個人化最佳化模型

概觀

自動個人化利用受監督的機器學習和深度學習中的尖端技術，讓業務使用者（行銷人員）能夠定義業務目標，並利用其客戶資料來訓練業務導向的模型，以提供個人化優惠並最大化KPI。

主要模型假設和限制

為了最大化使用自動個人化的優勢，請注意一些重要假設和限制。

• 優惠方案之間的差異已足夠大，因此使用者在考慮的優惠方案之間會有不同的偏好設定. 如果選件太類似，則產生的模型影響會較小，因為回應似乎是隨機的。
  例如，如果銀行有兩個信用卡優惠方案，唯一差異是顏色，那麼建議使用哪張卡可能無關緊要，但如果每張卡片的條款不同，這就能解釋為什麼某些客戶會選擇一張卡片，並提供足夠的優惠方案差異，以建立更有影響力的模型。
• 使用者流量構成穩定. 如果使用者流量構成在模型訓練和預測期間發生大幅變更，模型效能可能會降低。 例如，假設在模型訓練階段中，只有對象A中使用者的資料可用，但已訓練的模型用於產生對象B中使用者的預測，則模型效能可能會受到影響。
• 選件效能不會在短時間內大幅變更 此模型每週都會更新，而且效能變更會在模型更新時傳遞。 例如，某產品之前非常受歡迎，但公開報告指出該產品對我們的健康有害，並且此產品很快變得不受歡迎。 在此案例中，模型可以繼續預測此產品，直到模型更新為使用者行為的變化。

運作方式

該模型會學習優惠方案、使用者資訊和內容資訊之間的複雜功能互動，以向一般使用者建議個人化優惠方案。 特徵是模型的輸入。

共有3種功能：

模型有兩個階段：

• 在 離線模型訓練 階段：透過學習和記憶歷史資料中的特徵互動來訓練模型。
• 在 線上推斷 階段，系統會根據模型產生的即時分數來排名候選人優惠。 傳統共同篩選技術很難加入使用者和選件的功能，而自動個人化是一種以深度學習為基礎的推薦方法，能夠加入和學習複雜和非線性功能的互動模式。

以下是一個簡化的範例，說明自動個人化背後的基本概念。 假設我們有資料集，用來儲存使用者和選件之間的歷史互動，如圖1所示。 有：

• 兩個選件，offer_1和offer_2，
• 兩個特徵，feature_1和feature_2，
• 回應欄。

feature_1、feature_2和回應的值是0或1。 檢視圖1中的藍色方框和橘色方框時，我們可以發現，對於offer_1，當feature_1和feature_2具有相同的值時，回應更有可能是1，而對於offer_2，當feature_1為0和feature_2為1時，標籤更有可能是1。 我們也可以看到在紅色方塊中，當feature_1為0且feature_2為1且回應為0時，會提供offer_1。 根據我們在橘色方塊中看到的模式，當feature_1為0且feature_2為1時，offer_2可能是較好的建議。

基本上，這是學習和記憶歷史功能互動，並套用這些互動以產生個人化預測的構想。

冷啟動問題

當沒有足夠的資料來進行建議時，就會發生冷啟動問題。 對於自動個人化，有兩種型別的冷啟動問題。

• 建立不含歷史資料的新AI模型後，選件將會隨機提供一段時間以收集資料，而資料將會用於訓練第一個模型。
• 第一個模型發行後，總流量的10%將分配給隨機服務，而90%的流量將用於模型推薦。 因此，如果新選件新增至AI模型，則會作為10%流量的一部分提供。 隨著模型持續更新，針對這些優惠方案收集的資料將決定從90%的流量中選取的次數。

重新訓練

模型將接受重新培訓，以學習最新功能互動，並每週減緩模型效能的下降。