Waar en hoe u Personalizer gebruikt

  • Artikel
  • 7 minuten om te lezen

Gebruik Personalizer in situaties waarin uw toepassing de juiste actie (inhoud) moet selecteren om weer te geven, om de ervaring te verbeteren, betere bedrijfsresultaten te behalen of de productiviteit te verbeteren.

Personalizer maakt gebruik van bekrachtigings learning om te selecteren welke actie (inhoud) de gebruiker moet worden weer te geven. De selectie kan drastisch variëren, afhankelijk van de hoeveelheid, kwaliteit en distributie van gegevens die naar de service worden verzonden.

Voorbeeld van gebruiksvoorbeelden voor Personalizer

  • Uitleg van intenties & ondubbelzinnigheid: help uw gebruikers een betere ervaring te krijgen wanneer hun intentie niet duidelijk is door een gepersonaliseerde optie op te geven.
  • Standaardsuggesties voor menu& opties: laat de bot het meest waarschijnlijke item op een gepersonaliseerde manier voorstellen als eerste stap, in plaats van een onpersoonlijk menu of een lijst met alternatieven te presenteren.
  • Boteigenschappen zijn & toon: voor bots die de toon, verbossing en schrijfstijl kunnen variëren, kunt u deze eigenschappen variëren.
  • Meldingsinhoud & waarschuwing: bepaal welke tekst moet worden gebruikt voor waarschuwingen om gebruikers meer te betrekken.
  • Timing & meldingen: u kunt gepersonaliseerd leren wanneer meldingen naar gebruikers moeten worden verstuurd om ze meer te betrekken.

Verwachtingen die vereist zijn voor het gebruik van Personalizer

U kunt Personalizer toepassen in situaties waarin u voldoet aan de volgende richtlijnen of de volgende richtlijnen kunt implementeren.

Richtlijn Uitleg
Bedrijfsdoel U hebt een bedrijfs- of bruikbaarheidsdoel voor uw toepassing.
Content U hebt een plaats in uw toepassing waar het maken van een contextuele beslissing van wat u aan gebruikers wilt laten zien, dat doel zal verbeteren.
Inhoudshoeveelheid U hebt minder dan 50 acties om per aanroep te rangschikken.
Geaggregeerde gegevens De beste keuze kan en moet worden geleerd uit het collectieve gebruikersgedrag en de totale beloningsscore.
Ethisch gebruik Het gebruik van machine learning voor persoonlijke voorkeur volgt de richtlijnen en keuzes voor verantwoord gebruik die u hebt gekozen.
Beste optie De contextuele beslissing kan worden uitgedrukt als het rangschikken van de beste optie (actie) uit een beperkte set opties.
Scored result Hoe goed de gerangschikte keuze voor uw toepassing heeft gewerkt, kan worden bepaald door een bepaald aspect van gebruikersgedrag te meten en uit te drukken in een beloningsscore.
Relevante timing De beloningsscore brengt niet te veel verwarrende of externe factoren met zich mee. De duur van het experiment is laag genoeg om de beloningsscore te berekenen terwijl deze nog steeds relevant is.
Voldoende contextfuncties U kunt de context voor de rangschikking uitdrukken als een lijst met ten minste vijf functies die u denkt te helpen de juiste keuze te maken en die geen gebruikersspecifieke identificeerbare informatie bevat.
Voldoende actiefuncties U hebt informatie over elke inhoudskeuze, actie , als een lijst met ten minste 5 functies die Personalizer helpen bij het maken van de juiste keuze.
Dagelijkse gegevens Er zijn voldoende gebeurtenissen om optimale persoonlijke instellingen te blijven volgen als het probleem na een periode afdwaalt (zoals voorkeuren in nieuws of mode). Personalizer wordt aangepast aan continue veranderingen in de echte wereld, maar de resultaten zijn niet optimaal als er onvoldoende gebeurtenissen en gegevens zijn om van te leren om nieuwe patronen te ontdekken en te verwerken. U moet een use-case kiezen die vaak genoeg gebeurt. Overweeg om te zoeken naar gebruiksgevallen die ten minste 500 keer per dag plaatsvinden.
Historische gegevens Uw toepassing kan gegevens lang genoeg bewaren om een geschiedenis van ten minste 100.000 interacties te verzamelen. Hierdoor kan Personalizer voldoende gegevens verzamelen om offline evaluaties en beleidsoptimalisatie uit te voeren.

Gebruik Personalizer niet als het persoonlijke gedrag niet iets is dat door alle gebruikers kan worden ontdekt. Het is bijvoorbeeld handig om Personalizer te gebruiken om een eerste pizzabezorging voor te stellen vanuit een lijst met 20 mogelijke menu-items, maar welke contactpersoon moet worden aanroepen vanuit de lijst met contactpersonen van de gebruikers wanneer er hulp nodig is met een eventueel eventueel gebruik (zoals 'Oma') is niet iets dat voor uw gebruikers kan worden gebruikt.

Personalizer gebruiken in een webtoepassing

Het toevoegen van een leerlus aan een webtoepassing omvat:

  • Bepaal welke ervaring u wilt personaliseren, welke acties en functies u hebt, welke contextfuncties u moet gebruiken en welke beloning u in te stellen.
  • Voeg een verwijzing toe naar de Personalization SDK in uw toepassing.
  • Roep de Rank-API aan wanneer u klaar bent om te personaliseren.
  • Sla de eventId op. U verzendt later een beloning met de Reward-API.
  1. Roep Activeren aan voor de gebeurtenis zodra u zeker weet dat de gebruiker uw gepersonaliseerde pagina heeft gezien.
  2. Wacht tot de gebruiker gerangschikte inhoud heeft geselecteerd.
  3. Roep reward-API aan om op te geven hoe goed de uitvoer van de Rank-API het heeft gedaan.

Personalizer gebruiken met een chatbot

In dit voorbeeld ziet u hoe u Personalization gebruikt om een standaardsuggestie te maken in plaats van de gebruiker elke keer een reeks menu's of opties naar beneden te sturen.

  • Haal de code voor dit voorbeeld op.
  • Stel uw botoplossing in. Zorg ervoor dat u uw LUIS-toepassing publiceert.
  • Rank- en Reward API-aanroepen voor de bot beheren.
    • Voeg code toe om de verwerking van LUIS-intenties te beheren. Als De waarde Geen wordt geretourneerd als de bovenste intentie of als de score van de bovenste intentie onder uw drempelwaarde voor bedrijfslogica ligt, verzendt u de lijst met intenties naar Personalizer om de intenties te rangschikken.
    • Intentielijst aan gebruiker tonen als selecteerbare koppelingen, met de eerste intentie de best scorende intentie uit het Rank API-antwoord.
    • Leg de selectie van de gebruiker vast en verzend deze in de Reward API-aanroep.
  • Maak Personalizer Rank API-aanroepen telkens wanneer er een ondubbelzinnigheid nodig is, in plaats van resultaten voor elke gebruiker in de caching op te halen. Het resultaat van ondubbelzinnigheid van intenties kan in de tijd voor één persoon veranderen, en het toestaan van de Rank-API om afwijkingen te verkennen, versnelt het algehele leren.
  • Kies een interactie die gebruikelijk is voor veel gebruikers, zodat u voldoende gegevens hebt om te personaliseren. Inleidende vragen zijn bijvoorbeeld mogelijk beter geschikt dan kleinere uitleg in de gespreksgrafiek waar slechts een paar gebruikers bij kunnen komen.
  • Gebruik Rank API-aanroepen om gesprekken 'first suggestion is right' in te stellen, waarbij de gebruiker wordt gevraagd 'Wilt u X?' of 'Bedoelt u X?' en de gebruiker kan gewoon bevestigen; in plaats van opties te geven aan de gebruiker waar ze moeten kiezen uit een menu. Bijvoorbeeld: Gebruiker:"Ik wil graag een koffie bestellen" Bot:"Wilt u een dubbele smaak?". Op deze manier is het beloningssignaal ook sterk omdat het rechtstreeks betrekking heeft op de ene suggestie.

Personalizer gebruiken met een aanbevelingsoplossing

Veel bedrijven gebruiken aanbevelingsen engines, marketing- en campagneprogramma's, segmentering en clustering van doelgroepen, gezamenlijke filtering en andere manieren om producten uit een grote catalogus aan klanten aan te bevelen.

De opslagplaats Microsoft Recommenders GitHub voorbeelden en aanbevolen procedures voor het bouwen van aanbevelingssystemen, geleverd als Jupyter-notebooks. Het biedt werkende voorbeelden voor het voorbereiden van gegevens, het bouwen van modellen, het evalueren, afstemmen en operationeel maken van de aanbevelingsen engines, voor veelgebruikte benaderingen, waaronder xDeepFM, SAR, ALS, RBM, DKN.

Personalizer kan werken met een aanbevelingsent engine wanneer deze aanwezig is.

  • Aanbevelingsen engines nemen grote hoeveelheden items (bijvoorbeeld 500.000) en raden een subset (zoals de top 20) aan van honderden of duizenden opties.
  • Personalizer neemt een klein aantal acties met veel informatie over deze acties en rangschikt deze in realtime voor een bepaalde uitgebreide context, terwijl de meeste aanbevelingsen engines slechts enkele kenmerken over gebruikers, producten en hun interacties gebruiken.
  • Personalizer is ontworpen om gebruikersvoorkeuren steeds autonoom te verkennen, wat leidt tot betere resultaten wanneer inhoud snel verandert, zoals nieuws, livegebeurtenissen, live community-inhoud, inhoud met dagelijkse updates of seizoensgebonden inhoud.

Een veelgebruikte manier is om de uitvoer van een aanbevelingsen engine (bijvoorbeeld de top 20 van producten voor een bepaalde klant) te nemen en deze te gebruiken als invoeracties voor Personalizer.

Inhoudsbeveiligen toevoegen aan uw toepassing

Als uw toepassing grote afwijkingen in inhoud toestaat die aan gebruikers wordt weergegeven, en sommige van die inhoud mogelijk onveilig of ongepast zijn voor sommige gebruikers, moet u er van tevoren voor zorgen dat de juiste beveiligingsmaatregelen zijn om te voorkomen dat uw gebruikers onacceptabele inhoud te zien krijgen. Het beste patroon voor het implementeren van veiligheidsmaatregelen is: * De lijst met te rangschikken acties verkrijgen. * Filter de exemplaren die niet haalbaar zijn voor de doelgroep. * Rangschik deze levensvatbare acties alleen. * Geef de best gerangschikte actie weer voor de gebruiker.

In sommige architecturen is de bovenstaande volgorde mogelijk moeilijk te implementeren. In dat geval is er een alternatieve benadering voor het implementeren van veiligheidsmaatregelen na classificatie, maar er moet een inrichting worden uitgevoerd zodat acties die buiten de veiligheid vallen, niet worden gebruikt om het Personalizer-model te trainen.

  • Verkrijg de lijst met te rangschikken acties, met leren gedeactiveerd.
  • Rangschikkingsacties.
  • Controleer of de bovenste actie haalbaar is.
    • Als de bovenste actie haalbaar is, activeert u learning voor deze positie en laat u deze vervolgens aan de gebruiker zien.
    • Als de bovenste actie niet haalbaar is, activeert u geen leerproces voor deze rangschikking en besluit u via uw eigen logica of alternatieve benaderingen wat u aan de gebruiker wilt laten zien. Zelfs als u de op een na best geclassificeerde optie gebruikt, moet u het leren voor deze classificatie niet activeren.

Volgende stappen

Ethiek & verantwoord gebruik.