Usted está aquí:
Estrategias de inicio en frío para recomendaciones
Inicio en frío describe cualquier escenario donde un recomendador no tiene suficientes datos de implicación para personalizar con confianza. Inicio en frío es el único cambio automático que realiza el recomendador. Cada recomendador comienza en un inicio frío cuando la implicación es escasa y realiza la transición a la personalización completa a medida que se acumulan datos de implicación.
Escenarios de inicio en frío
- Nuevo sitio
- Un nuevo cliente incorpora o presenta un nuevo catálogo y no existe historial de implicación.
Para gestionar este escenario, el recomendador construye una comprensión de su catálogo a partir de su contenido, incluyendo títulos, descripciones, categorías y otros atributos. Estos atributos se convierten en incrustaciones semánticas que capturan el significado de cada elemento. Cuando un usuario interactúa con cualquier elemento, el recomendador devuelve elementos semánticamente similares.
- Nuevo elemento
- Un sitio establecido agrega elementos con los que ningún usuario interactuó aún. Los recomendadores tradicionales no pueden aflorar elementos sin historial de implicación.
DLPR está entrenado para utilizar tanto el historial de implicación como el contenido de catálogo. Para elementos con implicación, ambas señales contribuyen a la representación del elemento. Para nuevos elementos, el contenido del catálogo actúa como sustituto hasta que llegan los datos de implicación. Los nuevos elementos son aptos para recomendación de inmediato.
- Promoción y oferta sin historial de implicación
- Cuando recomienda promociones u ofertas pero tiene datos de implicación limitados sobre respuestas de usuarios, el recomendador utiliza metadatos de promociones para recomendar promociones similares semánticamente. Para obtener detalles, consulte Recomendadores de promociones y ofertas.
Cómo sale un recomendador de Inicio en frío
A medida que se acumulan datos de implicación, el recomendador evalúa continuamente si tiene suficiente señal para cambiar de inicio en frío a personalización completa. Cuando se alcanza el umbral, las futuras ejecuciones de entrenamiento utilizan datos de implicación y la lógica de inicio en frío retrocede.
La transición es automática. No configura un conmutador. A medida que madura su sitio, los usuarios ven una progresión fluida desde recomendaciones basadas en contenido a recomendaciones completamente personalizadas.
Directrices para su catálogo
Un catálogo bien estructurado hace que las recomendaciones tempranas sean efectivas.
- Proporcione títulos, descripciones, categorías y atributos completos para cada elemento.
- Mantenga los metadatos del catálogo actualizados cuando agregue nuevos productos y ofertas.
- No espere a la tracción en nuevos elementos: los elementos con buenos metadatos son aptos para recomendar inmediatamente.
