Relevanzbewertungen geben den Erfolg der Personalisierung an.
Wichtig
Ab dem 20. September 2023 können Sie keine neuen Personalisierungsressourcen mehr erstellen. Der Personalisierungsdienst wird am 1. Oktober 2026 eingestellt.
Die Relevanzbewertung gibt an, wie gut die Personalisierungsauswahl – die RewardActionID – für den Benutzer war. Der Wert der Relevanzbewertung richtet sich nach Ihrer Geschäftslogik und basiert auf Beobachtungen zum Benutzerverhalten.
Die Personalisierung trainiert die eigenen Machine Learning-Modelle durch Auswertung der Relevanz.
Erfahren Sie, wie Sie den standardmäßigen Relevanzwert im Azure-Portal für Ihre Personalisierungsressource konfigurieren können.
Verwenden der Relevanz-API für die Bewertung der Personalisierung
Die Relevanzergebnisse werden mithilfe der Relevanz-API an die Personalisierung übermittelt. In der Regel wird die Relevanz als Zahl zwischen 0 und 1 angegeben. Ein negatives Relevanzergebnis mit dem Wert -1 ist in bestimmten Szenarien möglich und sollte nur verwendet werden, wenn Sie Erfahrung mit dem vertiefenden Lernen (Reinforcement Learning, RL) haben. Die Personalisierung trainiert das Modell, um im Lauf der Zeit die höchstmögliche Relevanzsumme zu erreichen.
Die Relevanzergebnisse werden nach dem Benutzerverhalten übermittelt, wobei ein Zeitraum von mehreren Tagen vergehen kann. Die maximale Zeitspanne, die die Personalisierung wartet, bevor ein Ereignis als ohne Relevanz oder als Standardrelevanz eingestuft wird, kann im Azure-Portal mit der Reward Wait Time (Relevanzwartezeit) konfiguriert werden.
Wenn die Relevanzbewertung für ein Ereignis nicht innerhalb der Reward Wait Time (Relevanzwartezeit) empfangen wurde, wird die Default Reward (Standardrelevanz) angewandt. In der Regel ist die Default Reward (Standardrelevanz) als 0 (null) konfiguriert.
Für Relevanz zu berücksichtigende Verhalten und Daten
Berücksichtigen Sie diese Signale und Verhalten für den Kontext der Relevanzbewertung:
- Direkte Benutzereingabe für Vorschläge, wenn es um Optionen geht („Meinen Sie X?“).
- Sitzungsdauer.
- Zeit zwischen Sitzungen.
- Standpunktanalyse der Interaktionen des Benutzers.
- Direkte Fragen und Mini-Umfragen, bei denen der Bot den Benutzer um Feedback bezüglich Nutzen und Richtigkeit bittet.
- Reaktion auf Warnungen oder Verzögerung bei Reaktion auf Warnungen.
Erstellen von Relevanzbewertungen
Ein Relevanzergebnis muss in der Geschäftslogik berechnet werden. Das Ergebnis kann wie folgt dargestellt werden:
- Eine einzelne Zahl, die einmal übermittelt wird
- Eine Bewertung (z. B. 0,8), die sofort übermittelt wird, und eine zusätzliche Bewertung (in der Regel 0,2), die später gesendet wird
Standardrelevanz
Wenn innerhalb der Reward Wait Time (Relevanzwartezeit) seit dem Aufruf für die Priorisierung kein Relevanzergebnis empfangen wird, wendet die Personalisierung implizit die Default Reward (Standardrelevanz) an, um diesem Ereignis einen Rang zuzuweisen.
Erstellen von Relevanzen mit mehreren Faktoren
Für eine effektive Personalisierung können Sie für die Relevanzbewertung mehrere Faktoren zugrunde legen.
Sie können z. B. die folgenden Regeln für die Personalisierung einer Liste von Videoinhalten anwenden:
Benutzerverhalten | Partieller Bewertungswert |
---|---|
Der Benutzer hat auf das oberste Element geklickt. | Relevanz + 0,5 |
Der Benutzer hat den eigentlichen Inhalt des Elements geöffnet. | Relevanz + 0,3 |
Der Benutzer hat sich 5 Minuten oder 30 % des Inhalts angesehen (je nachdem, was länger ist). | Relevanz + 0,2 |
Anschließend können Sie die Summe der Relevanzwerte an die API senden.
Mehrfaches Aufrufen der Relevanz-API
Sie können die Relevanz-API auch mit derselben Ereignis-ID aufrufen und dabei unterschiedliche Relevanzbewertungen übermitteln. Wenn die Personalisierung diese Relevanzwerte empfängt, bestimmt sie die abschließende Relevanz für dieses Ereignis durch Aggregieren der Werte gemäß der Konfiguration der Personalisierung.
Aggregationswerte:
- First (Erste): Die erste empfangene Relevanzbewertung für das Ereignis wird angewendet, alle späteren werden verworfen.
- Sum (Summe): Alle für die eventId erfassten Relevanzbewertungen werden übernommen und addiert.
Sämtliche nach der Reward Wait Time (Relevanzwartezeit) empfangenen Bewertungen für ein Ereignis werden verworfen und nicht in das Training von Modellen einbezogen.
Durch die Addition der Relevanzbewertungen kann das Endergebnis für die Relevanz außerhalb des erwarteten Bewertungsbereichs liegen. Dies führt nicht zu einem Fehler beim Dienst.
Bewährte Methoden für die Berechnung von Relevanzbewertungen
Verwenden Sie geeignete Indikatoren für eine erfolgreiche Personalisierung: Auch wenn es so scheint, als seien Klicks ein gutes Kriterium, hängt ein gutes Relevanzergebnis davon ab, was die Benutzer erreichen sollen – und nicht davon, was sie machen sollen. Beispielsweise kann eine Relevanz auf der Grundlage von Klicks zur Auswahl von Inhalten führen, die lediglich Clickbait darstellen.
Verwenden Sie eine Relevanzbewertung, um die Qualität der Personalisierung einzuschätzen: : Das Personalisieren einer Filmempfehlung soll nach Möglichkeit bewirken, dass sich der Benutzer den Film ansieht und eine hohe Bewertung für ihn abgibt. Da die Filmbewertung wahrscheinlich von vielen Dingen abhängt (Qualität der Schauspieler, Stimmung des Benutzers), stellt sie kein gutes Kriterium für die Relevanz der Personalisierung dar. Ein Benutzer, der sich die ersten Minuten des Films ansieht, stellt jedoch ein besseres Kriterium für die Effektivität der Personalisierung dar, sodass die Übermittlung der Relevanzbewertung 1 nach 5 Minuten ein besseres Signal darstellt.
Die Relevanz gilt ausschließlich für die RewardActionID: Die Personalisierung wendet die Relevanz an, um die Wirksamkeit der in der RewardActionID angegebenen Aktion zu verstehen. Wenn Sie andere Aktionen anzeigen und Benutzer*innen diese auswählen, sollte die Relevanz 0 (null) sein.
Berücksichtigen Sie unbeabsichtigte Folgen: Erstellen Sie Relevanzfunktionen, die zu fundierten Ergebnissen auf der Basis von Ethik und verantwortungsvoller Verwendung führen.
Nutzen Sie inkrementelle Relevanzwerte: Das Addieren partieller Relevanzwerte für weniger bedeutsames Benutzerverhalten kann zu einer höheren Gesamtrelevanz durch die Personalisierung führen. Durch diese inkrementelle Relevanz wissen Algorithmen, wann der richtige Zeitpunkt ist, um den Benutzer an das gewünschte Verhalten heranzuführen.
- Wenn Sie eine Liste mit Filmen präsentieren und der Benutzer eine Weile mit der Maus auf den ersten Film zeigt, um Informationen anzuzeigen, wissen Sie, dass eine gewisse Benutzerbindung eingesetzt hat. Das Verhalten kann mit einer Relevanzbewertung von 0,1 gewertet werden.
- Wenn der Benutzer die Seite geöffnet und dann geschlossen hat, kann das Relevanzergebnis 0,2 lauten.
Belohnungswartezeit
Die Personalisierung korreliert die Informationen eines Rangfolgeaufrufs mit den Relevanzwerten, die in Relevanzaufrufen zum Trainieren des Modells übermittelt wurden. Diese können zu unterschiedlichen Zeiten eingehen. Die Personalisierung wartet ab dem entsprechenden Rangfolgeaufruf eine bestimmte Zeit lang auf die Relevanzbewertung. Dies ist auch dann der Fall, wenn der Rangfolgeaufruf mit [aufgeschobener Aktivierung](concept-active-inactive-events.md) erfolgt ist.
Wenn die Relevanzwartezeit abgelaufen ist und keine Relevanzinformationen eingegangen sind, erhält dieses Ereignis für das Training die Standardrelevanz. Sie können eine Relevanzwartezeit von 10 Minuten, 4 Stunden, 12 Stunden oder 24 Stunden auswählen. Wenn Ihr Szenario längere Relevanzwartezeiten erfordert (z. B. für E-Mail-Marketingkampagnen), steht Ihnen eine private Vorschau mit längeren Wartezeiten zur Verfügung. Erstellen Sie ein Supportticket im Azure-Portal, um sich mit dem Team in Verbindung zu setzen und zu erfahren, ob Sie für das Angebot qualifiziert sind und es Ihnen angeboten werden kann.
Bewährte Methoden für die Belohnungswartezeit
Befolgen Sie diese Empfehlungen für bessere Ergebnisse.
Legen Sie die Relevanzwartezeit so kurz wie möglich fest. Sie sollte jedoch ausreichen, um Feedback vom Benutzer zu erhalten.
Wählen Sie keine Dauer unterhalb der für Feedback erforderlichen Zeit aus. Wenn einige Ihrer Relevanzbewertungen eingehen, nachdem ein Benutzer eine Minute eines Videos angesehen hat, sollte das Experiment mindestens doppelt so lang dauern.