Share via

FAQ sobre Modelação do Intelligent Recommendations

  • Artigo

Este artigo fornece uma visão mais detalhada dos tipos de algoritmos de modelação que o serviço Intelligent Recommendations utiliza e fornece respostas a perguntas comuns de modelação.

Conteúdo

Descrição geral de Algoritmos do Intelligent Recommendations

O componente de Modelação do Intelligent Recommendations utiliza alguns algoritmos diferentes para criar listas classificadas. A API de Lista responde a consultas e devolve resultados dependendo do tipo de algoritmo selecionado para modelação. São apresentadas mais informações sobre os tipos de Algoritmos utilizados pelo serviço Intelligent Recommendations na seguinte tabela:

[!Nota]

Como melhor prática, utilize a Experimentação para comparar os resultados de alguns tipos de lista e/ou tipos de dados diferentes antes de tomar uma decisão final sobre que algoritmo é o melhor para o seu caso de utilização de negócio e conjunto de dados (que é uma combinação dos tipos de dados e comportamento real).

Tipo de Algoritmo Descrição
Fatorização da Matriz (MF) A Fatorização da Matriz é um tipo de algoritmo de filtragem colaborativa que foca a criação de relações de utilizador para item e item para item com base em interações de utilizador específicas (compra, utilização, clickthrough, vistas, transferência, etc.). Esta classificação de tipo de algoritmo lista com base nas preferências históricas de um utilizador específico, ou seja, aquilo a que chamamos o "Gosto" pessoal baseada em classificação. Também deriva semelhanças entre Itens com base nas interações de utilizadores com itens.

A Fatorização da Matriz gera classificações simétricas (se "A" for semelhante a "B", "B" também é semelhante a "A") e transitivas (se "A" for semelhante a "B" e "B" for semelhante a "C", "A" é semelhante a "C"). Para melhores resultados, utilize o tipo de algoritmo de Fatorização da Matriz ao utilizar um conjunto de dados com sinais de interação substancial e metadados de catálogo. Esta caraterística é ótima para domínios de entretenimento, como Filmes e TV, Jogos ou Transmissão em Fluxo, mas funciona bem em outros domínios que dependem de sinais de interação dos clientes, incluindo: Retalho, Mercearia, Itinerários de Viagem, Fabrico e muito mais.
Semelhanças Diretas Associadas (DAS) O algoritmo de Semelhanças Diretas Associadas (DAS) é bem adequado para domínios de afinidade local/direta com elevadas necessidades baseadas em utilitários, tais como Aplicações, em que a utilidade é mais importante do que a preferência (gosto) histórica. Por exemplo, as pessoas que efetuam as ações "A" depois "B" depois "C", podem tender a efetuar a ação "D" de seguida. O DAS é não simétrico e não associativo.

O nosso serviço utiliza o algoritmo DAS para alimentar a API de Melhor Ação Seguinte, que cria sugestões de conteúdo com base em agrupamentos diferentes e repetíveis. Uma aplicação comum da Melhor Ação Seguinte é frequentemente vista em experiências de encerramento de sessão de Retalho em cenários de "conclusão do cesto", como Frequentemente comprados em conjunto, o que fornece sugestões de itens complementares com base nos conteúdos do carrinho de um cliente.

O DAS também pode voltar a combinar grupos e recomendar itens de subdomínios diferentes. Por exemplo, poderão ser recomendados guardanapos e pratos a um consumidor de mercearia com os respetivos bifes de hambúrguer e pães no carrinho.

Os domínios que beneficiam da "Melhor Ação Seguinte" incluem Mercearia, Vendas, Resolução de Problemas, Gestão Contabilística, entre outros.
Semelhança Baseada em Visual (VBS) A Semelhança Baseada em Visual (VBS) é um algoritmo aprendizagem profunda de conhecimento visual que devolve recomendações visualmente semelhantes para itens com imagens semelhantes por um determinado item de propagação. Tal como a Fatorização da Matriz, as recomendações produzidas pelo algoritmo VBS são simétricas.

Esta rede neural convolucional de aprendizagem profunda utiliza "Argus" como a base, no entanto, é ainda mais preparado utilizando técnicas mais profundas nas imagens do inquilino para invariantes, fornecendo recomendações muito mais relevantes para o domínio do inquilino. O VBS é incrivelmente poderoso em domínios, como Moda, Design e Joelharia, em que os atributos visuais são uma parte importante da venda do produto.
Semelhança Baseada em Texto (TBS) O algoritmo Semelhança Baseada em Texto (TBS) devolve recomendações textualmente semelhantes a um determinado item de propagação, focando a preparação num modelo de idioma nos títulos e descrições dos itens no catálogo fornecido. Este algoritmo funciona especialmente bem em domínios onde os títulos e as descrições são descritivos, produzindo recomendações exclusivas e intuitivas. O modelo utiliza o modelo de idioma baseado em Transformador "TNLR" como a base, no entanto, o modelo também utiliza técnicas de transferência de aprendizagem e mais aprofundadas no conjunto de dados fornecido, permitindo que este algoritmo forneça recomendações avançadas que-fazem sentido semanticamente.

O TBS utiliza o Processamento de Linguagem Natural (NLP) como entrada tornando este algoritmo aplicável em vários domínios diferentes, incluindo: Itinerários de viagem e excursões, adegas, Bases de Dados de Pesquisa de Diário Científico, Resolução de Problemas e muito mais.
Listas de Procura As listas de procura permitem a navegação em catálogos utilizando gráficos baseados heuristicamente, ordenados por informações, como vendas totais, soma de cliques, data de lançamento ou uma combinação de métricas diferentes. As listas suportadas são: "Novo", "Mais Populares", "Populares". Os gráficos são um excelente local de partida para fazer com que os utilizadores finais interajam rapidamente com os seus produtos e vejam os mais recentes e melhores produtos do seu catálogo de produtos.

Listas de Procura podem ser mais expandidas através da alteração do tipo de interação de entrada. Por exemplo, um modelo baseado em sinais de compra devolve "Produtos comprados mais populares", enquanto a alteração do modelo para vistas devolve "Produtos Mais Popularmente Vistos".

Voltar ao início

Perguntas mais frequentes

Esta secção abrange uma série de perguntas mais frequentes sobre modelos do Intelligent Recommendations e as respetivas aplicações.

Como posso monitorizar o estado de modelação?

Os clientes do Intelligent Recommendations podem monitorizar o estado de modelação para cada um dos modelos criados nas suas contas. Depois de configurar um modelo, o serviço irá criar periodicamente um ficheiro de registo do estado para reportar o estado atual de todos os algoritmos (com respeito ao seu escalão de modelação). Para saber mais sobre como aceder a estes registos, consulte o Guia de Relatórios de Estado de Modelação.

Voltar ao início

Que algoritmo e tipo de lista devo utilizar para o meu negócio?

A seleção de um tipo de Lista e de um algoritmo a utilizar depende do caso de utilização do negócio, da experiência e dos dados disponíveis para modelação. Consulte Nomes de Lista, Tabela AlgoTypes, Afinações para uma lista completa dos nomes de lista disponíveis e combinações AlgoTypeLista.

Em geral, as interações de modelação refletem com o que as pessoas interagem. Por exemplo, descrevemos o tipo de lista "As Pessoas Também", que utiliza o algoritmo MF, como "clientes que efetuam esta ação, também efetuam esta ação." Quando a ação é compra, a lista torna-se "Pessoas que compraram isto, também compraram."

Os metadados de itens também podem ser utilizados para estabelecer semelhanças entre itens, partindo do princípio de que os metadados são suficientes em volume e em qualidade. Por exemplo, os itens com descrições semelhantes podem ser considerados proximamente relacionados, tal como os itens com imagens de produto semelhantes podem estar proximamente relacionados. Estes metadados foram úteis para criar resultados para itens quando poderão não estar disponíveis interações (também conhecido como modelação de "itens inativos").

As abordagens que combinam Interações e baseadas em metadados (para itens e/ou utilizadores) podem ser utilizadas com o Intelligent Recommendations para personalizar os cenários e as experiências. Utilize vários modelos diferentes (e utilize um modelo por conta) para experimentar e ver qual a abordagem que funciona melhor para os seus casos de utilização.

Mapear tipos de Dados disponíveis e utiliza casos para o tipo de Algoritmo

Tipo de Dados Disponível Cenários Algoritmo
Interações
Por exemplo, Vistas, Compras, Utilização, etc., O que fizeram os utilizadores?		 Seleções para si
Personalização
As pessoas também fazem
Melhor Ação Seguinte		 Fatorização da Matriz (MF)

Associação Direcionada (DAS)
Metadados textuais
Por ex., Título, Descrição		 Descrição Semelhante Semelhança Baseada em Textual (TBS)
Metadados visuais
Por ex., Imagens de produto de vários ângulos		 Aspetos semelhantes
Nota: Nem todos os domínios se enquadram neste cenário. Deve ser utilizado no caso em que as imagens sejam uma boa representação de um item.		 Semelhança Baseada em Visual (VBS)
Outros metadados de item
Por ex., Forma, Categoria, Etiquetas, etc.		 O mesmo que Interações.
O serviço também permite que os modelos sejam criados de diferentes maneiras:
- De forma híbrida que combina metadados de item com interações
- Ou criados utilizando apenas metadados de Item (com algoritmos MF ou DAS)		 Fatorização da Matriz (MF)

Associação Direcionada (DAS)
Metadados do utilizador
Por ex., Dados Demográficos		 Os cenários relevantes estão em torno da Personalização do Utilizador:
- Seleções para si
- Personalização

O serviço permite que os modelos sejam criados de diferentes maneiras:
- De forma híbrida que combina metadados de Utilizador com Interações
- Ou criados utilizando apenas metadados de Utilizador (com algoritmos MF ou DAS)		 Fatorização da Matriz (MF)

Associação Direcionada (DAS)

Voltar ao início

Como devo decidir se devo utilizar os algoritmos de Fatorização da Matriz ou Associação Direta?

É recomendável que experimente ambos com os seus dados para ver que algoritmo devolve resultados mais adequados com base nos requisitos do seu negócio.

Experimente o algoritmo de Fatorização da Matriz (MF) se:

  • A ligação entre itens no seu domínio é sobretudo Comutativa (simétrica, ou seja, se A=>B, então B=>A) e Associativa (ou seja, se A=>B e B=>C, então A=>B).
  • Os dados são esparsos e ainda pretende ter recomendações suficientes para muitos itens.

Experimente o algoritmo de Associação Direta (DAS) se:

  • A ligação entre itens no seu domínio é principalmente diretiva (assimétrica, ou seja, A=>B não significa B=>A) e direta (não associativa).
  • "Melhor Ação Seguinte" (com uma lista ordenada de itens, que deverá ser a seguinte) é um cenário importante para si.
  • Pretende recomendar um subdomínio dos seus itens para outro.
  • A Ligação Direta que aparece com mais frequência deverá refletir-se mais nos resultados.

Para mais informações, consulte Nomes de Lista, Tabelas AlgoTypes, Afinações.

Voltar ao início

De quantas interações preciso para assegurar boas recomendações?

Para modelar corretamente um domínio para um conjunto de produtos importantes, cada produto deve conter, pelo menos, cinco interações ou mais para cenários como "As pessoas também gostam" ou "Seleções" (personalização). Também irá precisar de interações suficientes que incluam mais do que um produto, agrupado pelo InteractionGroupingId (cada item pela mesma ordem teria uma linha na entidade Dados de interações com o mesmo InteractionGroupingId) para gerar resultados para a "Melhor Ação Seguinte".

Uma boa regra geral é visar ter cerca de cinco vezes o número de Interações que o número de itens. Por exemplo, se existirem 1000 itens no catálogo, seria bom experimentar a modelação com, pelo menos, 5000 interações.

Quando em dúvida, é útil experimentar com um modelo simples (menos colunas) e o maior número possível de Interações (mais linhas) no conjunto de dados de entrada. Para avaliar a qualidade do contrato de dados e para ver métricas relativas ao desempenho de modelos, consulte Dashboards do Intelligent Recommendations.

Voltar ao início

Porque é que preciso de InteractionGroupingId, UserId, ItemId e ItemVariantId incluídos com a minha Entidade de Dados de Interações?

InteractionGroupingId indica para os grupos ligados pelo sistema, especialmente para Itens, para uma melhor inferência global no geral. Por exemplo, agrupar transações por InteractionGroupingId em cenários de retalho pode ajudar o sistema a aprender os produtos que são "Frequentemente comprados em conjunto" num carrinho de compras, ou tarefas concluídas numa função para a "Melhor Ação Seguinte" ou itens semelhantes em "As pessoas também gostam de".

UserId é utilizado pelo sistema para modelar as relações formadas entre itens e utilizadores que interagem com itens, o que dependendo da forma como o modelo é centrado, podem criar cenários de modelação personalizados e não personalizados. Na abordagem Personalizada com UserId, o sistema modela um mapeamento entre utilizadores e itens, com base nas preferências históricas de cada utilizador individual. Em seguida, produz o modelo "com base no seu histórico anterior, poderá gostar de", referido como "Escolhas para si".

ItemId é a referência de item real. É essencial ligar cada item às respetivas interações e permitir que os padrões emerjam no modelo. ItemIds que não tenham interações não aparecerão em recomendações para outros produtos e também poderão sofrer de más recomendações quando utilizados como de propagação para modelos como "Pessoas que gostaram deste item também gostam".

ItemVariantId é utilizado principalmente para o cenário "Aspetos Semelhantes" e para o algoritmo Semelhança Baseada em Visuais (VBS), que toma em consideração metadados de imagem em vez de interações. Este campo não é obrigatório para Modelos e Algoritmos que se baseiam em Interações.

Para saber mais sobre as entidades de dados obrigatórias por cenário, consulte Tabela de Mapeamento de Entidades de Dados.

Voltar ao início

Posso utilizar Metadados de Itens, como Categoria, Cor, Modelo, etc.?

Os metadados de itens podem ser úteis de várias formas:

  • Melhor modelação de itens para além da entrada de interações, para que os itens com algumas ou até mesmo sem interações (itens frios) continuem a receber recomendações "As pessoas também gostam".
  • É possível ter um modelo baseado totalmente em metadados de Item (como etiquetas de conteúdo) e devolver um tipo de "itens semelhantes" do resultado de recomendações.
    • Como fazer isto: fornecer um TagId ao item de metadados. Na Entidade Dados de Interações, para cada linha de Interação definiu o InteractionGroupingId como TagId, mantendo o item como ItemId e o utilizador como UserID. Para saber mais sobre como os TagIds funcionam, consulte o guia para Identificação e registo de metadados.

[!NOTA IMPORTANTE]

Utilize uma conta separada para o modelo baseado em Metadados de Item, de tal forma a que tenha 1 modelo de IR por conta de IR, e que estejam separados do modelo/conta baseado em interações de Utilizador puras.

  • Os itens com descrições textuais informativas podem obter recomendações de "Descrição semelhante", impulsionadas pelo nosso modelo profundo de NLP.
  • Os itens e variantes com imagens podem obter recomendações de "Aspeto semelhante", impulsionados pelo nosso modelo de aprendizagem profunda de conhecimento visual.

Regressar ao início.

Posso utilizar Metadados de utilizador, como dados demográficos para personalizar recomendações?

O serviço Intelligent Recommendations permite que os clientes incluam metadados de utilizador através de um processo de identificação de metadados. Os metadados de utilizador podem ser poderosos para recomendar conteúdo relevante para todos os utilizadores, incluindo

  • Clientes novos ou pouco frequentes (também conhecidos como "utilizadores inativos").
  • Ligar utilizadores com atributos comuns a identificação de metadados. Para saber mais sobre a o registo demográfico com recomendações e para ver exemplos, consulte o guia para Identificação e registo de metadados.

Regressar ao início.

Posso efetuar recomendações de Utilizador para Utilizador?

De momento, não são suportadas recomendações de Utilizador para Utilizador completas. Por agora, é possível que alguns conjuntos de dados recebam recomendações de Utilizador para Utilizador efetuando algumas alterações ao Contrato de Dados:

  • Para cada entrada de Interação original, construa cada linha como:
    • Escrever ItemID na coluna InteractionGroupingId
    • Escrever UserID na coluna ItemId
    • Faça o Pedido de API: Depois de efetuar as alterações anteriores ao contrato de dados, o tipo de lista "As pessoas também" será chamado com o UserId e devolverá uma lista de utilizadores semelhantes.

Regressar ao início.

Onde posso obter mais informações sobre o modelo de Fatorização da Matriz utilizado com o Intelligent Recommendations?

O nosso modelo MF: Filtragem colaborativa de uma classe com gráficos aleatórios. Desenvolvemos uma versão interna da fatorização da matriz bayesiana, que descrevemos aqui e que pode ser utilizada para aprender quaisquer incorporações aqui.

Regressar ao início.

Consulte também

Guia de Resolução de Problemas
Códigos de Estado da API
Contrato de Dados
Tabela de Mapeamento de Entidades de Dados.
Guia para Identificação e criação de registo de metadados.