Kde a jak používat Personalizace

  • Článek

Důležité

Od 20. září 2023 nebudete moct vytvářet nové prostředky personalizace. Služba Personalizace se vyřadí z provozu 1. října 2026.

Personalizace se používá v libovolné situaci, kdy vaše aplikace potřebuje vybrat správnou akci (obsah), která se má zobrazit – aby se prostředí zlepšilo, dosáhla lepších obchodních výsledků nebo zlepšila produktivitu.

Personalizace používá k výběru akce (obsahu) uživatele zpětnovazební učení. Výběr se může výrazně lišit v závislosti na množství, kvalitě a distribuci dat odeslaných do služby.

Příklady případů použití pro Personalizace

  • Vysvětlení záměru a nejednoznačnost: Pomozte uživatelům, aby měli lepší prostředí, když jejich záměr není jasný tím, že poskytnete možnost, která je přizpůsobená.
  • Výchozí návrhy nabídek a možností: Požádejte robota, aby jako první krok navrhl nejpravděpodobnější položku jako první krok místo prezentování neosobní nabídky nebo seznamu alternativ.
  • Vlastnosti robota a tón: u robotů, kteří můžou měnit tón, úroveň podrobností a styl psaní, zvažte různé vlastnosti.
  • Obsah oznámení a upozornění: Rozhodněte se, jaký text se má použít pro výstrahy, aby se uživatelé mohli více zapojit.
  • Časování oznámení a upozornění: Přizpůsobené učení o tom, kdy posílat oznámení uživatelům, aby je mohli zapojit více.

Očekávání potřebná k používání personalizace

Personalizace můžete použít v situacích, kdy se setkáte nebo můžete implementovat následující pokyny.

Pokyn Vysvětlení
Obchodní cíl Pro vaši aplikaci máte cíl podnikání nebo použitelnosti.
Content Ve své aplikaci máte místo, kde provedete kontextové rozhodnutí, co se má uživatelům ukázat, zlepší tento cíl.
Množství obsahu Pro každou volání máte méně než 50 akcí.
Agregace dat Nejlepší volba je a měla by se naučit z chování kolektivního uživatele a celkového skóre odměny.
Etické použití Použití strojového učení pro přizpůsobení se řídí zodpovědnými pokyny a volbami, které jste zvolili.
Nejlepší jedna možnost Kontextové rozhodnutí lze vyjádřit jako nejlepší možnost (akci) z omezené sady voleb.
Výsledek skóre Jak dobře funguje seřazená volba pro vaši aplikaci, je možné určit měřením určitého aspektu chování uživatele a vyjádřením skóre odměny.
Relevantní časování Skóre odměny nepřináší příliš mnoho zavádějících nebo externích faktorů. Doba trvání experimentu je dostatečně nízká, aby bylo možné vypočítat skóre odměny, i když je stále relevantní.
Dostatečné kontextové funkce Kontext pro pořadí můžete vyjádřit jako seznam alespoň 5 funkcí , které by podle vás pomohly zvolit správnou volbu a neobsahují identifikovatelné informace specifické pro uživatele.
Dostatečné funkce akcí Máte informace o každé volbě obsahu, akci, jako seznam aspoň 5 funkcí , které si myslíte, že vám pomůže personalizace zvolit správnou volbu.
Denní data Existuje dostatek událostí, které by zůstaly nad optimálním přizpůsobením, pokud se problém v průběhu času posune (například předvolby v novinkách nebo módě). Personalizace se bude přizpůsobovat nepřetržité změně v reálném světě, ale výsledky nebudou optimální, pokud není dostatek událostí a dat, ze které by se mohli učit, aby se objevili a uspokojili s novými vzory. Měli byste zvolit případ použití, ke kterému dochází dostatečně často. Zvažte hledání případů použití, ke kterým dochází nejméně 500krát denně.
Historická data Vaše aplikace může uchovávat data dostatečně dlouho, aby se shromáždila historie nejméně 100 000 interakcí. Díky tomu může Personalizace shromažďovat dostatek dat k provádění offline vyhodnocení a optimalizace zásad.

Nepoužívejte personalizaci , kde individuální chování není něco, co je možné zjistit ve všech uživatelích. Například použití personalizace k navržení první objednávky pizzy ze seznamu 20 možných položek nabídky je užitečné, ale který kontakt pro volání ze seznamu kontaktů uživatelů při vyžadování pomoci se péče o děti (například "Babička") není něco, co je personalizovatelné napříč vaší uživatelskou základnou.

Jak používat personalizaci ve webové aplikaci

Přidání smyčky výuky do webové aplikace zahrnuje:

  • Určete, jaké prostředí si můžete přizpůsobit, jaké akce a funkce máte, jaké kontextové funkce použít a jakou odměnu nastavíte.
  • Přidejte do aplikace odkaz na sadu SDK pro přizpůsobení.
  • Rozhraní Rank API volejte, až budete připraveni k přizpůsobení.
  • Uložte ID události. Později pošlete odměnu pomocí rozhraní API odměny.
  1. Jakmile si budete jistí, že uživatel viděl vaši přizpůsobenou stránku, zavolejte na tuto událost.
  2. Počkejte na výběr seřazeného obsahu uživatelem.
  3. Voláním rozhraní API odměny určete, jak dobře byl výstup rozhraní API pořadí.

Jak používat personalizaci s chatovacím robotem

V tomto příkladu se dozvíte, jak pomocí přizpůsobení vytvořit výchozí návrh místo toho, abyste uživateli posílali řadu nabídek nebo voleb pokaždé.

  • Získejte kód pro tuto ukázku.
  • Nastavte řešení robota. Nezapomeňte publikovat aplikaci LUIS.
  • Správa volání rozhraní Rank a Rewards API pro robota
    • Přidejte kód pro správu zpracování záměru LUIS. Pokud se jako hlavní záměr vrátí žádný nebo je skóre nejvyššího záměru nižší než prahová hodnota obchodní logiky, odešlete seznam záměrů personalizaci k určení pořadí záměrů.
    • Zobrazit seznam záměrů uživateli jako vybratelné odkazy s prvním záměrem, který je nejlépe seřazeným záměrem z odpovědi rozhraní Rank API.
    • Zaznamenejte výběr uživatele a odešlete ho do volání rozhraní API odměny.
  • Proveďte volání rozhraní API pro přizpůsobení služby Personalizace pokaždé, když je potřeba nejednoznačnost, na rozdíl od ukládání výsledků do mezipaměti pro každého uživatele. Výsledek nejednoznačného záměru se může v průběhu času u jedné osoby změnit a umožnit rozhraní Rank API prozkoumat odchylky, urychlí celkové učení.
  • Zvolte interakci, která je společná s mnoha uživateli, abyste měli dostatek dat k přizpůsobení. Například úvodní otázky můžou být vhodnější než menší objasnění v grafu konverzací, ke kterému se může dostat jenom několik uživatelů.
  • Pomocí volání rozhraní Rank API povolte "první návrh je správný" konverzace, kde se uživateli zobrazí dotaz "Chcete X?" nebo "Myslíte si X?" a uživatel může jenom potvrdit; na rozdíl od poskytnutí možností uživateli, kde si musí vybrat z nabídky. Například Uživatel:"Chci objednat kávu" Bot:"Chcete dvojité espresso?". Tímto způsobem je signál odměny také silný, protože se týká přímo jednoho návrhu.

Jak používat personalizaci s řešením doporučení

Mnoho společností používá nástroje pro doporučování, marketingové nástroje a kampaně, segmentaci cílových skupin a clustering, filtrování spolupráce a další prostředky k doporučování produktů z velkého katalogu zákazníkům.

Úložiště Microsoft Recommenders na GitHubu poskytuje příklady a osvědčené postupy pro vytváření systémů doporučení, které jsou k dispozici jako poznámkové bloky Jupyter. Poskytuje pracovní příklady pro přípravu dat, vytváření modelů, vyhodnocování, ladění a zprovoznění modulů doporučení pro mnoho běžných přístupů, včetně xDeepFM, SAR, ALS, RBM, DKN.

Personalizace může pracovat s modulem doporučení, když je k dispozici.

  • Moduly doporučení berou velké množství položek (například 500 000) a doporučují podmnožinu (například prvních 20) ze stovek nebo tisíců možností.
  • Personalizace provádí malý počet akcí s mnoha informacemi o nich a řadí je v reálném čase pro daný bohatý kontext, zatímco většina doporučení moduly používají jen několik atributů o uživatelích, produktech a jejich interakcích.
  • Personalizace je navržená tak, aby po celou dobu nezávisle prozkoumala předvolby uživatelů, což přináší lepší výsledky, kdy se obsah rychle mění, například zprávy, živé události, živý komunitní obsah, obsah s denními aktualizacemi nebo sezónní obsah.

Běžným použitím je provést výstup modulu doporučení (například prvních 20 produktů pro určitého zákazníka) a použít ho jako vstupní akce personalizace.

Přidání bezpečnostních opatření obsahu do aplikace

Pokud vaše aplikace umožňuje velké odchylky v obsahu zobrazeném uživatelům a některé z nich můžou být pro některé uživatele nebezpečné nebo nevhodné, měli byste předem naplánovat, abyste měli jistotu, že jsou zavedená správná bezpečnostní opatření, aby se uživatelům zabránilo v zobrazení nepřijatelného obsahu. Nejlepším vzorem pro implementaci ochranných opatření je: * Získejte seznam akcí, které se mají zařadit. * Vyfiltrujte ty, které nejsou pro cílovou skupinu přijatelné. * Tyto realizovatelné akce seřadí pouze do pořadí. * Zobrazí nejvyšší seřazenou akci uživateli.

V některých architekturách může být implementace výše uvedené sekvence obtížná. V takovém případě existuje alternativní přístup k implementaci ochranných opatření po hodnocení, ale je třeba provést ustanovení, aby akce, které spadají mimo ochranu, nebyly použity k trénování modelu Personalizace.

  • Získejte seznam akcí, které se mají zařadit, s deaktivovaným učením.
  • Akce pořadí.
  • Zkontrolujte, jestli je nejlepší akce realizovatelná.
    • Pokud je nejlepší akce realizovatelná, aktivujte výuku pro toto pořadí a zobrazte ho uživateli.
    • Pokud hlavní akce není proveditelná, neaktivujte učení pro toto hodnocení a rozhodněte se pomocí vlastní logiky nebo alternativních přístupů, co se má uživateli ukázat. I když použijete druhou nejlépe seřazenou možnost, neaktivujte učení pro toto hodnocení.

Další kroky

Etika a zodpovědné použití.