맞춤형 권장 사항을 위한 딥 러닝

개인 설정된 권장 사항을 위한 딥 러닝(DLPR)은 구성하는 모든 목표 기반 권장자를 지원하는 핵심 모델입니다. 사용자가 수행하는 참여 작업의 순서를 분석하고 사용자가 다음에 참여할 가능성이 가장 높은 항목을 예측하고 정의한 비즈니스 목표에 가중치를 부여합니다.

DLPR 학습 방법

DLPR은 집합적인 동작 패턴을 사용하여 참여를 예측하는 단독 클릭이 아닌 전체 사용자 작업 순서에서 학습합니다.

단일 클릭이 아닌 사용자 여정: 사용자 동작은 순차적입니다. 범주를 보면 항목을 클릭하면 장바구니에 추가하거나 제안을 사용할 수 있는 작업이 수행됩니다. DLPR은 전체 여정을 단일 학습 단위로 취급합니다.
이 접근 방식은 대규모 언어 모델(LLM)이 문장의 다음 단어를 예측하는 방식과 유사합니다. 사용자의 참여 내역을 기반으로 DLPR은 사용자가 각 후보 항목에 참여할 가능성을 계산합니다. 개별 사용자뿐만 아니라 사이트의 모든 사용자의 찾아보기 및 구매 패턴에서 이러한 확률을 학습합니다.
집합적 동작에서: DLPR은 단일 사용자의 경로에서만 학습하지 않습니다. 사이트의 모든 사용자의 여정을 분석하고 결과를 유발하는 경향이 있는 작업 순서를 식별합니다. 모든 신규 사용자는 전체 사용자 기반에서 학습된 패턴을 활용합니다.
비즈니스 목표에 맞춰 조정: DLPR은 사용자가 항목에 참여할 가능성과 해당 항목이 비즈니스 목표에 얼마나 기여하는지 모두에 영향을 미칩니다. 매출 극대화 목표의 경우 주문 가치를 높이는 항목에 더 많은 무게가 적용됩니다. 결과는 개인적으로 관련이 있고 목표에 부합하는 권장 사항입니다.

DLPR은 여러 소스에서 학습합니다.

참여 신호: 항목 추천자에 대한 제품 보기 및 구매와 같은 목표와 연결된 상호 작용 또는 프로모션 추천자에 대한 클릭 및 상환을 제공합니다. 참여 신호에는 범주 탐색, 검색 쿼리, 표시된 항목 및 클릭한 항목과 같은 사용자 의도 지표도 포함됩니다. 각 추천자는 DLPR에 다른 참여 신호 집합을 피드합니다.
카탈로그 메타데이터: 제목, 설명, 범주 및 브랜드와 같은 항목 특성입니다. 카탈로그 메타데이터를 사용하면 DLPR에서 아직 서식 있는 참여 내역이 없는 항목을 이해할 수 있습니다.

모든 사용자에 대해 DLPR은 사용자의 여정을 요약하는 표현을 계산합니다. 해당 표현에 대해 관련 카탈로그의 모든 항목에 점수를 매기고 결합된 확률 및 보상 계산 순서대로 상위 후보를 반환합니다.

DLPR은 추론 중에 권장 사항을 실시간으로 생성하고 사용자 동작 및 카탈로그 변경 사항의 교대 근무를 최신 상태로 유지하기 위해 정기적으로 재교육합니다.

DLPR의 권장 사항 품질은 학습한 참여 데이터 및 모델 재교육 빈도에 따라 다릅니다. 해당 동적을 이해하여 기대치를 설정하고 재교육 주기를 계획할 수 있습니다.

DLPR은 내역 참여 데이터에서 학습하여 프로모션으로 트리거된 구매와 같이 목표와 관련된 동작을 촉진하는 요인을 식별합니다. 카탈로그 점검, 주요 캠페인 교대 근무 또는 새 구매 패턴과 같은 기본 데이터가 변경되면 모델이 현재 원하는 동작을 유도하는 항목으로 재조정하는 데 시간이 소요됩니다. 모델이 새 패턴에 맞춰 조정되면 권장 사항 품질이 재교육 주기마다 향상됩니다.
DLPR은 예약된 케이던스에 대해 재교육합니다. 특정 빈도는 데이터 용량 및 사업부 구성에 따라 다릅니다. 새로 고침 일정을 찾으려면 Salesforce 담당자에게 문의하십시오.

이 기사를 통해 문제를 해결했습니까?

개선을 위한 의견을 보내주세요.