Apprentissage profond pour les recommandations personnalisées

Comment DLPR apprend

DLPR apprend à partir de la séquence complète d'actions des utilisateurs, pas à partir de clics isolés, en utilisant des modèles de comportement collectifs pour prédire l'engagement.

À partir de parcours utilisateur, pas de clics simples

Le comportement des utilisateurs est séquentiel. L'affichage d'une catégorie entraîne un clic sur un article, ce qui entraîne une action telle qu'ajouter au panier d'achat ou échanger une offre. Le DLPR traite le parcours complet comme une unité d'apprentissage unique.

Cette approche est similaire à la façon dont les grands modèles de langage (LLM) prédisent le mot suivant dans une phrase. Compte tenu de l'historique d'engagement d'un utilisateur, DLPR calcule la probabilité que l'utilisateur interagisse avec chaque élément candidat. Il apprend ces probabilités à partir des modèles de navigation et d'achat de tous les utilisateurs d'un site, pas seulement d'un utilisateur individuel.

Du comportement collectif

Le DLPR n'apprend pas à partir du parcours d'un seul utilisateur. Il analyse les parcours de tous les utilisateurs sur un site et identifie les séquences d'actions qui tendent à conduire à des résultats. Chaque nouvel utilisateur bénéficie des modèles appris dans l'ensemble de votre base d'utilisateurs.

Alignement sur votre objectif métier

Le DLPR prend en compte à la fois la probabilité qu'un utilisateur interagisse avec un élément et sa contribution à votre objectif métier. Pour optimiser le chiffre d'affaires, les articles qui génèrent une valeur de commande plus élevée ont plus de poids. Il en résulte des recommandations pertinentes sur le plan personnel et conformes à votre objectif.

Entrées du modèle

DLPR apprend de plusieurs sources.

Signaux d'engagement

Interactions liées à votre objectif, telles que les vues de produits et les achats d'un recommandeur d'articles, ou offres de clics et d'échanges pour un recommandeur de promotion. Les signaux d'engagement comprennent également des indicateurs d'intention utilisateur tels que la navigation dans les catégories, les requêtes de recherche et les éléments affichés par rapport aux éléments cliqués. Chaque recommandataire transmet au DLPR un ensemble de signaux d'engagement différent.

Métadonnées du catalogue

Attributs d'élément tels que titre, description, catégorie et marque. Les métadonnées du catalogue aident DLPR à comprendre les éléments qui n'ont pas encore un historique d'engagement enrichi.

Sortie du modèle

Pour chaque utilisateur, DLPR calcule une représentation qui résume le parcours de l'utilisateur. Il évalue chaque élément du catalogue correspondant par rapport à cette représentation et renvoie les meilleurs candidats, organisés par un calcul combiné de probabilité et de récompense.

DLPR génère des recommandations en temps réel pendant l'inférence, et se réentraîne régulièrement pour rester informé des changements de comportement des utilisateurs et des changements de catalogue.

Considérations relatives aux recommandations relatives aux DLPR

La qualité des recommandations du DLPR dépend des données d'engagement qu'il a apprises et de la fréquence de réentraînement du modèle. Comprenez ces dynamiques pour définir des attentes et planifier des cycles de recyclage.

• DLPR apprend à partir des données d'engagement historiques pour identifier les facteurs qui déterminent le comportement lié à votre objectif, par exemple les achats déclenchés par des promotions. Lorsque les données sous-jacentes changent, par exemple une refonte du catalogue, un changement majeur de campagne ou de nouveaux modèles d'achat, le modèle prend du temps pour s'adapter au comportement souhaité. La qualité des recommandations s'améliore à chaque cycle de réentraînement à mesure que le modèle s'adapte aux nouveaux modèles.
• DLPR se réentraîne à une cadence planifiée. La fréquence spécifique varie selon le volume de données et la configuration de l'unité commerciale. Pour retrouver votre planification d'actualisation, contactez votre représentant Salesforce.