Modelo de optimización personalizado personalized-optimization-model
Información general overview
Al aprovechar las tecnologías de vanguardia en aprendizaje automático supervisado y aprendizaje profundo, la personalización automática permite a un usuario empresarial (experto en marketing) definir los objetivos comerciales y utiliza los datos de sus clientes para formar modelos orientados a la empresa que proporcionen ofertas personalizadas y maximicen los KPI.
Suposiciones y limitaciones clave del modelo key
Para maximizar la ventaja de utilizar la personalización automática, hay que tener en cuenta algunas suposiciones y limitaciones clave.
- Las ofertas son lo suficientemente diferentes como para que los usuarios tengan preferencias diferentes entre las ofertas consideradas. Si las ofertas son demasiado similares, un modelo resultante tendrá menos impacto, ya que las respuestas son aparentemente aleatorias.
Por ejemplo, si un banco tiene dos ofertas de tarjetas de crédito y la única diferencia es el color, puede que no importe qué tarjeta se recomiende, pero si cada tarjeta tiene términos diferentes, esto proporciona una justificación de por qué determinados clientes elegirían uno y proporcionaría suficiente diferencia entre ofertas para crear un modelo más impactante. - La composición del tráfico del usuario es estable. Si la composición del tráfico del usuario cambia drásticamente durante el aprendizaje y la predicción del modelo, el rendimiento del modelo podría degradarse. Por ejemplo, supongamos que en la fase de formación del modelo solo están disponibles los datos de los usuarios de la audiencia A, pero el modelo entrenado se utiliza para generar predicciones para los usuarios de la audiencia B y, por lo tanto, el rendimiento del modelo podría verse afectado.
- El rendimiento de las ofertas no cambia drásticamente en un corto período de tiempo, ya que este modelo se actualiza semanalmente y los cambios de rendimiento se transmiten como actualizaciones del modelo. Por ejemplo, un producto era muy popular antes, pero un informe público identifica que el producto es perjudicial para nuestra salud, y este producto se vuelve impopular extremadamente rápido. En esta situación, el modelo podría seguir prediciendo este producto hasta que se actualice con cambios en el comportamiento del usuario.
Cómo funciona how
El modelo aprende interacciones de funciones complejas entre ofertas, información de los usuarios e información contextual para recomendar ofertas personalizadas a los usuarios finales. Las funciones son entradas en el modelo.
Existen tres tipos de funciones:
El modelo tiene dos fases:
- En la fase de formación de modelos sin conexión, un modelo se entrena mediante el aprendizaje y la memorización de interacciones de características en datos históricos.
- En la fase de inferencia en línea, las ofertas de candidatos se clasifican según las puntuaciones en tiempo real generadas por el modelo. A diferencia de las técnicas de filtrado colaborativas tradicionales, que son difíciles de incluir en funciones para usuarios y ofertas, la personalización automática es un método de recomendación basado en el aprendizaje profundo que puede incluir y aprender patrones de interacción de funciones complejos y no lineales.
A continuación se muestra un ejemplo simplificado para ilustrar la idea básica detrás de la personalización automática. Supongamos que tenemos un conjunto de datos que almacena las interacciones históricas entre usuarios y ofertas, que se muestra en la Figura 1. Existen:
- Dos ofertas, offer_1 y offer_2,
- Dos funciones, feature_1 y feature_2,
- Una columna de respuesta.
El valor de feature_1, feature_2 y response es 0 o 1. Si miramos los cuadros azules y naranjas en la Figura 1, podemos ver que para offer_1, las respuestas tienen más probabilidades de ser 1 cuando feature_1 y feature_2 tienen los mismos valores, mientras que para offer_2, es más probable que las etiquetas sean 1 cuando feature_1 es 0 y feature_2 es 1. También podemos ver que en el cuadro rojo, offer_1 se sirve cuando feature_1 es 0 y feature_2 es 1, y la respuesta es 0. Según el patrón que vemos en los cuadros naranjas, cuando feature_1 es 0 y feature_2 es 1, offer_2 es probablemente una mejor recomendación.
Básicamente, esta es la idea de aprender y memorizar interacciones de características históricas y aplicarlas para generar predicciones personalizadas.
Problema de arranque en frío cold-start
El problema de inicio en frío se produce cuando no hay suficientes datos para hacer recomendaciones. Para la personalización automática, existen dos tipos de problemas de inicio en frío.
- Después de crear un nuevo modelo de IA sin datos históricos, las ofertas se servirán aleatoriamente durante un período de tiempo para recopilar datos y los datos se utilizarán para entrenar el primer modelo.
- Una vez liberado el primer modelo, el 10% del tráfico total se asignará a servidores aleatorios, mientras que el 90% del tráfico se utilizará para recomendaciones de modelos. Por lo tanto, si se agregaran nuevas ofertas al modelo de IA, se enviarían como parte del 10 % del tráfico. Los datos recopilados en esas ofertas determinarían la cantidad de veces que se selecciona entre el 90 % del tráfico a medida que el modelo se actualiza.
Readiestramiento re-training
Los modelos se volverán a entrenar para aprender las últimas interacciones de funciones y mitigar la degradación del rendimiento del modelo semanalmente.