目前,个性化优化模型的使用仅供特定用户提前访问。
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。
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。
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:
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:
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。
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。
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。