个性化优化模型 personalized-optimization-model
概述 overview
自动个性化通过在监督机器学习和深度学习中利用一流技术，允许企业用户（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 key
为了最大化使用自动个性化的优势，需要了解一些关键假设和限制。
- 优惠足够不同，因此用户所考虑的优惠之间会有不同的偏好。 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，如果一家银行有两张信用卡选件，唯一的区别是颜色，那么推荐使用哪张卡可能无关紧要，但如果每张卡使用的术语不同，这就解释了为什么某些客户会选择一张，并提供了足够的不同选件差异来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，模型性能就会下降。 例如，假设在模型训练阶段，只有受众A中的用户数据可用，但已训练模型用于生成受众B中的用户的预测，那么模型性能可能会受到影响。
- 选件性能在短时间内不会发生显着变化，因为该模型每周都会更新，并且性能更改会在模型更新时传递。 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，而且这种产品很快就变得不受欢迎。 在此场景中，模型可以继续预测该产品，直到模型随着用户行为的变化而更新。
工作原理 how
该模型利用优惠信息、用户信息和情境信息之间的复杂特征交互，向最终用户推荐个性化优惠。 特征是模型的输入。
有3种功能：
该模型分为两个阶段：
- 在 离线模型训练 阶段，通过学习和记忆历史数据中的特征交互来训练模型。
- 在 在线推断 阶段，根据模型生成的实时得分对候选优惠进行排名。 与传统的协同过滤技术不同，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非线性特征交互模式，难以为用户和服务提供特征。
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可能是更好的推荐。
基本上，这是学习和记忆历史特征交互并运用它们来产生个性化的预测。
冷启动问题 cold-start
当没有足够的数据进行推荐时，会发生冷启动问题。 对于自动个性化，有两种类型的冷启动问题。
- 创建没有历史数据的新AI模型后，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。
- 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，如果向AI模型添加新选件，则这些选件将作为10%的流量的一部分提供。 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 re-training
模型将接受重新培训，以学习最新的功能交互，并每周缓解模型性能下降。