Rövid útmutató: Personalizer ügyféloldali kódtár

Cikk
10/16/2024

Fontos

2023. szeptember 20-tól nem hozhat létre új Personalizer-erőforrásokat. A Personalizer szolgáltatás 2026. október 1-jén megszűnik.

Ismerkedés az Azure AI Personalizer ügyfélkódtáraival egy alapszintű tanulási ciklus beállításához. A tanulási ciklus a döntések és a visszajelzések rendszere: az alkalmazás döntési rangsort kér a szolgáltatástól, majd a legmagasabb rangsorolt választást használja, és kiszámítja a jutalompontszámot az eredményből. Visszaadja a jutalompontot a szolgáltatásnak. A Personalizer idővel AI-algoritmusokkal hoz jobb döntéseket az adott környezethez. Kövesse az alábbi lépéseket egy mintaalkalmazás beállításához.

Példaforgatókönyv

Ebben a rövid útmutatóban egy élelmiszerbolt e-kiskereskedő növelni szeretné a bevételt azáltal, hogy releváns és személyre szabott termékeket jelenít meg az egyes ügyfeleknek a webhelyén. A főoldalon található egy "Kiemelt termék" szakasz, amely egy előkészített étkezési terméket jelenít meg a leendő ügyfeleknek. Az e-kiskereskedő szeretné meghatározni, hogyan jelenítheti meg a megfelelő terméket a megfelelő ügyfélnek, hogy maximalizálja a vásárlás valószínűségét.

A Personalizer szolgáltatás automatizált, skálázható és adaptálható módon oldja meg ezt a problémát a megerősítési tanulás használatával. Megtudhatja, hogyan hozhat létre műveleteket és azok funkcióit, környezeti funkcióit és jutalompontszámait. A Personalizer ügyfélkódtár használatával hívásokat kezdeményezhet a Rank és Reward API-khoz.

Referenciadokumentáció Kódtár forráskódcsomagja | (NuGet) | .NET-kódminta |

Előfeltételek

Azure-előfizetés – Ingyenes létrehozás
A .NET Core aktuális verziója.
Miután megkapta az Azure-előfizetését, hozzon létre egy Personalizer-erőforrást az Azure Portalon a kulcs és a végpont lekéréséhez. Az üzembe helyezés után válassza az Ugrás az erőforrásra lehetőséget.
- Az alkalmazás a Personalizer API-hoz való csatlakoztatásához szüksége lesz a létrehozott erőforrás kulcsára és végpontjára. A rövid útmutató későbbi részében illessze be a kulcsot és a végpontot az alábbi kódba.
- Az ingyenes tarifacsomag (F0) használatával kipróbálhatja a szolgáltatást, és később frissíthet egy fizetős szintre az éles környezetben.

Modellkonfiguráció

A modellfrissítés gyakoriságának módosítása

Az Azure Portalon nyissa meg a Personalizer-erőforrás konfigurációs oldalát, és módosítsa a modellfrissítés gyakoriságát 30 másodpercre. Ez a rövid időtartam gyorsan betaníthatja a modellt, így láthatja, hogyan változik az egyes iterációkhoz javasolt művelet.

Modellfrissítés gyakoriságának módosítása

A jutalom várakozási idejének módosítása

Az Azure Portalon nyissa meg a Personalizer-erőforrás konfigurációs oldalát, és módosítsa a Reward várakozási idejét 10 percre. Ez határozza meg, hogy a modell mennyi ideig fog várni a javaslat elküldése után, hogy megkapja a javaslat jutalom-visszajelzését. A betanítás addig nem történik meg, amíg a jutalom várakozási ideje el nem telik.

Jutalom várakozási idejének módosítása

Új C#-alkalmazás létrehozása

Hozzon létre egy új .NET Core-alkalmazást az előnyben részesített szerkesztőben vagy IDE-ben.

Egy konzolablakban (például parancsmag, PowerShell vagy Bash) a dotnet new paranccsal hozzon létre egy új konzolalkalmazást a névvel personalizer-quickstart. Ez a parancs létrehoz egy egyszerű "„Helló világ!” alkalmazás" C# projektet egyetlen forrásfájllal: Program.cs.

dotnet new console -n personalizer-quickstart

Módosítsa a könyvtárat az újonnan létrehozott alkalmazásmappára. Ezután hozza létre az alkalmazást a következőkkel:

dotnet build

A buildkimenet nem tartalmazhat figyelmeztetést vagy hibát.

...
Build succeeded.
 0 Warning(s)
 0 Error(s)
...

Telepítse az ügyfélkódtárat

Az alkalmazáskönyvtárban telepítse a .NET-hez készült Personalizer ügyfélkódtárat a következő paranccsal:

dotnet add package Microsoft.Azure.CognitiveServices.Personalizer --version 1.0.0

Tipp.

Ha a Visual Studio IDE-t használja, az ügyfélkódtár letölthető NuGet-csomagként érhető el.

1. kódblokk: Mintaadatok létrehozása

A Personalizer valós idejű adatokat fogadó és értelmező alkalmazásokon fut. Ebben a rövid útmutatóban mintakód használatával hozhat létre képzeletbeli ügyfélműveleteket egy élelmiszerbolt webhelyén. A következő kódblokk három fő metódust határoz meg: GetActions, GetContext és GetRewardScore.

A GetActions visszaadja azokat a választási lehetőségeket, amelyeket az élelmiszerbolt webhelyének rangsorolnia kell. Ebben a példában a műveletek étkezési termékek. Minden műveletválasztás olyan részletekkel (funkciókkal) rendelkezik, amelyek később befolyásolhatják a felhasználói viselkedést. A műveletek bemenetként szolgálnak a Rank API-hoz
A GetContext szimulált ügyféllátogatásokat ad vissza. Véletlenszerű részleteket (környezeti jellemzőket) választ ki, például azt, hogy melyik ügyfél van jelen, és hogy a látogatás milyen időpontban történik. A környezet általában az alkalmazás, a rendszer, a környezet vagy a felhasználó aktuális állapotát jelöli. A környezeti objektumot a Rank API bemeneteként használja a rendszer.

A rövid útmutató környezetfunkciói egyszerűek. Egy valós éles rendszerben azonban fontos a funkciók megtervezése és a hatékonyságuk értékelése. Útmutatásért tekintse meg a csatolt dokumentációt.
A GetRewardScore egy nulla és egy közötti pontszámot ad vissza, amely egy ügyfél-interakció sikerességét jelzi. Egyszerű logikával határozza meg, hogy a különböző környezetek hogyan reagálnak a különböző műveleti lehetőségekre. Például egy bizonyos felhasználó mindig 1.0-t ad vegetáriánus és vegán termékekhez, és 0,0-t más termékekhez. Egy valós forgatókönyvben a Personalizer a Rank és Reward API-hívásokban küldött adatokból tanulja meg a felhasználói beállításokat. Ezeket nem fogja explicit módon definiálni, mint a példakódban.

Egy valós éles rendszerben a jutalompontszámot úgy kell megtervezni, hogy megfeleljen az üzleti céloknak és a KPI-knek. A jutalommetrika kiszámításának meghatározása némi kísérletezést igényelhet.

Az alábbi kódban a felhasználók preferenciái és a műveletekre adott válaszok szigorúan feltételes utasítások sorozataként lesznek kódelve, és magyarázó szöveg szerepel a kódban szemléltető célokra.

Keresse meg a kulcsot és a végpontot.

Fontos

Nyissa meg az Azure Portalt. Ha az Előfeltételek szakaszban létrehozott Personalizer-erőforrás sikeresen üzembe lett helyezve, kattintson az Ugrás az erőforrásra gombra a Következő lépések csoportban. A kulcsot és a végpontot az erőforrás kulcs- és végpontoldalán, az erőforrás-kezelés alatt találja.

Ne felejtse el eltávolítani a kulcsot a kódból, amikor elkészült, és soha ne tegye közzé nyilvánosan. Éles környezetben fontolja meg a hitelesítő adatok biztonságos tárolását és elérését. Például az Azure Key Vault.

Nyissa meg a Program.cs egy szövegszerkesztőben vagy IDE-ben, és illessze be a következő kódot.

using Microsoft.Azure.CognitiveServices.Personalizer;
using Microsoft.Azure.CognitiveServices.Personalizer.Models;

class Program
{
    private static readonly string ApiKey = "REPLACE_WITH_YOUR_PERSONALIZER_KEY";
    private static readonly string ServiceEndpoint = "REPLACE_WITH_YOUR_ENDPOINT_URL";

    static PersonalizerClient InitializePersonalizerClient(string url)
    {
        PersonalizerClient client = new PersonalizerClient(
            new ApiKeyServiceClientCredentials(ApiKey))
        { Endpoint = url };

        return client;
    }

    static Dictionary<string, ActionFeatures> actions = new Dictionary<string, ActionFeatures>
    {
    {"pasta", new ActionFeatures(
                    new BrandInfo(company: "pasta_inc"),
                    new ItemAttributes(
                        quantity: 1,
                        category: "Italian",
                        price: 12),
                    new DietaryAttributes(
                        vegan: false,
                        lowCarb: false,
                        highProtein: false,
                        vegetarian: false,
                        lowFat: true,
                        lowSodium: true))},
    {"bbq", new ActionFeatures(
                    new BrandInfo(company: "ambisco"),
                    new ItemAttributes(
                        quantity: 2,
                        category: "bbq",
                        price: 20),
                    new DietaryAttributes(
                        vegan: false,
                        lowCarb: true,
                        highProtein: true,
                        vegetarian: false,
                        lowFat: false,
                        lowSodium: false))},
    {"bao", new ActionFeatures(
                    new BrandInfo(company: "bao_and_co"),
                    new ItemAttributes(
                        quantity: 4,
                        category: "Chinese",
                        price: 8),
                    new DietaryAttributes(
                        vegan: false,
                        lowCarb: true,
                        highProtein: true,
                        vegetarian: false,
                        lowFat: true,
                        lowSodium: false))},
    {"hummus", new ActionFeatures(
                    new BrandInfo(company: "garbanzo_inc"),
                    new ItemAttributes(
                        quantity: 1,
                        category: "Breakfast",
                        price: 5),
                    new DietaryAttributes(
                        vegan: true,
                        lowCarb: false,
                        highProtein: true,
                        vegetarian: true,
                        lowFat: false,
                        lowSodium: false))},
    {"veg_platter", new ActionFeatures(
                    new BrandInfo(company: "farm_fresh"),
                    new ItemAttributes(
                        quantity: 1,
                        category: "produce",
                        price: 7),
                    new DietaryAttributes(
                        vegan: true,
                        lowCarb: true,
                        highProtein: false,
                        vegetarian: true,
                        lowFat: true,
                        lowSodium: true ))},
};

    static IList<RankableAction> GetActions()
    {
        IList<RankableAction> rankableActions = new List<RankableAction>();
        foreach (var action in actions)
        {
            rankableActions.Add(new RankableAction
            {
                Id = action.Key,
                Features = new List<object>() { action.Value }
            });
        }

        return rankableActions;
    }

    public class BrandInfo
    {
        public string Company { get; set; }
        public BrandInfo(string company)
        {
            Company = company;
        }
    }

    public class ItemAttributes
    {
        public int Quantity { get; set; }
        public string Category { get; set; }
        public double Price { get; set; }
        public ItemAttributes(int quantity, string category, double price)
        {
            Quantity = quantity;
            Category = category;
            Price = price;
        }
    }

    public class DietaryAttributes
    {
        public bool Vegan { get; set; }
        public bool LowCarb { get; set; }
        public bool HighProtein { get; set; }
        public bool Vegetarian { get; set; }
        public bool LowFat { get; set; }
        public bool LowSodium { get; set; }
        public DietaryAttributes(bool vegan, bool lowCarb, bool highProtein, bool vegetarian, bool lowFat, bool lowSodium)
        {
            Vegan = vegan;
            LowCarb = lowCarb;
            HighProtein = highProtein;
            Vegetarian = vegetarian;
            LowFat = lowFat;
            LowSodium = lowSodium;

        }
    }

    public class ActionFeatures
    {
        public BrandInfo BrandInfo { get; set; }
        public ItemAttributes ItemAttributes { get; set; }
        public DietaryAttributes DietaryAttributes { get; set; }
        public ActionFeatures(BrandInfo brandInfo, ItemAttributes itemAttributes, DietaryAttributes dietaryAttributes)
        {
            BrandInfo = brandInfo;
            ItemAttributes = itemAttributes;
            DietaryAttributes = dietaryAttributes;
        }
    }

    public static Context GetContext()
    {
        return new Context(
                user: GetRandomUser(),
                timeOfDay: GetRandomTimeOfDay(),
                location: GetRandomLocation(),
                appType: GetRandomAppType());
    }

    static string[] timesOfDay = new string[] { "morning", "afternoon", "evening" };

    static string[] locations = new string[] { "west", "east", "midwest" };

    static string[] appTypes = new string[] { "edge", "safari", "edge_mobile", "mobile_app" };

    static IList<UserProfile> users = new List<UserProfile>
{
    new UserProfile(
        name: "Bill",
        dietaryPreferences: new Dictionary<string, bool> { { "low_carb", true } },
        avgOrderPrice: "0-20"),
    new UserProfile(
        name: "Satya",
        dietaryPreferences: new Dictionary<string, bool> { { "low_sodium", true} },
        avgOrderPrice: "201+"),
    new UserProfile(
        name: "Amy",
        dietaryPreferences: new Dictionary<string, bool> { { "vegan", true }, { "vegetarian", true } },
        avgOrderPrice: "21-50")
};

    static string GetRandomTimeOfDay()
    {
        var random = new Random();
        var timeOfDayIndex = random.Next(timesOfDay.Length);
        Console.WriteLine($"TimeOfDay: {timesOfDay[timeOfDayIndex]}");
        return timesOfDay[timeOfDayIndex];
    }

    static string GetRandomLocation()
    {
        var random = new Random();
        var locationIndex = random.Next(locations.Length);
        Console.WriteLine($"Location: {locations[locationIndex]}");
        return locations[locationIndex];
    }

    static string GetRandomAppType()
    {
        var random = new Random();
        var appIndex = random.Next(appTypes.Length);
        Console.WriteLine($"AppType: {appTypes[appIndex]}");
        return appTypes[appIndex];
    }

    static UserProfile GetRandomUser()
    {
        var random = new Random();
        var userIndex = random.Next(users.Count);
        Console.WriteLine($"\nUser: {users[userIndex].Name}");
        return users[userIndex];
    }

    public class UserProfile
    {
        // Mark name as non serializable so that it is not part of the context features
        [NonSerialized()]
        public string Name;
        public Dictionary<string, bool> DietaryPreferences { get; set; }
        public string AvgOrderPrice { get; set; }

        public UserProfile(string name, Dictionary<string, bool> dietaryPreferences, string avgOrderPrice)
        {
            Name = name;
            DietaryPreferences = dietaryPreferences;
            AvgOrderPrice = avgOrderPrice;
        }
    }

    public class Context
    {
        public UserProfile User { get; set; }
        public string TimeOfDay { get; set; }
        public string Location { get; set; }
        public string AppType { get; set; }

        public Context(UserProfile user, string timeOfDay, string location, string appType)
        {
            User = user;
            TimeOfDay = timeOfDay;
            Location = location;
            AppType = appType;
        }
    }
    public static float GetRewardScore(Context context, string actionId)
    {
        float rewardScore = 0.0f;
        string userName = context.User.Name;
        ActionFeatures actionFeatures = actions[actionId];
        if (userName.Equals("Bill"))
        {
            if (actionFeatures.ItemAttributes.Price < 10 && !context.Location.Equals("midwest"))
            {
                rewardScore = 1.0f;
                Console.WriteLine($"\nBill likes to be economical when he's not in the midwest visiting his friend Warren. He bought {actionId} because it was below a price of $10.");
            }
            else if (actionFeatures.DietaryAttributes.LowCarb && context.Location.Equals("midwest"))
            {
                rewardScore = 1.0f;
                Console.WriteLine($"\nBill is visiting his friend Warren in the midwest. There he's willing to spend more on food as long as it's low carb, so Bill bought {actionId}.");
            }
            else if (actionFeatures.ItemAttributes.Price >= 10 && !context.Location.Equals("midwest"))
            {
                rewardScore = 1.0f;
                Console.WriteLine($"\nBill didn't buy {actionId} because the price was too high when not visting his friend Warren in the midwest.");
            }
            else if (actionFeatures.DietaryAttributes.LowCarb && context.Location.Equals("midwest"))
            {
                rewardScore = 1.0f;
                Console.WriteLine($"\nBill didn't buy {actionId} because it's not low-carb, and he's in the midwest visitng his friend Warren.");
            }
        }
        else if (userName.Equals("Satya"))
        {
            if (actionFeatures.DietaryAttributes.LowSodium)
            {
                rewardScore = 1.0f;
                Console.WriteLine($"\nSatya is health conscious, so he bought {actionId} since it's low in sodium.");
            }
            else
            {
                Console.WriteLine($"\nSatya did not buy {actionId} because it's not low sodium.");
            }
        }
        else if (userName.Equals("Amy"))
        {
            if (actionFeatures.DietaryAttributes.Vegan || actionFeatures.DietaryAttributes.Vegetarian)
            {
                rewardScore = 1.0f;
                Console.WriteLine($"\nAmy likes to eat plant-based foods, so she bought {actionId} because it's vegan or vegetarian friendly.");
            }
            else
            {
                Console.WriteLine($"\nAmy did not buy {actionId} because it's not vegan or vegetarian.");
            }
        }
        return rewardScore;
    }
    // ...

Illessze be a kulcsot és a végpontot a kód jelzett helyére. A végponthoz tartozik az űrlap https://<your_resource_name>.cognitiveservices.azure.com/.

Fontos

Ne felejtse el eltávolítani a kulcsot a kódból, amikor elkészült, és soha ne tegye közzé nyilvánosan. Éles környezetben biztonságos módon tárolhatja és érheti el a hitelesítő adatait, például az Azure Key Vaultot. További információkért tekintse meg az Azure AI-szolgáltatások biztonsági cikkét.

2. kódblokk: A tanulási ciklus iterálása

A következő kódblokk határozza meg a fő metódust, és bezárja a szkriptet. Egy tanulási ciklus iterációját futtatja, amelyben létrehoz egy környezetet (beleértve az ügyfelet is), rangsorolja a műveleteket ebben a környezetben a Rank API használatával, kiszámítja a jutalompontszámot, és átadja a pontszámot a Personalizer szolgáltatásnak a Reward API használatával. Minden lépésnél kinyomtatja a megfelelő információkat a konzolon.

Ebben a példában minden rangsorolásos hívás annak meghatározására történik, hogy melyik termék jelenjen meg a Kiemelt termék szakaszban. Ezután a Reward hívás jelzi, hogy a kiemelt terméket a felhasználó vásárolta-e meg. A jutalmak egy közös EventId értéken keresztül kapcsolódnak a döntéseikhez.

    static void Main(string[] args)
    {
        int iteration = 1;
        bool runLoop = true;

        // Get the actions list to choose from personalizer with their features.
        IList<RankableAction> actions = GetActions();

        // Initialize Personalizer client.
        PersonalizerClient client = InitializePersonalizerClient(ServiceEndpoint);

        do
        {
            Console.WriteLine("\nIteration: " + iteration++);

            // Get context information.
            Context context = GetContext();

            // Create current context from user specified data.
            IList<object> currentContext = new List<object>() {
            context
        };

            // Generate an ID to associate with the request.
            string eventId = Guid.NewGuid().ToString();

            // Rank the actions
            var request = new RankRequest(actions: actions, contextFeatures: currentContext, eventId: eventId);
            RankResponse response = client.Rank(request);

            Console.WriteLine($"\nPersonalizer service thinks {context.User.Name} would like to have: {response.RewardActionId}.");

            float reward = GetRewardScore(context, response.RewardActionId);

            // Send the reward for the action based on user response.
            client.Reward(response.EventId, new RewardRequest(reward));

            Console.WriteLine("\nPress q to break, any other key to continue:");
            runLoop = !(GetKey() == "Q");

        } while (runLoop);
    }

        private static string GetKey()
    {
        return Console.ReadKey().Key.ToString().Last().ToString().ToUpper();
    }

}

A program futtatása

Futtassa az alkalmazást a dotnet dotnet run paranccsal az alkalmazáskönyvtárból.

dotnet run

Az első iterációban a Personalizer véletlenszerű műveletet javasol, mert még nem végzett betanítást. Igény szerint további iterációkat is futtathat. Körülbelül 10 perc elteltével a szolgáltatás megkezdi a javaslatok továbbfejlesztéseit.

A gyorsútmutató-program néhány kérdést tesz fel a felhasználói beállítások ( más néven funkciók) gyűjtésére, majd megadja a legfontosabb műveletet.

Számos esemény létrehozása elemzéshez (nem kötelező)

Ebből a gyorsútmutató-forgatókönyvből egyszerűen létrehozhat például 5000 eseményt, ami elegendő a Gyakornok mód és az Online mód használatához, offline értékelések futtatásához és funkcióértékelések létrehozásához. Cserélje le a fenti fő metódust a következőre:

    static void Main(string[] args)
    {
    int iteration = 1;
    int runLoop = 0;

    // Get the actions list to choose from personalizer with their features.
    IList<RankableAction> actions = GetActions();

    // Initialize Personalizer client.
    PersonalizerClient client = InitializePersonalizerClient(ServiceEndpoint);

    do
    {
        Console.WriteLine("\nIteration: " + iteration++);

        // Get context information.
        Context context = GetContext();

        // Create current context from user specified data.
        IList<object> currentContext = new List<object>() {
            context
        };

        // Generate an ID to associate with the request.
        string eventId = Guid.NewGuid().ToString();

        // Rank the actions
        var request = new RankRequest(actions: actions, contextFeatures: currentContext, eventId: eventId);
        RankResponse response = client.Rank(request);

        Console.WriteLine($"\nPersonalizer service thinks {context.User.Name} would like to have: {response.RewardActionId}.");

        float reward = GetRewardScore(context, response.RewardActionId);

        // Send the reward for the action based on user response.
        client.Reward(response.EventId, new RewardRequest(reward));

        runLoop = runLoop + 1;

    } while (runLoop < 1000);
}

A rövid útmutató forráskódja elérhető a GitHubon.

Referenciadokumentáció csomag (npm) | Rövid útmutató kódminta |

Előfeltételek

Azure-előfizetés – Ingyenes létrehozás
Telepítse a Node.js és az npm elemet (Node.js 14.16.0-s és npm 6.14.11-s verzióval ellenőrizve).
Miután megkapta az Azure-előfizetését, hozzon létre egy Personalizer-erőforrást az Azure Portalon a kulcs és a végpont lekéréséhez. Az üzembe helyezés után válassza az Ugrás az erőforrásra lehetőséget.
- Az alkalmazás a Personalizer API-hoz való csatlakoztatásához szüksége lesz a létrehozott erőforrás kulcsára és végpontjára. A rövid útmutató későbbi részében illessze be a kulcsot és a végpontot az alábbi kódba.
- Az ingyenes tarifacsomag (F0) használatával kipróbálhatja a szolgáltatást, és később frissíthet egy fizetős szintre az éles környezetben.

Modellkonfiguráció

A modellfrissítés gyakoriságának módosítása

Modellfrissítés gyakoriságának módosítása

A jutalom várakozási idejének módosítása

Jutalom várakozási idejének módosítása

Új Node.js-alkalmazás létrehozása

Egy konzolablakban (pl. cmd, PowerShell vagy Bash) hozzon létre egy új mappát az alkalmazásnak, majd navigáljon oda.

mkdir myapp && cd myapp

Futtassa a npm init -y parancsot egy package.json fájl létrehozásához.

npm init -y

Hozzon létre egy új Node.js szkriptet az előnyben részesített szerkesztőben vagy IDE-ben, personalizer-quickstart.js és hozzon létre változókat az erőforrás végpontjához és előfizetési kulcsához.

Telepítse az ügyfélkódtárat

Telepítse a Personalizer ügyfélkódtárat Node.js a következő paranccsal:

npm install @azure/cognitiveservices-personalizer --save

Telepítse a további npm-csomagokat ehhez a rövid útmutatóhoz:

npm install @azure/ms-rest-azure-js @azure/ms-rest-js readline-sync uuid --save

1. kódblokk: Mintaadatok létrehozása

A getActionsList visszaadja azokat a választási lehetőségeket, amelyeket az élelmiszerbolt webhelyének rangsorolnia kell. Ebben a példában a műveletek étkezési termékek. Minden műveletválasztás olyan részletekkel (funkciókkal) rendelkezik, amelyek később befolyásolhatják a felhasználói viselkedést. A műveletek bemenetként szolgálnak a Rank API-hoz
A getContextFeaturesList szimulált ügyféllátogatásokat ad vissza. Véletlenszerű részleteket (környezeti jellemzőket) választ ki, például azt, hogy melyik ügyfél van jelen, és hogy a látogatás milyen időpontban történik. A környezet általában az alkalmazás, a rendszer, a környezet vagy a felhasználó aktuális állapotát jelöli. A környezeti objektumot a Rank API bemeneteként használja a rendszer.

A rövid útmutató környezetfunkciói egyszerűek. Egy valós éles rendszerben azonban fontos a funkciók megtervezése és a hatékonyságuk értékelése. Útmutatásért tekintse meg a csatolt dokumentációt.
A getReward felszólítja a felhasználót, hogy a szolgáltatás javaslatát sikerként vagy hibaként értékelje. Nulla és egy közötti pontszámot ad vissza, amely egy ügyfél-interakció sikerességét jelzi. Egy valós forgatókönyvben a Personalizer a valós idejű ügyfél-interakciókból tanulja meg a felhasználói beállításokat.

Egy valós éles rendszerben a jutalompontszámot úgy kell megtervezni, hogy megfeleljen az üzleti céloknak és a KPI-knek. A jutalommetrika kiszámításának meghatározása némi kísérletezést igényelhet.

Nyissa meg personalizer-quickstart.js egy szövegszerkesztőben vagy IDE-ben, és illessze be az alábbi kódot.

const uuidv1 = require('uuid/v1');
const Personalizer = require('@azure/cognitiveservices-personalizer');
const CognitiveServicesCredentials = require('@azure/ms-rest-azure-js').CognitiveServicesCredentials;
const readline = require('readline-sync');

function getReward() {
  const answer = readline.question("\nIs this correct (y/n)\n");
  if (answer.toLowerCase() === 'y') {
    console.log("\nGreat| Enjoy your food.");
    return 1;
  }
  console.log("\nYou didn't like the recommended food choice.");
  return 0;
}

function getContextFeaturesList() {
  const timeOfDayFeatures = ['morning', 'afternoon', 'evening', 'night'];
  const tasteFeatures = ['salty', 'sweet'];

  let answer = readline.question("\nWhat time of day is it (enter number)? 1. morning 2. afternoon 3. evening 4. night\n");
  let selection = parseInt(answer);
  const timeOfDay = selection >= 1 && selection <= 4 ? timeOfDayFeatures[selection - 1] : timeOfDayFeatures[0];

  answer = readline.question("\nWhat type of food would you prefer (enter number)? 1. salty 2. sweet\n");
  selection = parseInt(answer);
  const taste = selection >= 1 && selection <= 2 ? tasteFeatures[selection - 1] : tasteFeatures[0];

  console.log("Selected features:\n");
  console.log("Time of day: " + timeOfDay + "\n");
  console.log("Taste: " + taste + "\n");

  return [
    {
      "time": timeOfDay
    },
    {
      "taste": taste
    }
  ];
}

function getExcludedActionsList() {
  return [
    "juice"
  ];
}

function getActionsList() {
  return [
    {
      "id": "pasta",
      "features": [
        {
          "taste": "salty",
          "spiceLevel": "medium"
        },
        {
          "nutritionLevel": 5,
          "cuisine": "italian"
        }
      ]
    },
    {
      "id": "ice cream",
      "features": [
        {
          "taste": "sweet",
          "spiceLevel": "none"
        },
        {
          "nutritionalLevel": 2
        }
      ]
    },
    {
      "id": "juice",
      "features": [
        {
          "taste": "sweet",
          "spiceLevel": "none"
        },
        {
          "nutritionLevel": 5
        },
        {
          "drink": true
        }
      ]
    },
    {
      "id": "salad",
      "features": [
        {
          "taste": "salty",
          "spiceLevel": "low"
        },
        {
          "nutritionLevel": 8
        }
      ]
    }
  ];
}

2. kódblokk: A tanulási ciklus iterálása

A következő kódblokk határozza meg a fő metódust, és bezárja a szkriptet. Egy tanulási ciklus iterációját futtatja, amelyben megkérdezi a felhasználót a parancssorban, és elküldi ezeket az információkat a Personalizernek a legjobb művelet kiválasztásához. Bemutatja a kiválasztott műveletet a felhasználónak, aki a parancssor használatával választ. Ezután jutalompontot küld a Personalizer szolgáltatásnak, amely jelzi, hogy a szolgáltatás milyen jól teljesített a kiválasztásában.

A Personalizer tanulási ciklus a Rang- és Reward-hívások ciklusa. Ebben a rövid útmutatóban a tartalom személyre szabása érdekében minden Rang-hívást egy Reward-hívás követ, amely tájékoztatja a Személyreszabót a szolgáltatás teljesítményéről.

Adja hozzá az alábbi kódot a personalizer-quickstart.js.
Keresse meg a kulcsot és a végpontot. A végponthoz tartozik az űrlap https://<your_resource_name>.cognitiveservices.azure.com/.

Fontos

Nyissa meg az Azure Portalt. Ha az Előfeltételek szakaszban létrehozott Personalizer-erőforrás sikeresen üzembe lett helyezve, kattintson az Ugrás az erőforrásra gombra a Következő lépések csoportban. A kulcsot és a végpontot az erőforrás kulcs- és végpontoldalán, az erőforrás-kezelés alatt találja.

Ne felejtse el eltávolítani a kulcsot a kódból, amikor elkészült, és soha ne tegye közzé nyilvánosan. Éles környezetben fontolja meg a hitelesítő adatok biztonságos tárolását és elérését. Például az Azure Key Vault.

Illessze be a kulcsot és a végpontot a kód jelzett helyére.

Fontos

Ne felejtse el eltávolítani a kulcsot a kódból, amikor elkészült, és soha ne tegye közzé nyilvánosan. Éles környezetben biztonságos módon tárolhatja és érheti el a hitelesítő adatait, például az Azure Key Vaultot. A biztonsággal kapcsolatos további információkért tekintse meg az Azure AI-szolgáltatások biztonsági cikkét.

async function main() {

    // The key specific to your personalization service instance; e.g. "0123456789abcdef0123456789ABCDEF"
    const serviceKey = "PASTE_YOUR_PERSONALIZER_SUBSCRIPTION_KEY_HERE";
  
    // The endpoint specific to your personalization service instance; 
    // e.g. https://<your-resource-name>.cognitiveservices.azure.com
    const baseUri = "PASTE_YOUR_PERSONALIZER_ENDPOINT_HERE";
  
    const credentials = new CognitiveServicesCredentials(serviceKey);
  
    // Initialize Personalization client.
    const personalizerClient = new Personalizer.PersonalizerClient(credentials, baseUri);
  
  
    let runLoop = true;
  
    do {
  
      let rankRequest = {}
  
      // Generate an ID to associate with the request.
      rankRequest.eventId = uuidv1();
  
      // Get context information from the user.
      rankRequest.contextFeatures = getContextFeaturesList();
  
      // Get the actions list to choose from personalization with their features.
      rankRequest.actions = getActionsList();
  
      // Exclude an action for personalization ranking. This action will be held at its current position.
      rankRequest.excludedActions = getExcludedActionsList();
  
      rankRequest.deferActivation = false;
  
      // Rank the actions
      const rankResponse = await personalizerClient.rank(rankRequest);
  
      console.log("\nPersonalization service thinks you would like to have:\n")
      console.log(rankResponse.rewardActionId);
  
      // Display top choice to user, user agrees or disagrees with top choice
      const reward = getReward();
  
      console.log("\nPersonalization service ranked the actions with the probabilities as below:\n");
      for (let i = 0; i < rankResponse.ranking.length; i++) {
        console.log(JSON.stringify(rankResponse.ranking[i]) + "\n");
      }
  
      // Send the reward for the action based on user response.
  
      const rewardRequest = {
        value: reward
      }
  
      await personalizerClient.events.reward(rankRequest.eventId, rewardRequest);
  
      runLoop = continueLoop();
  
    } while (runLoop);
  }
  
  function continueLoop() {
    const answer = readline.question("\nPress q to break, any other key to continue.\n")
    if (answer.toLowerCase() === 'q') {
      return false;
    }
    return true;
  }

main()
.then(result => console.log("done"))
.catch(err=> console.log(err));

A program futtatása

Futtassa az alkalmazást az alkalmazáskönyvtárból származó Node.js paranccsal.

node personalizer-quickstart.js

Iteráció néhány tanulási cikluson keresztül. Körülbelül 10 perc elteltével a szolgáltatás megkezdi a javaslatok továbbfejlesztéseit.

A rövid útmutató forráskódja elérhető a GitHubon.

Referenciadokumentáció Kódtár forráskódcsomagja | (pypi) | Rövid útmutató kódminta |

Előfeltételek

Azure-előfizetés – Ingyenes létrehozás
Python 3.x
Az Azure-előfizetés beállítása után hozzon létre egy Personalizer-erőforrást az Azure Portalon, és szerezze be a kulcsot és a végpontot. Az üzembe helyezés után válassza az Ugrás az erőforrásra lehetőséget.
- Az alkalmazás a Personalizer API-hoz való csatlakoztatásához szüksége lesz a létrehozott erőforrás kulcsára és végpontjára, amelyet beilleszthet az alábbi gyorsindítási kódba.
- Az ingyenes tarifacsomag (F0) használatával kipróbálhatja a szolgáltatást, majd később frissíthet egy fizetős szintre az éles környezetben.

Modellkonfiguráció

A modellfrissítés gyakoriságának módosítása

Modellfrissítés gyakoriságának módosítása

A jutalom várakozási idejének módosítása

Jutalom várakozási idejének módosítása

Új Python-alkalmazás létrehozása

Hozzon létre egy új Python-fájlt personalizer-quickstart.py néven.

Telepítse az ügyfélkódtárat

Telepítse a Personalizer ügyfélkódtárat a pip használatával:

pip install azure-cognitiveservices-personalizer

1. kódblokk: Mintaadatok létrehozása

A Personalizer valós idejű adatokat fogadó és értelmező alkalmazásokon fut. Ennek a rövid útmutatónak a alkalmazásában mintakódot fog használni, hogy képzeletbeli ügyfélműveleteket hozzon létre egy élelmiszerbolt webhelyén. A következő kódblokk három fő függvényt határoz meg: get_actions, get_context és get_reward_score.

get_actions visszaadja azokat a választási lehetőségeket, amelyeket az élelmiszerbolt webhelyének rangsorolnia kell. Ebben a példában a műveletek étkezési termékek. Minden műveletválasztás olyan részletekkel (funkciókkal) rendelkezik, amelyek később befolyásolhatják a felhasználói viselkedést. A műveletek bemenetként szolgálnak a Rank API-hoz
get_context szimulált ügyféllátogatásokat ad vissza. Véletlenszerű részleteket (környezeti jellemzőket) választ ki, például azt, hogy melyik ügyfél van jelen, és hogy a látogatás milyen időpontban történik. A környezet általában az alkalmazás, a rendszer, a környezet vagy a felhasználó aktuális állapotát jelöli. A környezeti objektumot a Rank API bemeneteként használja a rendszer.

A rövid útmutató környezetfunkciói egyszerűek. Egy valódi éles rendszerben azonban nagyon fontos a funkciók megtervezése és a hatékonyságuk értékelése. Útmutatásért tekintse meg a csatolt dokumentációt.
get_reward_score nulla és egy közötti pontszámot ad vissza, amely az ügyfél-interakció sikerességét jelzi. Egyszerű logikával határozza meg, hogy a különböző környezetek hogyan reagálnak a különböző műveletlehetőségekre. Például egy bizonyos felhasználó mindig 1.0-t ad vegetáriánus és vegán termékekhez, és 0,0-t más termékekhez. Egy valós forgatókönyvben a Personalizer a Rank és Reward API-hívásokban küldött adatokból tanulja meg a felhasználói beállításokat. Ezeket nem fogja explicit módon definiálni, mint a példakódban.

Egy valós éles rendszerben a jutalompontszámot úgy kell megtervezni, hogy megfeleljen az üzleti céloknak és a KPI-knek. A jutalommetrika kiszámításának meghatározása némi kísérletezést igényelhet.

Az alábbi kódban a felhasználók preferenciái és a műveletekre adott válaszok szigorúan feltételes utasítások sorozataként lesznek kódelve, és magyarázó szöveg szerepel a kódban szemléltető célokra.

A Personalizer-szkript beállításához kövesse az alábbi lépéseket.

Keresse meg a kulcsot és a végpontot.

Fontos

Nyissa meg az Azure Portalt. Ha az Előfeltételek szakaszban létrehozott Personalizer-erőforrás sikeresen üzembe lett helyezve, kattintson az Ugrás az erőforrásra gombra a Következő lépések csoportban. A kulcsot és a végpontot az erőforrás kulcs- és végpontoldalán, az erőforrás-kezelés alatt találja.

Ne felejtse el eltávolítani a kulcsot a kódból, amikor elkészült, és soha ne tegye közzé nyilvánosan. Éles környezetben fontolja meg a hitelesítő adatok biztonságos tárolását és elérését. Például az Azure Key Vault.
Nyissa meg personalizer-quickstart.py egy szövegszerkesztőben vagy IDE-ben, és illessze be az alábbi kódot.
Illessze be a kulcsot és a végpontot a kód jelzett helyére. A végponthoz tartozik az űrlap https://<your_resource_name>.cognitiveservices.azure.com/.

Fontos

Ne felejtse el eltávolítani a kulcsot a kódból, amikor elkészült, és soha ne tegye közzé nyilvánosan. Éles környezetben biztonságos módszerrel tárolhatja és érheti el a hitelesítő adatait, például az Azure Key Vaultot. További információkért tekintse meg az Azure AI-szolgáltatások biztonságát.

from azure.cognitiveservices.personalizer import PersonalizerClient
from azure.cognitiveservices.personalizer.models import RankableAction, RewardRequest, RankRequest
from msrest.authentication import CognitiveServicesCredentials

import datetime, json, os, time, uuid, random

key = "paste_your_personalizer_key_here"
endpoint = "paste_your_personalizer_endpoint_here"

# Instantiate a Personalizer client
client = PersonalizerClient(endpoint, CognitiveServicesCredentials(key))

actions_and_features = {
    'pasta': {
        'brand_info': {
            'company':'pasta_inc'
        }, 
        'attributes': {
            'qty':1, 'cuisine':'italian',
            'price':12
        },
        'dietary_attributes': {
            'vegan': False,
            'low_carb': False,
            'high_protein': False,
            'vegetarian': False,
            'low_fat': True,
            'low_sodium': True
        }
    },
    'bbq': {
        'brand_info' : {
            'company': 'ambisco'
        },
        'attributes': {
            'qty': 2,
            'category': 'bbq',
            'price': 20
        }, 
        'dietary_attributes': {
            'vegan': False,
            'low_carb': True,
            'high_protein': True,
            'vegetarian': False,
            'low_fat': False,
            'low_sodium': False
        }
    },
    'bao': {
        'brand_info': {
            'company': 'bao_and_co'
        },
        'attributes': {
            'qty': 4,
            'category': 'chinese',
            'price': 8
        }, 
        'dietary_attributes': {
            'vegan': False,
            'low_carb': True,
            'high_protein': True,
            'vegetarian': False,
            'low_fat': True,
            'low_sodium': False
        }
    },
    'hummus': {
        'brand_info' : { 
            'company': 'garbanzo_inc'
        },
        'attributes' : {
            'qty': 1,
            'category': 'breakfast',
            'price': 5
        }, 
        'dietary_attributes': {
            'vegan': True, 
            'low_carb': False,
            'high_protein': True,
            'vegetarian': True,
            'low_fat': False, 
            'low_sodium': False
        }
    },
    'veg_platter': {
        'brand_info': {
            'company': 'farm_fresh'
        }, 
        'attributes': {
            'qty': 1,
            'category': 'produce', 
            'price': 7
        },
        'dietary_attributes': {
            'vegan': True,
            'low_carb': True,
            'high_protein': False,
            'vegetarian': True,
            'low_fat': True,
            'low_sodium': True
        }
    }
}

def get_actions():
    res = []
    for action_id, feat in actions_and_features.items():
        action = RankableAction(id=action_id, features=[feat])
        res.append(action)
    return res

user_profiles = {
    'Bill': {
        'dietary_preferences': 'low_carb', 
        'avg_order_price': '0-20',
        'browser_type': 'edge'
    },
    'Satya': {
        'dietary_preferences': 'low_sodium',
        'avg_order_price': '201+',
        'browser_type': 'safari'
    },
    'Amy': {
        'dietary_preferences': {
            'vegan', 'vegetarian'
        },
        'avg_order_price': '21-50',
        'browser_type': 'edge'},
    }

def get_context(user):
    location_context = {'location': random.choice(['west', 'east', 'midwest'])}
    time_of_day = {'time_of_day': random.choice(['morning', 'afternoon', 'evening'])}
    app_type = {'application_type': random.choice(['edge', 'safari', 'edge_mobile', 'mobile_app'])}
    res = [user_profiles[user], location_context, time_of_day, app_type]
    return res

def get_random_users(k = 5):
    return random.choices(list(user_profiles.keys()), k=k)


def get_reward_score(user, actionid, context):
    reward_score = 0.0
    action = actions_and_features[actionid]
    
    if user == 'Bill':
        if action['attributes']['price'] < 10 and (context[1]['location'] !=  "midwest"):
            reward_score = 1.0
            print("Bill likes to be economical when he's not in the midwest visiting his friend Warren. He bought", actionid, "because it was below a price of $10.")
        elif (action['dietary_attributes']['low_carb'] == True) and (context[1]['location'] ==  "midwest"):
            reward_score = 1.0
            print("Bill is visiting his friend Warren in the midwest. There he's willing to spend more on food as long as it's low carb, so Bill bought" + actionid + ".")
            
        elif (action['attributes']['price'] >= 10) and (context[1]['location'] != "midwest"):
            print("Bill didn't buy", actionid, "because the price was too high when not visting his friend Warren in the midwest.")
            
        elif (action['dietary_attributes']['low_carb'] == False) and (context[1]['location'] ==  "midwest"):
            print("Bill didn't buy", actionid, "because it's not low-carb, and he's in the midwest visitng his friend Warren.")
             
    elif user == 'Satya':
        if action['dietary_attributes']['low_sodium'] == True:
            reward_score = 1.0
            print("Satya is health conscious, so he bought", actionid,"since it's low in sodium.")
        else:
            print("Satya did not buy", actionid, "because it's not low sodium.")   
            
    elif user == 'Amy':
        if (action['dietary_attributes']['vegan'] == True) or (action['dietary_attributes']['vegetarian'] == True):
            reward_score = 1.0
            print("Amy likes to eat plant-based foods, so she bought", actionid, "because it's vegan or vegetarian friendly.")       
        else:
            print("Amy did not buy", actionid, "because it's not vegan or vegetarian.")
                
    return reward_score
    # ...

2. kódblokk: A tanulási ciklus iterálása

A következő kódblokk definiálja a run_personalizer_cycle függvényt, és egy egyszerű felhasználói visszajelzési ciklusban hívja meg. Egy tanulási ciklus iterációját futtatja, amelyben létrehoz egy környezetet (beleértve az ügyfelet is), rangsorolja a műveleteket ebben a környezetben a Rank API használatával, kiszámítja a jutalompontszámot, és átadja a pontszámot a Personalizer szolgáltatásnak a Reward API használatával. Minden lépésnél kinyomtatja a megfelelő információkat a konzolon.

def run_personalizer_cycle():
    actions = get_actions()
    user_list = get_random_users()
    for user in user_list:
        print("------------")
        print("User:", user, "\n")
        context = get_context(user)
        print("Context:", context, "\n")
        
        rank_request = RankRequest(actions=actions, context_features=context)
        response = client.rank(rank_request=rank_request)
        print("Rank API response:", response, "\n")
        
        eventid = response.event_id
        actionid = response.reward_action_id
        print("Personalizer recommended action", actionid, "and it was shown as the featured product.\n")
        
        reward_score = get_reward_score(user, actionid, context)
        client.events.reward(event_id=eventid, value=reward_score)     
        print("\nA reward score of", reward_score , "was sent to Personalizer.")
        print("------------\n")

continue_loop = True
while continue_loop:
    run_personalizer_cycle()
    
    br = input("Press Q to exit, or any other key to run another loop: ")
    if(br.lower()=='q'):
        continue_loop = False

A program futtatása

Miután az összes fenti kódot belefoglalta a Python-fájlba, futtathatja azt az alkalmazáskönyvtárból.

python personalizer-quickstart.py

A gyorsútmutató-program néhány kérdést tesz fel a felhasználói beállítások ( más néven funkciók) gyűjtésére, majd megadja a legfontosabb műveletet.

Számos esemény létrehozása elemzéshez (nem kötelező)

Ebből a gyorsútmutató-forgatókönyvből egyszerűen létrehozhat például 5000 eseményt, ami elegendő a Tanulói mód, az Online mód, az offline értékelések futtatása és a funkcióértékelések létrehozásához. Cserélje le a while fenti kódblokk ciklusát a következő kódra.

for i in range(0,1000):
    run_personalizer_cycle()

A rövid útmutató forráskódja elérhető a GitHubon.

A betanított modell letöltése

Ha a fenti példában 5000 eseményen betanított Personalizer-modellt szeretne letölteni, látogasson el a Personalizer-minták adattárba , és töltse le a Personalizer_QuickStart_Model.zip fájlt. Ezután nyissa meg a Personalizer-erőforrást az Azure Portalon, lépjen a Beállítás lapra és az Importálás/exportálás lapra, és importálja a fájlt.

Az erőforrások eltávolítása

Az Azure AI-szolgáltatások előfizetésének törléséhez törölheti az erőforrást, vagy törölheti az erőforráscsoportot, amely törli a társított erőforrásokat.

Következő lépések

A Personalizer működése A Personalizer használata

Megosztás a következőn keresztül:

Rövid útmutató: Personalizer ügyféloldali kódtár

Példaforgatókönyv

Előfeltételek

Modellkonfiguráció

A modellfrissítés gyakoriságának módosítása

A jutalom várakozási idejének módosítása

Új C#-alkalmazás létrehozása

Telepítse az ügyfélkódtárat

1. kódblokk: Mintaadatok létrehozása

2. kódblokk: A tanulási ciklus iterálása

A program futtatása

Számos esemény létrehozása elemzéshez (nem kötelező)

Előfeltételek

Modellkonfiguráció

A modellfrissítés gyakoriságának módosítása

A jutalom várakozási idejének módosítása

Új Node.js-alkalmazás létrehozása

Telepítse az ügyfélkódtárat

1. kódblokk: Mintaadatok létrehozása

2. kódblokk: A tanulási ciklus iterálása

A program futtatása

Előfeltételek

Modellkonfiguráció

A modellfrissítés gyakoriságának módosítása

A jutalom várakozási idejének módosítása

Új Python-alkalmazás létrehozása

Telepítse az ügyfélkódtárat

1. kódblokk: Mintaadatok létrehozása

2. kódblokk: A tanulási ciklus iterálása

A program futtatása

Számos esemény létrehozása elemzéshez (nem kötelező)

A betanított modell letöltése

Az erőforrások eltávolítása

Következő lépések

További források