Aprendizaje profundo para recomendaciones personalizadas

Cómo aprende DLPR

DLPR aprende de la secuencia completa de acciones de usuario, no clics aislados, utilizando patrones de comportamiento colectivos para predecir la implicación.

Desde trayectorias de usuario, no solo clics

El comportamiento del usuario es secuencial. La visualización de una categoría lleva a hacer clic en un artículo, lo que lleva a una acción como agregar al carrito o canjear una oferta. DLPR trata la trayectoria completa como una única unidad de aprendizaje.

Este enfoque es similar a cómo los modelos de lenguaje grandes (LLM) predicen la siguiente palabra en una frase. Dado el historial de implicación de un usuario, DLPR calcula la probabilidad de que el usuario se implique con cada elemento candidato. Aprende estas probabilidades de los patrones de navegación y compra de todos los usuarios en un sitio, no solo un usuario individual.

Desde comportamiento colectivo

DLPR no aprende solo de la ruta de un único usuario. Analiza las trayectorias de todos los usuarios en un sitio e identifica qué secuencias de acciones tienden a llevar a qué resultados. Cada nuevo usuario se beneficia de patrones aprendidos en toda su base de usuarios.

Alineado con su objetivo de negocio

DLPR tiene en cuenta la probabilidad de que un usuario se implique con un elemento y cuánto contribuye ese elemento a su objetivo de negocio. Para un objetivo de maximizar ingresos, los elementos que dirigen un valor de orden superior tienen más peso. El resultado son recomendaciones que son relevantes personalmente y alineadas con su objetivo.

Entradas de modelo

DLPR aprende de varios orígenes.

Señales de implicación

Interacciones vinculadas a su objetivo, como vistas de productos y compras para un recomendador de artículos, u ofrecer clics y canjes para un recomendador de promociones. Las señales de implicación también incluyen indicadores de intención de usuario como la exploración de categorías, las consultas de búsqueda y lo que se mostró frente a lo que se hizo clic. Cada recomendador alimenta a DLPR un conjunto diferente de señales de implicación.

Metadatos de catálogo

Atributos de elementos como título, descripción, categoría y marca. Los metadatos de catálogo ayudan a DLPR a comprender elementos que aún no tienen un historial de implicación enriquecido.

Salida de modelo

Para cada usuario, DLPR calcula una representación que resume la trayectoria del usuario. Puntúa cada elemento en el catálogo relevante en esa representación y devuelve los candidatos principales, ordenados por un cálculo de probabilidad y recompensa combinado.

DLPR genera recomendaciones en tiempo real durante la inferencia, y se reentrena regularmente para permanecer al día con los cambios en el comportamiento del usuario y los cambios de catálogo.

Consideraciones para recomendaciones de DLPR

La calidad de las recomendaciones de DLPR depende de los datos de implicación de los que ha aprendido y de la frecuencia con la que el modelo se vuelve a entrenar. Comprenda estas dinámicas de modo que pueda establecer expectativas y planificar ciclos de reciclaje.

• DLPR aprende de datos de implicación históricos para identificar qué dirige el comportamiento vinculado a su objetivo, como compras desencadenadas por promociones. Cuando los datos subyacentes cambian, como una revisión de catálogo, un turno de campaña importante o nuevos patrones de compra, el modelo tarda tiempo en alinearse con lo que ahora dirige el comportamiento deseado. La calidad de las recomendaciones mejora con cada ciclo de reciclaje a medida que el modelo se ajusta a los nuevos patrones.
• DLPR se vuelve a entrenar en una cadencia programada. La frecuencia específica varía en base al volumen de datos y la configuración de la unidad de negocio. Para encontrar su programación de actualización, haga contacto con su representante de Salesforce.