Kişiselleştirme'yi nerede ve nasıl kullanabilirsiniz?
Önemli
20 Eylül 2023 tarihinden itibaren yeni Kişiselleştirme kaynakları oluşturamayacaksınız. Kişiselleştirme hizmeti 1 Ekim 2026'da kullanımdan kaldırılıyor.
Deneyimi daha iyi hale getirmek, daha iyi iş sonuçları elde etmek veya üretkenliği artırmak için uygulamanızın görüntülenecek doğru eylemi (içeriği) seçmesi gereken her durumda Kişiselleştirme'yi kullanın.
Kişiselleştirme, kullanıcıya hangi eylemin (içerik) göstereceğini seçmek için pekiştirici öğrenmeyi kullanır. Seçim, hizmete gönderilen verilerin miktarına, kalitesine ve dağılımına bağlı olarak büyük ölçüde farklılık gösterebilir.
Kişiselleştirme için örnek kullanım örnekleri
- Amaç açıklama ve kesinleştirme: Kişiselleştirilmiş bir seçenek sunarak kullanıcılarınızın amaçları net olmadığında daha iyi bir deneyim yaşamalarına yardımcı olun.
- Menüler ve seçenekler için varsayılan öneriler : Botun kişisel bir menü veya alternatif listesi sunmak yerine ilk adım olarak en olası öğeyi kişiselleştirilmiş bir şekilde önermesini sağlayın.
- Bot özellikleri ve tonu: Ton, ayrıntı ve yazma stilini değiştirebilen botlar için bu özelliklerin değişmesini göz önünde bulundurun.
- Bildirim ve uyarı içeriği: Kullanıcılarla daha fazla etkileşim kurmak için uyarılar için hangi metnin kullanılacağına karar verin.
- Bildirim ve uyarı zamanlaması: Kullanıcılara daha fazla etkileşimde bulunmak için ne zaman bildirim gönderilmesi gerektiğinde kişiselleştirilmiş bir öğrenme elde edin.
Kişiselleştirme'yi kullanmak için gereken beklentiler
Kişiselleştirici'yi, toplantı yaptığınız veya aşağıdaki yönergeleri uygulayabileceğiniz durumlarda uygulayabilirsiniz.
| Yönerge | Açıklama |
|---|---|
| İş hedefi | Uygulamanız için bir iş veya kullanılabilirlik hedefiniz vardır. |
| İçerik | Uygulamanızda, kullanıcılara ne gösterileceğine ilişkin bağlamsal bir karar vermenin bu hedefi geliştireceği bir yeriniz vardır. |
| İçerik miktarı | Çağrı başına sıralamak için 50'den az eyleminiz var. |
| Verileri toplama | En iyi seçim kolektif kullanıcı davranışından ve toplam ödül puanından öğrenilebilir ve öğrenilmelidir. |
| Etik kullanım | Kişiselleştirme için makine öğrenmesi kullanımı, seçtiğiniz sorumlu kullanım yönergelerini ve seçimlerini izler. |
| En iyi tek seçenek | Bağlamsal karar, sınırlı bir seçenek kümesinden en iyi seçeneğin (eylem) derecelendirmesi olarak ifade edilebilir. |
| Puanlanan sonuç | Dereceli seçimin uygulamanız için ne kadar iyi çalıştığı, kullanıcı davranışının bazı yönleri ölçülerek ve ödül puanıyla ifade edilerek belirlenebilir. |
| İlgili zamanlama | Ödül puanı çok fazla karışık veya dış faktör getirmez. Deneme süresi, ödül puanının hala ilgili olduğu sırada hesaplanabileceği kadar düşüktür. |
| Yeterli bağlam özellikleri | Derece bağlamını, doğru seçimin yapılmasına yardımcı olacağını düşündüğünüz ve kullanıcıya özgü tanımlanabilir bilgileri içermeyen en az 5 özelliğin listesi olarak ifade edebilirsiniz. |
| Yeterli eylem özellikleri | Kişiselleştirme'nin doğru seçimi yapmasına yardımcı olacağını düşündüğünüz en az 5 özelliğin listesi olarak her içerik seçimi, eylem hakkında bilgi sahibisiniz. |
| Günlük veriler | Sorun zaman içinde kayıyorsa (haber veya moda tercihleri gibi) en iyi kişiselleştirmeyi elde etmek için yeterli olay vardır. Kişiselleştirici gerçek dünyadaki sürekli değişikliğe uyum sağlayacaktır, ancak yeni desenleri keşfetmek ve düzene oturtmak için öğrenmeniz gereken yeterli olay ve veri yoksa sonuçlar en uygun olmayacaktır. Yeterince sık gerçekleşen bir kullanım örneği seçmelisiniz. Günde en az 500 kez gerçekleşen kullanım örneklerini aramayı göz önünde bulundurun. |
| Geçmiş veriler | Uygulamanız en az 100.000 etkileşim geçmişi biriktirecek kadar uzun süre veri saklayabilir. Bu, Kişiselleştirme'nin çevrimdışı değerlendirmeler ve ilke iyileştirmesi gerçekleştirmek için yeterli veri toplamasına olanak tanır. |
Kişiselleştirilmiş davranışın tüm kullanıcılarda bulunabilecek bir şey olmadığı durumlarda Kişiselleştirme'yi kullanmayın. Örneğin, 20 olası menü öğesi listesinden ilk pizza siparişi önermek için Kişiselleştirici'yi kullanmak yararlıdır, ancak çocuk bakımıyla ilgili yardım gerektiğinde (örneğin, "Büyükanne") kullanıcıların kişi listesinden aranacak kişi, kullanıcı tabanınızda kişiselleştirilebilir bir şey değildir.
Web uygulamasında Kişiselleştirme'yi kullanma
Bir web uygulamasına öğrenme döngüsü eklemek şunları içerir:
- Hangi deneyimi kişiselleştirebileceğinizi, hangi eylemlere ve özelliklere sahip olduğunuzu, hangi bağlam özelliklerini kullanacağınızı ve hangi ödülü ayarlayabileceğinizi belirleyin.
- Uygulamanızdaki Kişiselleştirme SDK'sına bir başvuru ekleyin.
- Kişiselleştirmeye hazır olduğunuzda Rank API'sini çağırın.
- eventId değerini depolayın. Daha sonra Ödül API'siyle bir ödül gönderebilirsiniz.
- Kullanıcının kişiselleştirilmiş sayfanızı gördüğünüzden emin olduktan sonra etkinlik için Etkinleştir'i arayın.
- Dereceli içeriğin kullanıcı seçimini bekleyin.
- Derece API'sinin çıkışının ne kadar iyi olduğunu belirtmek için Reward API'sini çağırın.
Sohbet botu ile Kişiselleştirme'yi kullanma
Bu örnekte, kullanıcıya her seferinde bir dizi menü veya seçenek göndermek yerine varsayılan bir öneride bulunmak için Kişiselleştirme'yi nasıl kullanacağınızı göreceksiniz.
- Bu örneğin kodunu alın.
- Bot çözümünüzü ayarlayın. LUIS uygulamanızı yayımladığınızdan emin olun.
- Bot için Rank ve Reward API çağrılarını yönetin.
- LUIS amacı işlemeyi yönetmek için kod ekleyin. Hiçbiri en üst amaç olarak döndürülürse veya en önemli amacın puanı iş mantığı eşiğinizin altındaysa amaçları derecelendirirken amaç listesini Kişiselleştirme'ye gönderin.
- İlk amaç, Rank API yanıtından en üst sırada yer alan amaç olacak şekilde, amaç listesini kullanıcıya seçilebilir bağlantılar olarak gösterin.
- Kullanıcının seçimini yakalayın ve bunu Reward API çağrısında gönderin.
Önerilen bot desenleri
- Her kullanıcı için önbelleğe alma sonuçlarının aksine, her bir kesinleştirme gerektiğinde Kişiselleştirme Derecelendirme API'sini çağrıları yapın. Belirsiz amacın sonucu zaman içinde bir kişi için değişebilir ve Derece API'sinin farkları keşfetmesine izin vermek genel öğrenmeyi hızlandırır.
- Kişiselleştirmek için yeterli veriye sahip olmak için birçok kullanıcıyla ortak olan bir etkileşim seçin. Örneğin, giriş soruları yalnızca birkaç kullanıcının ulaşabileceği konuşma grafiğinin derinlerindeki küçük açıklamalardan daha uygun olabilir.
- Kullanıcıdan "X ister misiniz?" veya "X mi istediniz?" sorusunu alan ve kullanıcının onayladığı "ilk öneri doğru" konuşmalarını etkinleştirmek için Derece API çağrılarını kullanın; kullanıcıya menüden seçim yapması gereken seçenekler vermekten farklı olarak. Örneğin, Kullanıcı:"Kahve sipariş etmek istiyorum" Bot:"Çift espresso ister misiniz?". Bu şekilde ödül sinyali, doğrudan tek bir öneriyle ilgili olduğu için güçlüdür.
Öneri çözümüyle Kişiselleştirme'yi kullanma
Birçok şirket, müşterilere büyük bir katalogdan ürün önermek için öneri altyapılarını, pazarlama ve kampanya araçlarını, hedef kitle segmentasyonu ve kümelemesi, işbirliğine dayalı filtreleme ve diğer araçları kullanır.
Microsoft Recommenders GitHub deposu, Jupyter not defterleri olarak sağlanan öneri sistemleri oluşturmaya yönelik örnekler ve en iyi yöntemler sağlar. xDeepFM, SAR, ALS, RBM, DKN gibi birçok yaygın yaklaşım için veri hazırlamaya, model oluşturmaya, öneri altyapılarını değerlendirmeye, ayarlamaya ve çalışır hale getirmeye yönelik çalışma örnekleri sağlar.
Kişiselleştirme mevcut olduğunda bir öneri altyapısıyla çalışabilir.
- Öneri altyapıları büyük miktarda öğe (örneğin, 500.000) alır ve yüzlerce veya binlerce seçenekten bir alt küme (ilk 20 gibi) önerir.
- Kişiselleştirme, bunlar hakkında çok fazla bilgi içeren az sayıda eylem gerçekleştirir ve bunları belirli bir zengin bağlam için gerçek zamanlı olarak sıralarken, çoğu öneri altyapısı kullanıcılar, ürünler ve etkileşimleri hakkında yalnızca birkaç öznitelik kullanır.
- Kişiselleştirici, kullanıcı tercihlerini her zaman otonom olarak keşfedecek şekilde tasarlanmıştır. Bu sayede haberler, canlı etkinlikler, canlı topluluk içeriği, günlük güncelleştirmeler içeren içerik veya mevsimsel içerik gibi içeriklerin hızla değiştiği durumlarda daha iyi sonuçlar elde edilir.
Bir öneri altyapısının çıktısını almak (örneğin, belirli bir müşteri için ilk 20 ürün) ve bunu Kişiselleştirme için giriş eylemleri olarak kullanmak yaygın bir kullanımdır.
Uygulamanıza içerik korumaları ekleme
Uygulamanız kullanıcılara gösterilen içerikte büyük farklılıklara izin veriyorsa ve bu içeriğin bazıları bazı kullanıcılar için güvenli olmayabilir veya uygunsuz olabilirse, kullanıcılarınızın kabul edilemez içeriği görmesini önlemek için doğru korumaların sağlandığından emin olmak için önceden planlamanız gerekir. Korumaları uygulamak için en iyi desen: * Dereceye alınacak eylemlerin listesini alın. * İzleyiciler için uygun olmayanları filtreleyin. * Bu uygulanabilir eylemleri yalnızca derecelendirin. * Kullanıcıya en yüksek dereceli eylemi görüntüleyin.
Bazı mimarilerde yukarıdaki sıranın uygulanması zor olabilir. Bu durumda, derecelendirmeden sonra korumaları uygulamaya yönelik alternatif bir yaklaşım vardır, ancak kişiselleştirici modelini eğitmek için korumanın dışında kalan eylemlerin kullanılmaması için bir hüküm verilmesi gerekir.
- Derecelendirilecek eylemlerin listesini alın ve öğrenme devre dışı bırakıldı.
- Sıralama eylemleri.
- En üstteki eylemin uygun olup olmadığını denetleyin.
- Üstteki eylem uygulanabilirse, bu derece için öğrenmeyi etkinleştirin ve kullanıcıya gösterin.
- En önemli eylem uygun değilse, bu derecelendirme için öğrenmeyi etkinleştirmeyin ve kullanıcıya ne göstereceğine kendi mantığınızla veya alternatif yaklaşımlarla karar verin. İkinci en iyi dereceli seçeneği kullansanız bile, bu derecelendirme için öğrenmeyi etkinleştirmeyin.