Kişiselleştirme'nin nerede ve nasıl kullanımı

  • Makale
  • Okumak için 5 dakika

Deneyimi iyileştirmek, daha iyi iş sonuçları elde etmek veya üretkenliği artırmak için, uygulamanın görüntü için doğru eylemi (içerik) seçmesi gereken her durumda Kişiselleştirme'yi kullanın.

Kişiselleştirme, kullanıcıya hangi eylemin (içerik) gösterebileceğinizi seçmek için pekiştirilen öğrenmeyi kullanır. Seçim, hizmete gönderilen verilerin miktarına, kalitesine ve dağıtımına bağlı olarak önemli ölçüde değişiklik gösterebilir.

Kişiselleştirme için örnek kullanım örnekleri

  • Amaç açıklaması & netleştirme: Kullanıcılarınızı kişiselleştirilmiş bir seçenek sağlayarak amacı net değilken daha iyi bir deneyim yaşamalarına yardımcı olur.
  • Menüler ve & için varsayılan öneriler: Botun, kişisel bir menü veya alternatifler listesi sunmak yerine en olası öğeyi ilk adım olarak kişiselleştirilmiş bir şekilde önermelerini sağlar.
  • Bot özellikleri & tonunu gösterir: Ton, ayrıntılılık ve yazma stili değişebiliyor botlar için bu özellikleri farklılık gösterebilir.
  • Uyarı & bildirim: Kullanıcıların daha fazla etkileşim kurması için uyarılar için hangi metnin kullanıl olduğuna karar verin.
  • Bildirim & zamanlaması: Kullanıcılara daha fazla etkileşim kurmaları için ne zaman bildirim gönderebileceğinizi kişiselleştirilmiş olarak öğrenebilirsiniz.

Kişiselleştirme kullanmak için gereken beklentiler

Kişiselleştirme'ye, aşağıdaki yönergeleri karşılaycı veya uygulayan durumlarda uygulayabilirsiniz.

Yönerge Açıklama
İş hedefi Uygulamanıza yönelik bir iş veya kullanılabilirlik hedefiniz var.
Content Uygulamanıza, kullanıcılara gösterecekleri şey hakkında bağlamsal bir karar vermenin bu hedefi geliştirecek olduğu bir yer vardır.
İçerik miktarı Çağrı başına sıralama yapmak için 50'den az eyleme sahipsiniz.
Verileri toplama En iyi seçenek, toplu kullanıcı davranışından ve toplam ödül puanından öğrenilir ve bu şekilde öğrenilir.
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 seçeneği (eylem) derecelendirme olarak ifade olabilir.
Puanlı sonuç Uygulamanıza uygun dereceli seçimin ne kadar iyi çalıştığı, kullanıcı davranışının bazı yönleri ölçülerek ve bir ödül puanıyla ifade edilerek belirlenebilir.
İlgili zamanlama Ödül puanı çok fazla karıştıran veya dış etmen getirmez. Deneme süresi, ödül puanının hala ilgili olduğu süre boyunca hesaplandırı kadar düşüktür.
Yeterli bağlam özellikleri Sıralama bağlamını doğru seçime yardımcı olacağını ve kullanıcıya özgü tanımlanabilir bilgileri içermeyebilirsiniz.
Yeterli eylem özellikleri Kişiselleştirme'nin doğru seçimi yapma konusunda yardımcı olduğunu düşünebileceğiniz en az 5 özelliğin listesi olarak her bir içerik seçimi ( eylemi) hakkında bilgi edinebilirsiniz.
Günlük veriler Sorun zaman içinde kaymaya (haber veya moda yönelik tercihler gibi) göre en uygun kişiselleştirmeyi elde etmek için yeterli olay vardır. Kişiselleştirme gerçek dünyada sürekli değişime uyum sağlar ancak yeni desenleri keşfedecek ve üzerinde durulacak yeterli olay ve veri yoksa sonuçlar en uygun olmayacaktır. Yeterince sık uzan bir kullanım durumu seçmeniz gerekir. Günde en az 500 kez olan kullanım durumlarını kullanmayı göz önünde bulundurarak.
Geçmiş veriler Uygulamanız, en az 100.000 etkileşim geçmişi toplayarak verileri yeterince uzun süre koruyabilirsiniz. Bu, Kişiselleştirme'nin çevrimdışı değerlendirmeler ve ilke iyileştirmesi gerçekleştirmek için yeterli veri toplaması sağlar.

Kişiselleştirilmiş davranışın tüm kullanıcılar tarafından keşfedilebileceğiniz bir şey olmadığını fark etmeyebilirsiniz. Örneğin, 20 olası menü öğesi listesinden ilk pizza siparişini önermek için Kişiselleştirme'nin kullanımı faydalıdır, ancak alt bakım için yardım gerektiren kullanıcıların kişi listesinden hangi kişi çağrılmalıdır (örneğin, "Yemek") kullanıcı tabanınız genelinde kişiselleştirilebilir bir şey değildir.

Web uygulamasında Kişiselleştirme'i kullanma

Web uygulamasına öğrenme döngüsü ekleme şunları içerir:

  • Hangi deneyimi kişiselleştirebileceğinizi, hangi eylemleriniz ve özellikleriniz olduğunu, hangi bağlam özelliklerini kullanabileceğinizi ve hangi ödülü ayarlayacaklarını belirleme.
  • Uygulamanıza Kişiselleştirme SDK'sı için bir başvuru ekleyin.
  • Kişiselleştirmeye hazırken Derece API'sini çağırma.
  • eventId'i depolar. Daha sonra Ödül API'si ile bir ödül gönderebilirsiniz.
  1. Kullanıcının kişiselleştirilmiş sayfanızı görmüş olduğundan emin olduktan sonra etkinlik için Etkinleştir'i arayın.
  2. Kullanıcı tarafından dereceli içerik seçimini bekleyin.
  3. Derece API'sinde çıktının ne kadar iyi olduğunu belirtmek için Ödül API'sini çağırma.

Kişiselleştirme'i sohbet botuyla kullanma

Bu örnekte, kullanıcıya her zaman bir dizi menü veya seçenek göndermek yerine varsayılan öneride bulunan Kişiselleştirme'nin nasıl kullanacağız?

  • Bu örneğin kodunu alın.
  • Bot çözümlerinizi ayarlayın. LUIS uygulamanızı yayımlayın.
  • Bot için Derece ve Ödül API'si çağrılarını yönetme.
    • LUIS amacı işlemeyi yönetmek için kod ekleyin. Hiçbiri en üst amaç olarak döndürülürse veya en üst amacın puanı iş mantığı eşiğinizin altında olursa, intents listesini Kişiselleştirme'ye gönderebilirsiniz.
    • Amaç listesini kullanıcıya seçilebilir bağlantılar olarak göster ve ilk amaç, Derece API'si yanıtının en üst sıralarda yer alan amacıdır.
    • Kullanıcının seçimini yakalayıp Bunu Ödül API'si çağrısına gönderin.
  • Her kullanıcı için sonuçları önbelleğe almak yerine, bir karartma gerektiğinde Kişiselleştirme Sıralama API'si çağrıları yapma. Bir kişinin amacını karartma sonucu zaman içinde değişebilir ve Derece API'sinde varyansları keşfetmeye izin verme, genel öğrenmeyi hızlandırır.
  • Kişiselleştirmek için yeterli veriye sahip olmak için birçok kullanıcıyla ortak olan bir etkileşim seçin. Örneğin, giriş niteliğindeki sorular, konuşma grafı içinde yalnızca birkaç kullanıcının elde etmek zorunda olduğu daha küçük açıklamalardan daha uygun olabilir.
  • "İlk öneri doğru" konuşmalarını etkinleştirmek için Rank API çağrılarını kullanın; burada kullanıcıya "X'i kullanmak mı?" sorusu soruldu veya "X mi demekti?" ve kullanıcı yalnızca onaylayabilir; yerine, kullanıcıya bir menüden seçim yapmak zorunda olduğu seçenekler sunar. Örneğin, User:"I like to order a coffee" Bot:"Would like a double?" (Kullanıcı:"Kahve siparişi vermek istiyorum" Bot:"Double double ister misiniz?". Bu şekilde ödül sinyali doğrudan bir öneriyle ilgili olduğu için de güçlü olur.

Kişiselleştirme'i bir öneri çözümüyle kullanma

Birçok şirket öneri altyapılarını, pazarlama ve kampanya araçlarını, hedef kitle segmentasyon ve kümelemeyi, işbirliğine dayalı filtrelemeyi ve büyük bir katalogdan müşterilere ürün önerilerinde bulunacak başka 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 hazırlama, model hazırlama, öneri altyapılarını değerlendirme, ayarlama ve operasyonelleştirmeye yönelik çalışma örnekleri sağlar.

Kişiselleştirme, mevcut olduğunda bir öneri altyapısıyla birlikte çalışır.

  • Öneri altyapıları, yüzlerce veya binlerce seçenekten büyük miktarlarda öğe (örneğin, 500.000) alır ve bir alt küme (ilk 20 gibi) önerer.
  • Kişiselleştirme, çok sayıda bilgiyle az sayıda eylem gerçekleştirmektedir ve bunları gerçek zamanlı olarak verilen zengin bağlam için derecelerken çoğu öneri altyapısı kullanıcılar, ürünler ve etkileşimleri hakkında yalnızca birkaç öznitelik kullanır.
  • Kişiselleştirme her zaman kullanıcı tercihlerini otonom olarak keşfedecek şekilde tasarlanmıştır. Bu da haberler, canlı etkinlikler, canlı topluluk içeriği, günlük güncelleştirmeler veya mevsimsel içerikler gibi içeriğin hızla değişeceği durumlarda daha iyi sonuçlar verir.

Genellikle bir öneri altyapısının çıktısını almak (örneğin, belirli bir müşteriye yönelik ilk 20 ürün) ve kişiselleştirme için giriş eylemleri olarak bunu kullanmak yaygın bir kullanımdır.

Uygulamanıza içerik korumaları ekleme

Uygulamanız kullanıcılara gösterilen içerikte büyük farklara izin verdiyse ve bu içeriklerden bazıları bazı kullanıcılar için güvenli veya uygunsuz olabilirse, kullanıcılarınızı kabul edilemez içerik görmelerini önlemek için doğru korumaların sağ olduğundan emin olmak için planlamanız gerekir. Koruma uygulamak için en iyi desen şu şekildedir: * Dereceye alın eylemlerin listesini alın. * Hedef kitle için uygun olanları filtrele. * Yalnızca bu uygun eylemleri dereceler. * Kullanıcıya en üst sıralarda yer alan eylemi görüntüler.

Bazı mimarilerde yukarıdaki sıranın uygulanması zor olabilir. Bu durumda, derecelendirmeden sonra koruma uygulamak için alternatif bir yaklaşım vardır, ancak korumanın dışında olan eylemlerin Kişiselleştirme modelini eğitmek için kullanılmayacak şekilde bir sağlama yapılması gerekir.

  • Eğitim devre dışı bırakıldığında dereceye alın eylemlerin listesini alın.
  • Sıralama eylemleri.
  • En üst eylemin uygulanabilir olup olduğunu kontrol edin.
    • En önemli eylem uygunsa, bu derece için öğrenmeyi etkinleştirin ve kullanıcıya göster.
    • En önemli eylem uygun bir eylemse, bu derecelendirme için öğrenmeyi etkinleştirmeyin ve kullanıcıya gösterecekleri mantığınız veya alternatif yaklaşımlar aracılığıyla karar verin. İkinci en iyi derecelendirilen seçeneği kullansanız bile, bu sıralama için öğrenmeyi etkinleştirmeyin.

Sonraki adımlar

Etics & sorumlu kullanımı.