个性化优化模型

注意

目前，个性化优化模型的使用仅供特定用户提前访问。

概述

自动个性化通过在受监督的机器学习和深度学习中利用一流技术，允许业务用户（营销人员）定义业务目标，并利用其客户数据培训面向业务的模型，以提供个性化优惠并最大化KPI。

主要模型假设和限制

为了最大化使用自动个性化的优势，需要注意一些关键假设和限制。

  • 优惠足够不同，因此用户将在考虑的优惠中拥有不同的偏好设置. 如果选件过于相似，则生成的模型产生的影响会较小，因为响应似乎是随机的。
    例如，如果一家银行有两个信用卡选件，唯一区别是颜色，那么推荐使用哪张卡可能无关紧要，但如果每张卡都有不同的术语，这就为某些客户为什么会选择一张提供了理论基础，并为不同选件提供了足够的区别，以构建更具影响力的模型。
  • 用户流量构成稳定. 如果在模型训练和预测过程中用户流量组成发生剧烈变化，模型性能可能会降低。 例如，假设在模型训练阶段，只有区段A中的用户的数据可用，但训练后的模型用于为区段B中的用户生成预测，那么模型性能可能会受到影响。
  • 优惠性能不会在短时间内发生显着变化 由于此模型每周更新，因此随着模型更新，性能的变化也会传达。 例如，一种产品以前很流行，但是一份公开报告指出这种产品对我们的健康有害，而且这种产品很快变得不受欢迎。 在此方案中，模型可以继续预测此产品，直到模型随用户行为变化而更新。

工作原理

自动个性化学习选件、用户信息和上下文信息之间的复杂功能交互，以向最终用户推荐个性化选件。 特征是模型的输入。

有3种功能：

功能类型 如何向模型添加特征
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 在创建排名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。 可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：

  • 在 离线模型训练 通过学习和记忆历史数据中的特征交互来训练模型。
  • 在 在线推理 在阶段，根据模型生成的实时分数对候选者选件进行排名。 传统的协同过滤技术很难为用户和选件提供特征，而自动个性化是一种基于深度学习的推荐方法，能够包含和学习复杂和非线性特征交互模式。

以下是一个简化的示例，用于说明自动个性化背后的基本理念。 假设我们有一个数据集，用于存储用户和选件之间的历史交互，如图1所示。 有：

  • 两个选件，offer_1和offer_2，
  • 两个特征，feature_1和feature_2，
  • 响应列。

feature_1、feature_2和response的值为0或1。 查看图1中的蓝色框和橙色框时，我们可以发现，对于offer_1，当feature_1和feature_2具有相同的值时，响应更有可能为1；而对于offer_2，当feature_1为0和feature_2为1时，标签更有可能为1。 我们还可以在红色框中看到，当feature_1为0、feature_2为1、response为0时，将提供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可能是更好的推荐。

基本上，这是学习和记住历史特征交互并运用它们产生个性化的预测。

冷启动问题

当数据不足以进行推荐时，会发生冷启动问题。 对于自动个性化，有两种冷启动问题。

  • 创建无历史数据的新排名策略后，选件将随机提供一段时间以收集数据，并且数据将用于训练第一个模型。
  • A 在发布第一个模型后，总流量的10%将分配给随机服务，而90%的流量将用于模型推荐。 因此，如果在排名策略中添加新优惠，这些优惠将作为10%流量的一部分提供。 随着模型的不断更新，针对这些选件收集的数据将决定从90%的流量中选择该选件的次数。

重新培训

模型将接受重新培训，以了解最新的功能交互并每周缓解模型性能下降。

在此页面上