个性化优化模型

注意

目前,只有选定用户才能提前使用个性化优化模型。

概述

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。

关键模型假设和限制

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。

  • 选件足够不同,因此用户在考虑的选件中会有不同的首选项. 如果选件过于相似,则生成的模型所产生的影响将较小,因为响应看起来是随机的。
    例如,如果银行有两张信用卡选件,而唯一的区别是颜色,那么推荐哪张信用卡可能无关紧要,但如果每张信用卡的条款不同,这就解释了为什么某些客户会选择一张信用卡,并在不同的选件之间提供足够的差异来构建更具影响力的模型。
  • 用户流量组合是稳定的. 如果在模型训练和预测期间用户流量组合发生显着变化,则模型性能可能会降低。 例如,假设在模型培训阶段,只有区段A中的用户的数据可用,但训练的模型用于为区段B中的用户生成预测,则模型性能可能会受到影响。
  • 在短时间内,选件性能不会发生显着变化 由于此模型每周更新,因此在模型更新时,性能会发生更改。 例如,一种产品以前很受欢迎,但是一份公开报告指出该产品对我们的健康有害,并且该产品变得非常不受欢迎。 在这种情况下,模型可以继续预测此产品,直到模型随用户行为的变化而更新。

工作原理

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:

  • 离线模型训练 阶段,模型通过学习和记忆历史数据中的特征交互来训练。
  • 在线推理 阶段,根据模型生成的实时得分对候选者选件进行排名。 与传统的协作过滤技术不同,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的特征交互模式。

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:

  • 两个选件,offer_1和offer_2,
  • 特征1和特征2两个特征,
  • 响应列。

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。

冷启动问题

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。

  • 在创建新的排名策略后,不包含历史数据,则会在一段时间内随机提供选件以收集数据,并且数据将用于培训第一个模型。
  • A 第一个模型发布后,则会将总流量的10%分配给随机投放,而90%的流量将用于模型推荐。 因此,如果将新选件添加到排名策略,则它们将作为10%流量的一部分提供。 根据这些选件收集的数据将决定在模型继续更新时,在90%的流量中选择该选件的次数。

再培训

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。

在此页面上