Você está aqui:
Estratégias de início frio para recomendações
Início frio descreve qualquer cenário em que um recomendador não tenha dados de engajamento suficientes para personalizar com confiança. O início a frio é a única alternância automática que o recomendador faz. Cada recomendador começa em um começo frio quando o engajamento é escasso e passa para a personalização total conforme os dados de engajamento se acumulam.
Cenários de início frio
- Novo site
- Um cliente novo é integrado ou introduz um novo catálogo e nenhum histórico de engajamento existe.
Para lidar com esse cenário, o recomendador cria uma compreensão do seu catálogo com base no conteúdo, incluindo títulos, descrições, categorias e outros atributos. Esses atributos são convertidos em integrações semânticas que capturam o significado de cada item. Quando um usuário interage com qualquer item, o recomendador retorna itens semelhantes semanticamente.
- Novo item
- Um site estabelecido adiciona itens com os quais nenhum usuário interagiu ainda. Os recomendadores tradicionais não podem detectar itens sem o histórico de engajamento.
O DLPR é treinado para usar o histórico de engajamento e o conteúdo do catálogo. Para itens com engajamento, ambos os sinais contribuem para a representação do item. Para novos itens, o conteúdo do catálogo atua como um stand-in até que os dados de engajamento cheguem. Novos itens são elegíveis para recomendação imediatamente.
- Promoção e oferta sem histórico de engajamento
- Quando você recomenda promoções ou ofertas, mas tem dados de engajamento limitados nas respostas do usuário, o recomendador usa metadados de promoção para recomendar promoções semelhantes semanticamente. Para obter mais detalhes, consulte Recomendadores de promoção e oferta.
Como um Recomendador sai de início frio
Conforme os dados de engajamento se acumulam, o recomendador avalia continuamente se ele tem um sinal suficiente para mudar de início frio para personalização completa. Quando o limite é atendido, as execuções de treinamento futuras usam dados de engajamento e a lógica de início frio retorna.
A transição é automática. Você não configura uma alternância. Conforme seu site amadurece, os usuários veem um progresso tranquilo de recomendações baseadas em conteúdo para recomendações totalmente personalizadas.
Orientação para seu catálogo
Um catálogo bem estruturado torna as recomendações iniciais efetivas.
- Forneça títulos, descrições, categorias e atributos completos para cada item.
- Mantenha os metadados do catálogo atualizados à medida que você adiciona novos produtos e ofertas.
- Não espere tração em novos itens – os itens com bons metadados são elegíveis para recomendação imediata.
