Kişiselleştirme öğrenme döngüsünü yapılandırma
Önemli
20 Eylül 2023 tarihinden itibaren yeni Kişiselleştirme kaynakları oluşturamayacaksınız. Kişiselleştirme hizmeti 1 Ekim 2026'da kullanımdan kaldırılıyor.
Hizmet yapılandırması, hizmetin ödülleri nasıl ele aldığı, hizmetin ne sıklıkta incelendiği, modelin ne sıklıkta yeniden eğitileceğini ve ne kadar veri depolandığını içerir.
Bu Kişiselleştirme kaynağının Azure portalındaki Yapılandırma sayfasında öğrenme döngüsünü yapılandırın.
Yapılandırma değişikliklerini planlama
Bazı yapılandırma değişiklikleri modelinizi sıfırladığı için yapılandırma değişikliklerinizi planlamanız gerekir.
Çırak modunu kullanmayı planlıyorsanız, Çırak moduna geçmeden önce Kişiselleştirici yapılandırmanızı gözden geçirmeyi unutmayın.
Modeli sıfırlamayı içeren Ayarlar
Aşağıdaki eylemler, son 2 güne kadar kullanılabilen verileri kullanarak modelin yeniden eğitilmesine neden olur.
- Ödül
- Araştırma
Tüm verilerinizi temizlemek için Model ve öğrenme ayarları sayfasını kullanın.
Geri bildirim döngüsü için ödülleri yapılandırma
Hizmeti öğrenme döngünüzün ödülleri kullanması için yapılandırın. Aşağıdaki değerlerde yapılan değişiklikler geçerli Kişiselleştirme modelini sıfırlar ve son 2 günlük verilerle yeniden eğitecektir.
| Değer | Purpose |
|---|---|
| Ödül bekleme süresi | Derece araması gerçekleştiği andan itibaren Kişiselleştirme'nin Bir Derece çağrısı için ödül değerlerini topladığı süreyi ayarlar. Bu değer şu soruyla ayarlanır: "Kişiselleştirici ödül çağrılarını ne kadar süre beklemelidir?" Bu pencereden sonra gelen tüm ödüller günlüğe kaydedilir ancak öğrenme için kullanılmaz. |
| Varsayılan ödül | Bir Derecelendirme çağrısıyla ilişkili Ödül Bekleme Süresi penceresi sırasında Kişiselleştirici tarafından hiçbir ödül çağrısı alınmazsa, Kişiselleştirici Varsayılan Ödülü atar. Varsayılan olarak ve çoğu senaryoda Varsayılan Ödül sıfırdır (0). |
| Ödül toplama | Aynı Rank API çağrısı için birden çok ödül alınırsa bu toplama yöntemi kullanılır: sum veya earliest. En erken alınan en erken puanı seçer ve gerisini atar. Bu, yinelenen aramalar arasında benzersiz bir ödül istiyorsanız kullanışlıdır. |
Bu değerleri değiştirdikten sonra Kaydet'i seçtiğinizden emin olun.
Öğrenme döngüsünün uyum sağlamasına izin vermek için keşfi yapılandırma
Kişiselleştirme, eğitilen modelin tahminini kullanmak yerine alternatifleri keşfederek yeni desenleri keşfedebilir ve zaman içindeki kullanıcı davranışı değişikliklerine uyarlanabilir. Araştırma değeri, araştırmayla yanıt olarak Derece çağrılarının yüzde kaçını belirlediğini belirler.
Bu değerde yapılan değişiklikler geçerli Kişiselleştirme modelini sıfırlar ve son 2 günlük verilerle yeniden eğiter.
Bu değeri değiştirdikten sonra Kaydet'i seçtiğinizden emin olun.
Model eğitimi için model güncelleştirme sıklığını yapılandırma
Model güncelleştirme sıklığı, modelin ne sıklıkta eğitilmiş olduğunu ayarlar.
| Sıklık ayarı | Purpose |
|---|---|
| 1 dakika | Bir dakikalık güncelleştirme sıklıkları, Kişiselleştirme kullanarak uygulamanın kodunda hata ayıklama, tanıtımlar yapma veya makine öğrenmesi özelliklerini etkileşimli olarak test etme konusunda kullanışlıdır. |
| 15 dakika | Yüksek model güncelleştirme sıklıkları, kullanıcı davranışlarındaki değişiklikleri yakından izlemek istediğiniz durumlarda kullanışlıdır. Canlı haberlerde, viral içeriklerde veya canlı ürün teklifinde çalışan siteler buna örnek olarak verilebilir. Bu senaryolarda 15 dakikalık bir sıklık kullanabilirsiniz. |
| 1 saat | Çoğu kullanım örneğinde daha düşük bir güncelleştirme sıklığı etkilidir. |
Bu değeri değiştirdikten sonra Kaydet'i seçtiğinizden emin olun.
Veri saklama
Veri saklama süresi , Kişiselleştirici'nin veri günlüklerini kaç gün tuttuğunu ayarlar. Kişiselleştirme'nin verimliliğini ölçmek ve Öğrenme İlkesini iyileştirmek için kullanılan çevrimdışı değerlendirmeler gerçekleştirmek için geçmiş veri günlükleri gereklidir.
Bu değeri değiştirdikten sonra Kaydet'i seçtiğinizden emin olun.