個人化建議的深入學習

DLPR 學習方式

DLPR 會使用集合行為模式來預估參與,從使用者動作的完整序列中學習,而非單獨的點擊。

進入使用者旅程,而非按幾下滑鼠

使用者行為是依序的。檢視種類會導致按一下項目,這會導致動作,例如新增至手推車或兌換優惠。DLPR 將整個旅程視為單一學習單位。

此方法與大型語言模型 (LLM) 在句子中預估下一個字的方式類似。根據使用者的參與歷程記錄,DLPR 會計算使用者將參與每個候選項目的可能性。它會從網站上所有使用者的瀏覽和購買模式學習這些可能性,而不只是個別使用者的瀏覽和購買模式。

從集合行為

DLPR 不僅能從單一使用者的路徑中學習。它會分析網站上所有使用者的旅程,並識別哪些動作序列可能導致哪些成果。每個新使用者都會從整個使用者群所學的模式中獲益。

符合您的業務目標

DLPR 會影響使用者參與項目的可能性,以及該項目對您業務目標的貢獻程度。針對收入最大化的目標,驅動訂單值較高的項目會承載較大的重量。結果是個人相關且符合您目標的建議。

模式輸入

DLPR 會從數個來源中學習。

參與訊號

與您的目標相關聯的互動,例如項目建議者的產品檢視和購買,或為促銷建議者提供點擊與兌換。參與訊號也包含使用者意圖指標,例如種類瀏覽、搜尋查詢,以及顯示的項目和點擊的項目。每個建議者都會為 DLPR 提供不同的參與訊號集。

目錄中繼資料

項目屬性,例如標題、描述、種類和品牌。目錄中繼資料可協助 DLPR 瞭解尚未擁有豐富參與歷程記錄的項目。

模型輸出

針對每個使用者,DLPR 會計算摘要使用者旅程的表示。它會根據該表示來評分相關目錄中的每個項目,並傳回首要候選項目,依據可能性和獎勵計算組合排序。

DLPR 會在推斷期間即時產生建議,並定期重新訓練以隨時掌握使用者行為和目錄變更的變化。

DLPR 建議的考量事項

DLPR 的建議品質取決於其學習的參與資料,以及模型重新訓練的頻率。瞭解這些動態,讓您可以設定期望並規劃重新訓練週期。

• DLPR 會從歷程記錄參與資料中學習,以識別與目標繫結的行為推動因素,例如促銷所觸發的購買。當基本資料變更時 (例如目錄重設、主要行銷活動排班或新的購買模式),模型會花費時間重新調整現在推動所需行為的狀況。當模型調整至新模式時,建議品質會隨著每個重新訓練週期改善。
• DLPR 會依照排程的步調重新訓練。特定頻率會根據資料量與業務單位組態而有所不同。若要尋找重新整理排程,請連絡您的 Salesforce 代表。