Kde a jak používat Personalizace
Důležité
Od 20. září 2023 nebudete moct vytvářet nové prostředky personalizace. Služba Personalizace se vyřadí z provozu 1. října 2026.
Personalizace se používá v libovolné situaci, kdy vaše aplikace potřebuje vybrat správnou akci (obsah), která se má zobrazit – aby se prostředí zlepšilo, dosáhla lepších obchodních výsledků nebo zlepšila produktivitu.
Personalizace používá k výběru akce (obsahu) uživatele zpětnovazební učení. Výběr se může výrazně lišit v závislosti na množství, kvalitě a distribuci dat odeslaných do služby.
Příklady případů použití pro Personalizace
- Vysvětlení záměru a nejednoznačnost: Pomozte uživatelům, aby měli lepší prostředí, když jejich záměr není jasný tím, že poskytnete možnost, která je přizpůsobená.
- Výchozí návrhy nabídek a možností: Požádejte robota, aby jako první krok navrhl nejpravděpodobnější položku jako první krok místo prezentování neosobní nabídky nebo seznamu alternativ.
- Vlastnosti robota a tón: u robotů, kteří můžou měnit tón, úroveň podrobností a styl psaní, zvažte různé vlastnosti.
- Obsah oznámení a upozornění: Rozhodněte se, jaký text se má použít pro výstrahy, aby se uživatelé mohli více zapojit.
- Časování oznámení a upozornění: Přizpůsobené učení o tom, kdy posílat oznámení uživatelům, aby je mohli zapojit více.
Očekávání potřebná k používání personalizace
Personalizace můžete použít v situacích, kdy se setkáte nebo můžete implementovat následující pokyny.
| Pokyn | Vysvětlení |
|---|---|
| Obchodní cíl | Pro vaši aplikaci máte cíl podnikání nebo použitelnosti. |
| Obsah | Ve své aplikaci máte místo, kde provedete kontextové rozhodnutí, co se má uživatelům ukázat, zlepší tento cíl. |
| Množství obsahu | Pro každou volání máte méně než 50 akcí. |
| Agregace dat | Nejlepší volba je a měla by se naučit z chování kolektivního uživatele a celkového skóre odměny. |
| Etické použití | Použití strojového učení pro přizpůsobení se řídí zodpovědnými pokyny a volbami, které jste zvolili. |
| Nejlepší jedna možnost | Kontextové rozhodnutí lze vyjádřit jako nejlepší možnost (akci) z omezené sady voleb. |
| Výsledek skóre | Jak dobře funguje seřazená volba pro vaši aplikaci, je možné určit měřením určitého aspektu chování uživatele a vyjádřením skóre odměny. |
| Relevantní časování | Skóre odměny nepřináší příliš mnoho zavádějících nebo externích faktorů. Doba trvání experimentu je dostatečně nízká, aby bylo možné vypočítat skóre odměny, i když je stále relevantní. |
| Dostatečné kontextové funkce | Kontext pro pořadí můžete vyjádřit jako seznam alespoň 5 funkcí , které by podle vás pomohly zvolit správnou volbu a neobsahují identifikovatelné informace specifické pro uživatele. |
| Dostatečné funkce akcí | Máte informace o každé volbě obsahu, akci, jako seznam aspoň 5 funkcí , které si myslíte, že vám pomůže personalizace zvolit správnou volbu. |
| Denní data | Existuje dostatek událostí, které by zůstaly nad optimálním přizpůsobením, pokud se problém v průběhu času posune (například předvolby v novinkách nebo módě). Personalizace se bude přizpůsobovat nepřetržité změně v reálném světě, ale výsledky nebudou optimální, pokud není dostatek událostí a dat, ze které by se mohli učit, aby se objevili a uspokojili s novými vzory. Měli byste zvolit případ použití, ke kterému dochází dostatečně často. Zvažte hledání případů použití, ke kterým dochází nejméně 500krát denně. |
| Historická data | Vaše aplikace může uchovávat data dostatečně dlouho, aby se shromáždila historie nejméně 100 000 interakcí. Díky tomu může Personalizace shromažďovat dostatek dat k provádění offline vyhodnocení a optimalizace zásad. |
Nepoužívejte personalizaci , kde individuální chování není něco, co je možné zjistit ve všech uživatelích. Například použití personalizace k navržení první objednávky pizzy ze seznamu 20 možných položek nabídky je užitečné, ale který kontakt pro volání ze seznamu kontaktů uživatelů při vyžadování pomoci se péče o děti (například "Babička") není něco, co je personalizovatelné napříč vaší uživatelskou základnou.
Jak používat personalizaci ve webové aplikaci
Přidání smyčky výuky do webové aplikace zahrnuje:
- Určete, jaké prostředí si můžete přizpůsobit, jaké akce a funkce máte, jaké kontextové funkce použít a jakou odměnu nastavíte.
- Přidejte do aplikace odkaz na sadu SDK pro přizpůsobení.
- Rozhraní Rank API volejte, až budete připraveni k přizpůsobení.
- Uložte ID události. Později pošlete odměnu pomocí rozhraní API odměny.
- Jakmile si budete jistí, že uživatel viděl vaši přizpůsobenou stránku, zavolejte na tuto událost.
- Počkejte na výběr seřazeného obsahu uživatelem.
- Voláním rozhraní API odměny určete, jak dobře byl výstup rozhraní API pořadí.
Jak používat personalizaci s chatovacím robotem
V tomto příkladu se dozvíte, jak pomocí přizpůsobení vytvořit výchozí návrh místo toho, abyste uživateli posílali řadu nabídek nebo voleb pokaždé.
- Získejte kód pro tuto ukázku.
- Nastavte řešení robota. Nezapomeňte publikovat aplikaci LUIS.
- Správa volání rozhraní Rank a Rewards API pro robota
- Přidejte kód pro správu zpracování záměru LUIS. Pokud se jako hlavní záměr vrátí žádný nebo je skóre nejvyššího záměru nižší než prahová hodnota obchodní logiky, odešlete seznam záměrů personalizaci k určení pořadí záměrů.
- Zobrazit seznam záměrů uživateli jako vybratelné odkazy s prvním záměrem, který je nejlépe seřazeným záměrem z odpovědi rozhraní Rank API.
- Zaznamenejte výběr uživatele a odešlete ho do volání rozhraní API odměny.
Doporučené vzory robotů
- Proveďte volání rozhraní API pro přizpůsobení služby Personalizace pokaždé, když je potřeba nejednoznačnost, na rozdíl od ukládání výsledků do mezipaměti pro každého uživatele. Výsledek nejednoznačného záměru se může v průběhu času u jedné osoby změnit a umožnit rozhraní Rank API prozkoumat odchylky, urychlí celkové učení.
- Zvolte interakci, která je společná s mnoha uživateli, abyste měli dostatek dat k přizpůsobení. Například úvodní otázky můžou být vhodnější než menší objasnění v grafu konverzací, ke kterému se může dostat jenom několik uživatelů.
- Pomocí volání rozhraní Rank API povolte "první návrh je správný" konverzace, kde se uživateli zobrazí dotaz "Chcete X?" nebo "Myslíte si X?" a uživatel může jenom potvrdit; na rozdíl od poskytnutí možností uživateli, kde si musí vybrat z nabídky. Například Uživatel:"Chci objednat kávu" Bot:"Chcete dvojité espresso?". Tímto způsobem je signál odměny také silný, protože se týká přímo jednoho návrhu.
Jak používat personalizaci s řešením doporučení
Mnoho společností používá nástroje pro doporučování, marketingové nástroje a kampaně, segmentaci cílových skupin a clustering, filtrování spolupráce a další prostředky k doporučování produktů z velkého katalogu zákazníkům.
Úložiště Microsoft Recommenders na GitHubu poskytuje příklady a osvědčené postupy pro vytváření systémů doporučení, které jsou k dispozici jako poznámkové bloky Jupyter. Poskytuje pracovní příklady pro přípravu dat, vytváření modelů, vyhodnocování, ladění a zprovoznění modulů doporučení pro mnoho běžných přístupů, včetně xDeepFM, SAR, ALS, RBM, DKN.
Personalizace může pracovat s modulem doporučení, když je k dispozici.
- Moduly doporučení berou velké množství položek (například 500 000) a doporučují podmnožinu (například prvních 20) ze stovek nebo tisíců možností.
- Personalizace provádí malý počet akcí s mnoha informacemi o nich a řadí je v reálném čase pro daný bohatý kontext, zatímco většina doporučení moduly používají jen několik atributů o uživatelích, produktech a jejich interakcích.
- Personalizace je navržená tak, aby po celou dobu nezávisle prozkoumala předvolby uživatelů, což přináší lepší výsledky, kdy se obsah rychle mění, například zprávy, živé události, živý komunitní obsah, obsah s denními aktualizacemi nebo sezónní obsah.
Běžným použitím je provést výstup modulu doporučení (například prvních 20 produktů pro určitého zákazníka) a použít ho jako vstupní akce personalizace.
Přidání bezpečnostních opatření obsahu do aplikace
Pokud vaše aplikace umožňuje velké odchylky v obsahu zobrazeném uživatelům a některé z nich můžou být pro některé uživatele nebezpečné nebo nevhodné, měli byste předem naplánovat, abyste měli jistotu, že jsou zavedená správná bezpečnostní opatření, aby se uživatelům zabránilo v zobrazení nepřijatelného obsahu. Nejlepším vzorem pro implementaci ochranných opatření je: * Získejte seznam akcí, které se mají zařadit. * Vyfiltrujte ty, které nejsou pro cílovou skupinu přijatelné. * Tyto realizovatelné akce seřadí pouze do pořadí. * Zobrazí nejvyšší seřazenou akci uživateli.
V některých architekturách může být implementace výše uvedené sekvence obtížná. V takovém případě existuje alternativní přístup k implementaci ochranných opatření po hodnocení, ale je třeba provést ustanovení, aby akce, které spadají mimo ochranu, nebyly použity k trénování modelu Personalizace.
- Získejte seznam akcí, které se mají zařadit, s deaktivovaným učením.
- Akce pořadí.
- Zkontrolujte, jestli je nejlepší akce realizovatelná.
- Pokud je nejlepší akce realizovatelná, aktivujte výuku pro toto pořadí a zobrazte ho uživateli.
- Pokud hlavní akce není proveditelná, neaktivujte učení pro toto hodnocení a rozhodněte se pomocí vlastní logiky nebo alternativních přístupů, co se má uživateli ukázat. I když použijete druhou nejlépe seřazenou možnost, neaktivujte učení pro toto hodnocení.