이터를 활용하여 비즈니스 중심 모델을 교육하여 개인화된 오퍼를 제공하고 KPI를 극대화할 수 있습니다.

주요 모델 가정 및 제한 사항

자동 개인화 사용의 이점을 극대화하기 위해 알고 있어야 하는 몇 가지 주요 가정 및 제한 사항이 있습니다.

• 오퍼가 서로 다르기 때문에 사용자는 고려 중인 오퍼 간에 서로 다른 환경 설정을 갖게 됩니다. 오퍼가 너무 유사하면 응답이 임의 것처럼 표시되므로 결과 모델에 미치는 영향이 줄어듭니다.
  예를 들어, 한 은행에 색상에 유일한 차이가 있는 두 개의 신용 카드 오퍼가 있는 경우, 어느 카드가 추천되는지는 중요하지 않을 수 있지만, 각 카드에 다른 용어가 있는 경우, 특정 고객이 하나를 선택하고 더 영향력 있는 모델을 만들기 위해 오퍼 간에 충분한 차이를 제공하는 이유에 대해 이유가 됩니다.
• 사용자 트래픽 구성이 안정적입니다. 모델 교육 및 예측 중에 사용자 트래픽 구성이 크게 변경되면 모델 성능이 저하될 수 있습니다. 예를 들어, 모델 교육 단계에서 세그먼트 A의 사용자에 대한 데이터만 사용할 수 있지만 교육을 받은 모델은 세그먼트 B의 사용자에 대한 예측을 생성하는 데 사용되면 모델 성능에 영향을 줄 수 있습니다.
• 짧은 시간 동안 오퍼 성능이 크게 변경되지 않습니다 이 모델은 매주 업데이트되고 성능에 대한 변경 사항이 모델 업데이트로 전달됩니다. 예를 들어, 한 제품이 전에 매우 유명했지만, 공개 보고서는 그 제품이 우리 건강에 해롭다고 인식하며, 이 제품은 굉장히 빨리 인기가 없게 됩니다. 이 시나리오에서는 모델이 사용자 행동의 변화로 업데이트될 때까지 모델이 이 제품을 계속 예측할 수 있습니다.

작동 방법

자동 개인화는 오퍼, 사용자의 정보 및 상황별 정보 간의 복잡한 기능 상호 작용을 학습하여 최종 사용자에게 개인화된 오퍼를 추천합니다. 피쳐는 모델에 입력됩니다.

다음과 같은 3가지 유형의 기능이 있습니다.

이 모델에는 다음 두 단계가 있습니다.

• 에서 오프라인 모델 교육 1단계 모델은 역사적 자료를 통해 특징적인 상호 작용을 학습하고 암기하는 과정을 통해 학습됩니다.
• 에서 온라인 추론 단계, 후보 오퍼는 모델에서 생성된 실시간 점수를 기반으로 순위가 지정됩니다. 사용자 및 오퍼에 대한 기능을 포함하기 어려운 기존의 공동 작업 필터링 기법과 달리, 자동 개인화는 깊은 학습 기반 추천 방법이며, 복잡하고 비선형 기능 상호 작용 패턴을 포함 및 배울 수 있습니다.

다음은 자동 개인화 이면의 기본 아이디어를 보여주는 간단한 예입니다. 그림 1에 표시된 사용자와 오퍼 간의 내역 상호 작용을 저장하는 데이터 세트가 있다고 가정합니다. 다음 항목이 있습니다.

• 두 개의 오퍼, offer_1 및 offer_2,
• feature_1 및 feature_2,
• 응답 열입니다.

feature_1, feature_2 및 응답 값은 0 또는 1입니다. 그림 1의 파란색 상자 및 주황색 상자를 보면 offer_1의 경우 feature_1 및 feature_2의 값이 동일하면 응답이 1이 될 가능성이 높고 offer_2의 경우 feature_1이 0이고 feature_2가 1인 경우 레이블이 1이 될 가능성이 높습니다. 또한 빨간색 상자에서 feature_1이 0이고 feature_2이 1이고 응답이 0인 경우 offer_1이 제공됩니다. 주황색 상자에 표시되는 패턴을 기반으로 feature_1이 0이고 feature_2가 1인 경우 offer_2가 더 좋습니다.

기본적으로, 이것은 배우고, 역사적인 특징의 상호작용을 암기하며, 이를 적용하여 개인화된 예측을 생성하는 생각입니다.

시작 준비 문제

권장 사항을 제공할 데이터가 충분하지 않은 경우 콜드 시작 문제가 발생합니다. 자동 개인화의 경우 두 가지 유형의 콜드 스타트 문제가 있습니다.

• 내역 데이터가 없는 새 등급 전략을 만든 후​인 경우 는 데이터를 수집하는 동안 일정 기간 동안 오퍼를 임의로 제공하고 데이터는 첫 번째 모델을 교육하는 데 사용됩니다.
• A 첫 번째 모델이 릴리즈되면​를 지정하면, 총 트래픽의 10%가 무작위 서비스에 할당되고 트래픽의 90%가 모델 권장 사항에 사용됩니다. 따라서 순위 전략에 새 오퍼가 추가되면 트래픽의 10%의 일부로 전달됩니다. 이러한 오퍼에 대해 수집된 데이터는 모델이 계속 업데이트되므로 트래픽의 90% 중에서 선택된 횟수를 결정합니다.

재교육

모델은 최신 기능 상호 작용을 학습하고 모델 성능 저하를 매주 완화하도록 재교육됩니다.

Business.Adobe.com 리소스