Keşif ve açıktan yararlanma
Kişiselleştirme, keşifle kullanıcı davranışı değiştiklerine rağmen iyi sonuçlar elde etmek için çalışmaya devam eder.
Kişiselleştirme bir Rank çağrısı aldığında şu değerden birini döndüren bir RewardActionID döndürür:
- Geçerli makine öğrenmesi modeline göre en olası kullanıcı davranışıyla eşleşmek için açıktan yararlanmayı kullanır.
- Sıralamada en yüksek olasılık değerine sahip olan eylemle eşleşmez araştırmayı kullanır.
Kişiselleştirme şu anda keşfetmek için epsilon greedy adlı bir algoritma kullanıyor.
Keşif ayarı seçme
Kişiselleştirme'nin Yapılandırma sayfasında keşif için Azure portal trafik yüzdesini yapılandırabilirsiniz. Bu ayar, araştırma gerçekleştiren Derece çağrılarının yüzdesini belirler.
Kişiselleştirme, her derece çağrısında bu olasılıkla araştırma veya açıktan yararlanmayı belirler. Bu, belirli kullanıcı kimlikleri üzerinde bir tedaviyi kilit alan bazı A/B çerçeveleri davranışından farklıdır.
Keşif ayarı seçmeye yönelik en iyi yöntemler
Keşif ayarı seçmek, modeli geliştirmek için keşfedilen kullanıcı etkileşimlerinin oranıyla ilgili bir iş kararıdır.
Sıfır ayarı Kişiselleştirme'nin birçok avantajlarını olumsuz şekilde olumsuzlar. Bu ayarla Kişiselleştirme, daha iyi kullanıcı etkileşimlerini keşfetmek için kullanıcı etkileşimi kullanmaz. Bu da modelin durgunluk, kayma ve sonuçta daha düşük performansa neden olur.
Çok yüksek bir ayar, kullanıcı davranışından öğrenmenin avantajlarını olumsuz etkilemektedir. Bunu %100 olarak ayarlama, sabit bir rastgele seçim anlamına gelir ve kullanıcılardan öğrenilen herhangi bir davranış sonucu etkilemez.
Kişiselleştirme'nin araştırıp araştırma veya açıktan yararlanmaya yönelik olup olmadığını gördüğünüze bağlı olarak uygulama davranışını değiştirmemek önemlidir. Bu, sonuçta olası performansı azaltan öğrenme yollarına yol açabilirsiniz.