Domande frequenti sulla Modellazione: Raccomandazioni intelligenti

  • Articolo

Questo articolo fornisce un'analisi più approfondita dei tipi di algoritmi di modellazione usati dal servizio Raccomandazioni intelligenti e fornisce risposte a domande comuni sulla modellazione.

Contenuto

Panoramica degli algoritmi di Raccomandazioni intelligenti

Il componente di Modellazione Raccomandazioni Intelligenti utilizza alcuni algoritmi diversi per creare elenchi classificati. L'API Elenco risponde alle query e restituisce i risultati in base al tipo di algoritmo selezionato per la modellazione. Ulteriori informazioni sui tipi di algoritmi utilizzati dal servizio Raccomandazioni intelligenti sono fornite nella tabella seguente:

[!Nota]

Come procedura consigliata, usa Sperimentazione per confrontare i risultati di alcuni diversi tipi di elenco e/o tipi di dati prima di fare una scelta finale su quale algoritmo è il migliore per il tuo caso d'uso aziendale e set di dati (che è un sia una combinazione dei tipi di dati che del comportamento effettivo).

Tipo di algoritmo Descrizione
Fattorizzazione della matrice (MF) Fattorizzazione della matrice è un tipo di algoritmo di filtro collaborativo che si concentra sulla creazione di relazioni da utente a elemento e da elemento a elemento in base a specifiche interazioni dell'utente (acquisto, utilizzo, clic, visualizzazioni, download e così via). Questo tipo di algoritmo classifica gli elenchi in base alle preferenze storiche di un utente specifico, che è ciò che chiamiamo la classificazione personale basata sul "Gusto". Deriva anche somiglianze tra gli articoli in base alle interazioni degli utenti con gli articoli.

Fattorizzazione della matrice genera classifiche simmetriche (se "A" è simile a "B" allora anche "B" è simile ad "A") e transitive (se "A" è simile a "B" e "B" è simile a "C", allora "A" è simile a "C"). Per ottenere i migliori risultati, utilizzare il tipo di algoritmo Fattorizzazione matrice quando si utilizza un set di dati con segnali di interazione sostanziali e metadati del catalogo. Questa funzione è l'ideale per i domini di intrattenimento come film e TV, giochi o streaming, ma funziona bene in altri domini che si basano sui segnali di interazione con i clienti, tra cui: vendita al dettaglio, generi alimentari, itinerari di viaggio, produzione e altro ancora.
Somiglianze di associazione diretta (DAS) L'algoritmo Somiglianze di associazione diretta (DAS) è particolarmente adatto per domini di affinità locale/diretta con elevate esigenze basate sull'utilità, come le app in cui l'utilità è più importante della preferenza storica (gusto). Ad esempio, le persone che eseguono azioni "A" poi "B" poi "C", tendono a fare azioni "D" in seguito. DAS è non simmetrico e non associativo.

Il nostro servizio utilizza l'algoritmo DAS per alimentare l'API Migliore azione successiva, che crea suggerimenti di contenuti basati su raggruppamenti distinti e ripetibili. Un'applicazione comune di Migliore azione successiva è spesso vista nelle esperienze di check-out al dettaglio in scenari di "completamento del carrello" come, Spesso acquistati insieme, che fornisce suggerimenti di articoli complementari in base al contenuto del carrello di un utente.

DAS può anche ricombinare i gruppi e consigliare elementi di diversi domini secondari. Ad esempio, a un acquirente di un negozio di alimentari possono essere consigliati tovaglioli e piatti se hanno polpette e focacce nel carrello.

I domini che beneficiano di "Migliore azione successiva" includono generi alimentari, vendite, risoluzione dei problemi, contabilità e altro ancora.
Somiglianza visiva (VBS) Somiglianza visiva (VBS) è un algoritmo di cognizione visiva di deep learning che restituisce raccomandazioni visivamente simili per elementi con immagini simili, per un determinato articolo seme. Come Fattorizzazione matrice, le raccomandazioni prodotte dall'algoritmo VBS sono simmetriche.

Questa rete neurale convoluzionale di deep learning utilizza "Argus" come spina dorsale, tuttavia, viene addestrata ulteriormente utilizzando tecniche più approfondite sulle immagini del tenant per visualizzare elementi che non variano, fornendo raccomandazioni molto più pertinenti per il dominio del tenant. VBS è incredibilmente potente in settori come la moda, il design e la gioielleria, dove gli attributi visivi sono una parte importante della vendita del prodotto.
Somiglianza basata su testo (TBS) L'algoritmo Somiglianza basata su testo (TBS) restituisce raccomandazioni testualmente simili per un dato elemento seme, concentrandosi sull'addestramento di un modello linguistico sui titoli e le descrizioni degli elementi nel catalogo fornito. Questo algoritmo funziona particolarmente bene nei domini in cui i titoli e le descrizioni sono descrittivi, producendo raccomandazioni univoche e intuitive. Il modello utilizza il modello linguistico basato sul trasformatore "TNLR" come spina dorsale, tuttavia, il modello utilizza anche l'apprendimento di trasferimento e tecniche di formazione più approfondite sul set di dati fornito, consentendo a questo algoritmo di fornire raccomandazioni all'avanguardia che semanticamente hanno senso.

TBS utilizza l'elaborazione del linguaggio naturale (NLP) come input rendendo questo algoritmo applicabile in molti domini diversi, tra cui: itinerari di viaggio ed escursioni, cantine, database di ricerca su riviste scientifiche, risoluzione dei problemi e altro ancora.
Elenchi di navigazione Sfoglia elenchi consente di sfogliare un grafici euristici ordinati in base a informazioni quali vendite totali, somma dei clic, data di rilascio o una combinazione di diverse metriche. Gli elenchi supportati sono: "Nuovo", "Di tendenza", "Popolare". I grafici sono un ottimo punto di partenza per consentire agli utenti finali di interagire rapidamente con i tuoi prodotti e visualizzare le novità e il meglio del tuo catalogo prodotti.

Gli elenchi di ricerca possono essere ulteriormente ampliati modificando il tipo di interazione di input. Ad esempio, un modello basato sui segnali di acquisto restituisce "i prodotti acquistati più popolari", ma se cambi i segnali del modello in visualizzazioni restituisce "Prodotti più visti".

Torna all'inizio

Domande frequenti

Questa sezione copre una serie di domande frequenti sui modelli Raccomandazioni intelligenti e le relative applicazioni.

Come posso monitorare lo stato di modellazione?

I clienti di Raccomandazioni intelligenti possono tener traccia dello stato di modellazione per ciascuno dei modelli che hanno creato sul proprio account. Dopo aver configurato un modello, il servizio creerà periodicamente un file di registro dello stato per segnalare lo stato corrente di tutti gli algoritmi (rispetto al livello di modellazione). Per altre informazioni su come accedere a questi registri, vedi Guida ai report sullo stato di modellazione.

Torna all'inizio

Quale algoritmo e tipo di elenco dovrei usare per la mia attività?

La selezione di un tipo di elenco e di un algoritmo da utilizzare dipende dal caso d'uso aziendale, dall'esperienza e dai dati disponibili per la modellazione. Vedi Nomi elenco, AlgoTypes e perfezionamenti per un elenco completo dei nomi elenco e delle combinazioni di AlgoType disponibili.

In generale, le interazioni di modellazione riflettono ciò con cui le persone interagiscono. Ad esempio, descriviamo il tipo di elenco "Alle persone piace anche", che utilizza l'algoritmo MF, come "i clienti che eseguono questa azione, eseguono anche questa azione". Quando l'azione è l'acquisto, l'elenco diventa "Persone che hanno acquistato questo, hanno anche acquistato".

I metadati degli elementi possono anche essere utilizzati per stabilire somiglianze tra gli elementi, supponendo che i metadati siano sufficienti in termini di volume e qualità. Ad esempio, gli articoli con descrizioni simili possono essere considerati strettamente correlati, proprio come gli articoli con immagini di prodotto simili potrebbero essere strettamente correlati. Questi metadati sono utili per creare risultati per gli elementi quando non erano disponibili interazioni (noto anche come modellazione di "elementi freddi").

Approcci che combinano Interazioni e basati su metadati (per elementi e/o utenti) possono essere utilizzati con Raccomandazioni intelligenti per personalizzare gli scenari e le esperienze. Usa più modelli diversi (e usa un modello per account) per sperimentare e vedere quale approccio funziona meglio per i tuoi casi d'uso.

Mappatura dei tipi di dati disponibili e dei casi d'uso al tipo di algoritmo

Tipo di dati disponibile Scenari Algoritmo
Interazioni
Ad esempio, visualizzazioni, acquisti, utilizzo ecc. Cosa hanno fatto gli utenti?		 Scelti per te
Personalizzazione
Le persone hanno anche
Migliore azione successiva		 Fattorizzazione della matrice (MF)

Associazione diretta (DAS)
Metadati testuali
Ad esempio, titolo, descrizione		 Descrizione simile Somiglianza basata su testo (TBS)
Metadati visivi
Ad esempio, immagini del prodotto da più angolazioni		 Aspetti simili
Nota: non tutti i domini si adattano a questo scenario. Dovresti usarlo nel caso in cui le immagini siano una buona rappresentazione di un oggetto.		 Somiglianza visiva (VBS)
Altri metadati elemento
Ad esempio, forma, categoria, tag, ecc.		 Come Interazioni.
Il servizio consente inoltre di costruire modelli in diversi modi:
- In modo ibrido combinando i metadati degli elementi con le interazioni
- O costruiti utilizzando solo i metadati dell'oggetto (con algoritmi MF o DAS)		 Fattorizzazione della matrice (MF)

Associazione diretta (DAS)
Metadati utente
Ad esempio, dati demografici		 Gli scenari rilevanti riguardano la personalizzazione dell'utente:
- Scelti per te
- Personalizzazione

Il servizio consente di costruire modelli in diversi modi:
- In modo ibrido combinando i metadati degli utenti con le interazioni
- O costruiti utilizzando solo i metadati dell'utente (con algoritmi MF o DAS)		 Fattorizzazione della matrice (MF)

Associazione diretta (DAS)

Torna all'inizio

Come devo decidere se utilizzare l'algoritmo Fattorizzazione della matrice o Associazione diretta?

Si consiglia di provare entrambi con i propri dati per vedere quale algoritmo restituisce risultati più adatti in base ai propri requisiti aziendali.

Prova l'algoritmo Fattorizzazione della matrice (MF) se:

  • La connessione tra gli elementi nel tuo dominio è per lo più commutativa (simmetrica, ovvero se A=>B allora B=>A) e associativa (ovvero, se A=>B e B=>C allora A=>B).
  • I tuoi dati sono scarsi e desideri comunque raccomandazioni sufficienti per molti articoli.

Prova l'algoritmo DAS (Direct Association) se:

  • La connessione tra gli elementi nel tuo dominio è per lo più direttiva (asimmetrica, ovvero A=>B non significa B=>A) e diretta (non associativa).
  • La "Migliore azione successiva" (dato un elenco ordinato di elementi, quale dovrebbe essere la prossima) è uno scenario importante per te.
  • Vuoi consigliare un dominio secondario dei tuoi articoli a un altro.
  • La connessione diretta che appare di più dovrebbe riflettersi maggiormente nei risultati.

Per ulteriori informazioni, vedi Nomi elenco, AlgoTypes e perfezionamenti.

Torna all'inizio

Di quante interazioni ho bisogno per garantire buone raccomandazioni?

Per modellare correttamente un dominio per una serie di prodotti importanti, ogni prodotto deve contenere almeno cinque o più interazioni per scenario ad esempio "Alle persone piace anche" o "Scelti per te" (personalizzazione). Avresti anche bisogno di interazioni sufficienti che includano più di un prodotto, raggruppati per InteractionGroupingId (ogni elemento nello stesso ordine avrebbe una riga nell'entità di dati Interazioni con lo stesso InteractionGroupingId) per generare risultati per "Migliore azione successiva".

Una buona regola è puntare ad avere circa cinque volte il numero di Interazioni rispetto al numero di elementi. ad esempio: se ci sono 1.000 articoli nel catalogo, sarebbe bene provare la modellazione con almeno 5.000 interazioni.

In caso di dubbio, è utile provarlo con un modello semplice (meno colonne) e il maggior numero possibile di interazioni (più righe) nell'input del set di dati. Per valutare la qualità del tuo contratto dati e visualizzare le metriche relative alle prestazioni del modello, consulta Dashboard Raccomandazioni intelligenti.

Torna all'inizio

Perché ho bisogno che InteractionGroupingId, UserId, ItemId e ItemVariantId siano inclusi nella mia entità di dati delle interazioni?

InteractionGroupingId indica per i gruppi connessi al sistema, in particolare per gli elementi, una migliore inferenza complessiva su tutta la linea. Ad esempio, il raggruppamento delle transazioni per InteractionGroupingId in uno scenario di vendita al dettaglio può aiutare il sistema a sapere quali prodotti vengono "Spesso acquistati insieme" in un carrello degli acquisti o attività completate in un ruolo per "Migliore azione successiva" o elementi simili in "Alle persone piace anche".

UserId viene utilizzato dal sistema per modellare le relazioni formate tra gli elementi e gli utenti che interagiscono con gli elementi, che a seconda di come è progettato il modello, possono creare scenari di modellazione sia personalizzati che non personalizzati. Nell'approccio personalizzato con UserId, il sistema modella una mappatura tra utenti ed elementi, in base alle preferenze storiche di ogni singolo utente. Quindi produce il modello "in base alla tua cronologia precedente, potrebbe piacerti", che viene indicato come "Scelti per te".

ItemId è il riferimento all'elemento attuale. È essenziale collegare ogni elemento con le sue interazioni e consentire ai modelli di emergere nel modello. Gli ItemId che non hanno interazioni non verranno visualizzati nei consigli per altri prodotti e potrebbero anche risentire di consigli scadenti se usati come seme per modelli quali "Alle persone a cui piace questo elemento piace anche".

ItemVariantId viene utilizzato principalmente per lo scenario "Aspetti simili" e per l'algoritmo Somiglianza visiva (VBS), che tiene conto dei metadati dell'immagine anziché delle interazioni. Questo campo non è obbligatorio per i modelli e gli algoritmi che si basano sulle interazioni.

Per ulteriori informazioni sulle entità di dati richieste per ogni scenario, consulta Tabella di mappatura delle entità di dati.

Torna all'inizio

Posso utilizzare i metadati dell'articolo come Categoria, Colore, Modello, ecc.?

I metadati degli elementi possono essere utili in molti modi:

  • Migliore modellazione degli elementi oltre che per l'input delle interazioni, in modo che gli elementi con poche o addirittura nessuna interazione (elementi sporadici) possano comunque ricevere raccomandazioni "Alle persone piace anche".
  • È possibile disporre di un modello basato interamente sui metadati dell'elemento (ad esempio i tag di contenuto) e restituire un risultato di suggerimenti di tipo "elementi simili".
    • Come fare: assegna all'elemento dei metadati un TagId. Nell'entità dati Interazioni, per ogni riga Interazione imposta InteractionGroupingId come TagId, mantenendo l'elemento come ItemId e l'utente come UserID. Per ulteriori informazioni su come funzionano i TagId, consulta Guida al tagging e al bucket dei metadati.

[!NOTA IMPORTANTE]

Utilizzare un account diverso per il modello basato sui metadati dell'elemento, in modo tale da disporre di 1 modello IR per account IR e che siano separati dal modello/account basato unicamente sulle interazioni dell'utente.

  • Gli elementi con descrizioni testuali informative possono ottenere consigli "Descrizione simile", guidati dal nostro modello dettagliato di PNL.
  • Gli articoli e le varianti con immagini possono ottenere consigli "Aspetti simili", guidati dal nostro modello di deep learning della cognizione visiva.

Torna all'inizio.

Posso utilizzare i metadati utente, come i dati demografici, per personalizzare le raccomandazioni?

Il servizio Raccomandazioni intelligenti consente ai clienti di includere i metadati degli utenti attraverso un processo di assegnazione di tag dei metadati. I metadati degli utenti possono essere potenti per consigliare contenuti pertinenti a tutti gli utenti, tra cui

  • Clienti nuovi o poco frequenti (noti anche come "utenti sporadici").
  • Connettere gli utenti con attributi comuni con l'assegnazione di tag dei metadati. Per ulteriori informazioni sul raggruppamento demografico con raccomandazioni e per visualizzare esempi, consulta Guida al tagging e all'assegnazione di tag dei metadati.

Torna all'inizio.

Posso fornire raccomandazioni da utente a utente?

Al momento, le raccomandazioni complete da utente a utente non sono supportate. Per ora, è possibile che alcuni set di dati ricevano raccomandazioni da utente a utente, apportando alcune modifiche al contratto dati:

  • Per ogni input di Interazione originale costruisci ogni riga per:
    • Scrivere ItemID nella colonna InteractionGroupingId
    • Scrivere UserID nella colonna ItemId
    • Effettua la richiesta API: dopo aver apportato le modifiche precedenti al contratto dati, il tipo di elenco "Alle persone piace anche" verrà chiamato con lo UserId e restituirà un elenco di utenti simili.

Torna all'inizio.

Dove posso trovare altre informazioni sul modello Fattorizzazione della matrice utilizzato con Raccomandazioni intelligenti?

Il nostro modello MF: filtraggio collaborativo di una classe con grafici casuali. Abbiamo sviluppato una versione interna della fattorizzazione della matrice bayesiana, che abbiamo descritto qui e che può essere utilizzata per apprendere eventuali incorporamenti come spiegato qui.

Torna all'inizio.

Vedere anche

Guida alla risoluzione dei problemi
Codici stato API
Contratto dati
Tabella dei mapping di entità di dati.
Guida al tagging dei metadati e bucket degli utenti.