个性化推荐的深度学习

DLPR 如何学习

DLPR 从完整的用户操作序列中学习，而不是孤立的点击，使用集体行为模式来预测参与。

来自用户旅程，而不是单击

用户行为具有顺序性。查看类别会导致单击项目，这将导致添加到购物车或兑换优惠等操作。DLPR 将整个旅程视为一个学习单元。

这种方法类似于大型语言模型 (LLM) 预测句子中下一个单词的方式。根据用户的参与历史，DLPR 会计算用户参与每个候选项目的概率。它从站点上所有用户的浏览和购买模式中学习这些概率，而不仅仅是单个用户。

从集体行为

DLPR 不仅仅从单个用户的路径中学习。它分析站点上所有用户的过程，并确定哪些操作序列倾向于导致哪些结果。每个新用户都会从整个用户群中学习的模式中受益。

与业务目标保持一致

DLPR 会考虑用户参与项目的可能性，以及该项目对业务目标的贡献。对于最大化-收入目标，提高订单价值的项目具有更大的权重。结果是既与您的个人相关又与您的目标一致的推荐。

模型输入

DLPR 从几个来源学习。

参与信号

与您的目标相关联的交互，例如产品视图和商品推荐人的购买，或者为促销推荐人提供点击和兑换。参与信号还包括用户意图指示符，例如类别浏览、搜索查询以及显示的内容与单击的内容。每个推荐人向 DLPR 提供一组不同的参与信号。

目录元数据

标题、描述、类别和品牌等项目属性。目录元数据帮助 DLPR 了解还没有丰富参与历史的项目。

模型输出

对于每个用户，DLPR 会计算汇总用户旅程的表示。它根据该表示对相关目录中的每个项目进行评分，并返回热门候选人，按可能性和奖励计算的组合排序。

DLPR 在推理期间实时生成推荐，并定期重新训练，以跟上用户行为和目录变化的变化。

DLPR 建议的注意事项

来自 DLPR 的推荐质量取决于它从中提取的参与数据以及模型重新训练的频率。了解这些动态，以便您可以设定预期并计划再培训周期。

• DLPR 从历史参与数据中学习，识别是什么推动了与您的目标相关联的行为，例如促销触发的购买。当基础数据发生变化时，例如目录大修、重大市场活动转变或新的购买模式，模型需要时间来与现在推动目标行为的因素保持一致。随着模型适应新模式，推荐质量会随着每个再培训周期而提高。
• DLPR 会按计划的节奏重新训练。特定频率因数据量和业务单位配置而异。要查找刷新计划，请联系 Salesforce 代表。