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。

  • 优惠之间的差异已足够,因此用户将在考虑的优惠中拥有不同的偏好设置. 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。
  • 优惠性能在短时间内不会发生显着变化 由于此模型每周都会更新,因此,随着模型更新,性能的变化也会随之传递。 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:

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
受众
在创建排名AI模型时,可以添加0-50个受众作为功能
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:

  • 离线模型训练 通过学习和记忆历史数据中的特征交互来训练模型。
  • 在线推理 阶段,根据模型生成的实时分数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。

  • 创建无历史数据的新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。
  • 第一个模型发布后,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。

recommendation-more-help
b22c9c5d-9208-48f4-b874-1cefb8df4d76