Feltárás
Fontos
2023. szeptember 20-tól nem hozhat létre új Personalizer-erőforrásokat. A Personalizer szolgáltatás 2026. október 1-jén megszűnik.
A feltárás során a Personalizer képes folyamatosan jó eredményeket elérni, még akkor is, ha a felhasználói viselkedés megváltozik.
Amikor a Personalizer ranghívást kap, egy RewardActionID azonosítót ad vissza, amely a következők valamelyikét adja vissza:
- Az aktuális gépi tanulási modell alapján az ismert relevancia alapján felel meg a legvalószínűbb felhasználói viselkedésnek.
- Olyan feltárást használ, amely nem egyezik meg azzal a műveletel, amelynek a legnagyobb a valószínűsége a rangsorban.
A Personalizer jelenleg epsilon greedy nevű algoritmust használ a felfedezéshez.
Feltárási beállítás kiválasztása
A feltáráshoz használandó forgalom százalékos arányát az Azure Portal Personalizer konfigurációs oldalán konfigurálhatja. Ez a beállítás határozza meg a feltárást végző Rank-hívások százalékos arányát.
A Personalizer meghatározza, hogy a modell legvalószínűbb műveletet vizsgálja-e meg vagy használja-e az egyes ranghívásokon. Ez eltér bizonyos A/B-keretrendszerek viselkedésétől, amelyek bizonyos felhasználói azonosítókon zárolják a kezelést.
Ajánlott eljárások a feltárási beállítás kiválasztásához
A feltárási beállítás kiválasztása üzleti döntés a felhasználói interakciók arányáról a modell továbbfejlesztése érdekében.
A nulla érték beállítása letiltja a Personalizer számos előnyét. Ezzel a beállítással a Personalizer nem használ felhasználói interakciókat a jobb felhasználói interakciók felderítéséhez. Ez a modell stagnálásához, sodródásához és végső soron alacsonyabb teljesítményhez vezet.
A túl magas beállítás letiltja a felhasználói viselkedésből való tanulás előnyeit. Ha 100%-ra állítja, az állandó véletlenszerűséghez vezethet, és a felhasználóktól tanult viselkedés nem befolyásolná az eredményt.
Fontos, hogy ne változtassa meg az alkalmazás viselkedését attól függően, hogy a Personalizer vizsgálja-e vagy használja-e a tanult legjobb műveletet. Ez olyan tanulási torzításokhoz vezetne, amelyek végső soron csökkentenék a potenciális teljesítményt.