Deep Learning for tilpassede anbefalinger

Slik lærer DLPR

DLPR lærer fra hele sekvensen av brukerhandlinger, ikke isolerte klikk, ved å bruke kollektive atferdsmønstre til å forutsi engasjement.

Fra brukerreiser, ikke enkeltklikk

Brukervirkemåten er sekvensiell. Visning av en kategori fører til å klikke på et element, noe som fører til en handling som å legge til i handlevogn eller løse inn et tilbud. DLPR behandler hele reisen som en enkelt læringsenhet.

Denne tilnærmingen ligner på hvordan store språkmodeller (LLM-er) forutsier det neste ordet i en setning. Gitt en brukers engasjementshistorikk beregner DLPR sannsynligheten for at brukeren vil engasjere seg med hvert kandidatelement. Den lærer disse sannsynlighetene fra nettlesings- og kjøpsmønstrene til alle brukere på et nettsted, ikke bare en enkeltbruker.

Fra kollektiv virkemåte

DLPR lærer ikke bare fra en enkelt brukers bane. Den analyserer reiser for alle brukere på et nettsted og identifiserer hvilke sekvenser av handlinger som har tendens til å føre til hvilke utfall. Hver ny bruker drar nytte av mønstre som er lært på tvers av hele brukerbasen.

Justert til forretningsmål

DLPR-faktorer påvirker både hvor sannsynlig en bruker er å engasjere seg i et element, og hvor mye dette elementet bidrar til forretningsmålene dine. For et maksimalt omsetningsmål har elementer som fører til høyere bestillingsverdi, mer vekt. Resultatet er anbefalinger som er både personlig relevante og i samsvar med målet ditt.

Modelinndata

DLPR lærer fra flere kilder.

Engasjementssignaler

Interaksjoner som er knyttet til målet ditt, som produktvisninger og kjøp for en artikkelanbefaling, eller tilbud om klikk og innløsing for en promoteringsanbefaling. Engasjementssignaler inkluderer også brukerhensiktsindikatorer som kategoribruk, søkespørringer og hva som ble vist kontra hva som ble klikket på. Hver anbefaling feeder DLPR et annet sett engasjementssignaler.

Katalogmetadata

Elementattributter som tittel, beskrivelse, kategori og merkeprofilering. Katalogmetadata hjelper DLPR med å forstå elementer som ennå ikke har en rik engasjementshistorikk.

Modellutdata

DLPR beregner en representasjon som oppsummerer brukerens reise for hver bruker. Den scorer alle elementer i den aktuelle katalogen mot denne representasjonen og returnerer de beste kandidatene, ordnet etter en kombinert beregning av sannsynlighet og belønn.

DLPR genererer anbefalinger i sanntid under utledningen, og lærer på nytt regelmessig for å holde seg oppdatert med skift i brukervirkemåte og katalogendringer.

Viktige punkter om DLPR-anbefalinger

Anbefalingskvalitet fra DLPR avhenger av engasjementsdataene den har lært fra og hvor ofte modellen lærer på nytt. Forstå disse dynamikkene slik at du kan angi forventninger og planlegge om nye opplæringssykluser.

• DLPR lærer fra historiske engasjementsdata for å identifisere hva som driver virkemåten knyttet til målet, som kjøp utløst av promoteringer. Når de underliggende dataene endres, som en katalogovervåking, et større kampanjeskift eller nye kjøpsmønstre, tar modellen tid til å justere på nytt til det som nå driver den ønskede virkemåten. Anbefalingskvaliteten forbedres med hver nye opplæringssyklus etter hvert som modellen justeres til de nye mønstrene.
• DLPR lærer på nytt etter en planlagt kadens. Den spesifikke frekvensen varierer basert på datavolum og forretningsenhetskonfigurasjon. Kontakt Salesforce-representanten for å finne oppdateringsplanen.