目前,只有选定用户才能提前使用个性化优化模型。
通过利用受监督的机器学习和深度学习中的先进技术,自动个性化使企业用户(营销人员)能够定义业务目标并利用其客户数据来培训面向业务的模型,以提供个性化优惠并最大化KPI。
为了最大限度地利用使用自动个性化的优势,需要注意一些关键假设和限制。
自动个性化可学习选件、用户信息和上下文信息之间的复杂功能交互,从而向最终用户推荐个性化选件。 特征是模型的输入。
功能有3种类型:
功能类型 | 如何向模型添加功能 |
---|---|
决策对象(placementID、activityID、decisionScopeID) | 发送到AEP的决策管理反馈体验事件的一部分 |
区段 | 在创建Ranking AI模型时,可以添加0-50个区段作为功能 |
上下文数据 | 发送到AEP的决策反馈体验事件的一部分。 要添加到架构的可用上下文数据:商务详细信息、渠道详细信息、应用程序详细信息、 Web详细信息、环境详细信息、设备详细信息、 placeContext |
该模型分为两个阶段:
以下是一个简化的示例,用于说明自动个性化背后的基本思想。 假设我们有一个数据集,其中存储了用户和选件之间的历史交互,如图1所示。 有:
feature_1、feature_2和响应的值为0或1。 当我们查看图1中的蓝色框和橙色框时,可以发现对于offer_1,当feature_1和feature_2具有相同的值时,响应更可能为1;对于offer_2,当feature_1为0且feature_2为1时,标签更可能为1。 我们还可以看到,在红色框中,当feature_1为0且feature_2为1且响应为0时,会提供offer_1。 根据我们在橙色框中看到的模式,当feature_1为0且feature_2为1时,offer_2可能更适合。
基本上,这就是学习和记忆历史特征交互并应用它们来生成个性化预测的想法。
当没有足够的数据进行推荐时,会出现冷启动问题。 对于自动个性化,有两种类型的冷启动问题。
每周将对模型进行重新培训,以了解最新的功能交互并减轻模型性能下降的影响。