Dyb læring for personlige anbefalinger

Sådan lærer DLPR

DLPR lærer fra den fulde sekvens af brugerhandlinger, ikke isolerede klik, ved brug af kollektive adfærdsmønstre til at forudsige engagement.

Fra brugerrejser, ikke enkelte klik

Brugeradfærd er sekventiel. Visning af en kategori fører til at klikke på et element, hvilket fører til en handling, f.eks. tilføjelse til indkøbsvogn eller indløsning af et tilbud. DLPR behandler den fulde rejse som en enkelt læringsenhed.

Denne tilgang minder om, hvordan store sprogmodeller (LLM'er) forudsiger det næste ord i en sætning. I henhold til en brugers engagementhistorik beregner DLPR sandsynligheden for, at brugeren vil engagere sig med hvert kandidatelement. Den lærer disse sandsynligheder fra browsings- og købsmønstre for alle brugere på en lokalitet, ikke kun en individuel bruger.

Fra kollektiv adfærd

DLPR lærer ikke kun fra en enkelt brugers sti. Den analyserer rejser for alle brugere på en lokalitet og identificerer, hvilke sekvenser af handlinger der har en tendens til at føre til hvilke resultater. Hver ny bruger drager fordel af lærte mønstre på tværs af hele din brugerbase.

Justeret til dit forretningsmål

DLPR-faktorer i både hvor sandsynlig en bruger er at engagere sig i et element, og hvor meget dette element bidrager til din forretningsmålsætning. For et maksimere omsætningsmål bærer elementer, der skaber en højere bestillingsværdi, mere vægt. Resultatet er anbefalinger, der er både personligt relevante og i overensstemmelse med dit mål.

Modelinput

DLPR lærer fra flere kilder.

Engagementsignaler

Interaktioner, der er knyttet til din målsætning, f.eks. produktvisninger og køb for en elementanbefaling eller tilbud om klik og indløsninger for en reklamekampagneanbefaling. Engagementsignaler inkluderer også brugerhensigtsindikatorer, f.eks. kategoribrowsing, søgeforespørgsler og det, der blev vist kontra det, der blev klikket på. Hver anbefaling giver DLPR et andet sæt engagementssignaler.

Katalogmetadata

Elementattributter som titel, beskrivelse, kategori og brand. Katalogmetadata hjælper DLPR med at forstå elementer, der endnu ikke har en omfattende engagementhistorik.

Modeloutput

For hver bruger beregner DLPR en repræsentation, der opsummerer brugerens rejse. Den scorer hvert element i det relevante katalog op mod denne repræsentation og returnerer de bedste kandidater, sorteret efter en kombineret sandsynlighed og belønningsberegning.

DLPR genererer anbefalinger i realtid under udledning og træner regelmæssigt for at forblive opdateret med vagter i brugeradfærd og katalogændringer.

Overvejelser i forbindelse med DLPR-anbefalinger

Anbefalingskvalitet fra DLPR afhænger af de engagementsdata, den har lært fra, og hvor ofte modellen trænes igen. Forstå disse dynamikker, så du kan angive forventninger og planlægge gentræningscyklusser.

• DLPR lærer fra historiske engagementsdata for at identificere, hvad der styrer den adfærd, der er knyttet til dit mål, f.eks. køb udløst af kampagner. Når de underliggende data ændres, f.eks. en katalogovervågning, en større kampagnevagt eller nye købsmønstre, tager modellen tid at justere til det, der nu styrer den ønskede adfærd. Anbefalingskvalitet forbedres med hver gentræningscyklus, efterhånden som modellen justeres til de nye mønstre.
• DLPR træner igen på en planlagt kadence. Den specifikke frekvens varierer baseret på datamængde og forretningsenhedskonfiguration. Hvis du vil finde din opdateringsplan, skal du kontakte din Salesforce-repræsentant.