Dela via

Vanliga frågor om modellering av Intelligent Recommendations

  • Artikel

Den här artikeln innehåller en djupare information om de typer av modelleringsalgoritmer som används i tjänsten Intelligent Recommendations och som ger svar på vanliga modelleringsfrågor.

Innehåll

Översikt över Intelligent Recommendations-algoritmer

Komponenten Intelligent Recommendations modellering använder några olika algoritmer för att skapa listor med rekommendationer. List-API svarar på frågor och returnerar resultat beroende på vilken typ av algoritm som valts för modellering. Mer information om de typer av algoritmer som används av tjänsten Intelligent Recommendations finns i följande tabell:

[!OBS]

Som en bästa praxis kan du använda Experimentering för att jämföra resultaten från några olika listtyper och/eller datatyper innan du gör ett slutgiltigt val om vilken algoritm som är bäst för just ditt affärsanvändningsfall och din datauppsättning (vilket är både en kombination av datatyperna och faktiska beteenden).

Algoritmtyp Beskrivning
Matrisfaktorisering (MF) Matrisfaktorisering är en typ av gemensam filtreringsalgoritm som fokuserar på att skapa användare till objekt och objekt till objekt relationer baserat på specifika användarinteraktioner (köp, användning, klickfrekvens, vyer, hämtning osv.). Den här algoritmtypens rangordningslistor bygger på en viss användares tidigare preferenser, vilket är vad vi kallar historik baserad på deras personliga "smak". Den förs också in likheter mellan objekt utifrån interaktioner mellan användare och objekt.

Matrisfaktoriseringen genererar symmetrisk (om "A" liknar "B", sedan är "B" också liknande "A") och transitiv (om "A" är liknar "B" och "B" är liknande "C" när "A" liknande "C") rangordning. För bästa resultat kan du använda algoritmtypen Matrisfaktorisering när du använder en datauppsättning interaktion med interaktions- och katalogmetadata som fungerar som de ska. Den här funktionen är utmärkt för underhållningsdomäner som filmer och TV, spel eller streaming, men fungerar bra i andra domäner som förlitar sig på kundinteraktionssignaler, inklusive: Detaljhandel, Livsmedel, Resplaner, Tillverkning och mer.
Direkta associerade likheter (DAS) DAS-algoritmen (direkta associerade likheter) passar bra för lokala/dirigerade tillhörighetsdomäner med högt nyttobaserade behov, t.ex. appar där nyttan är viktigare än tidigare inställningar (smak). Personer som till exempel gör "A" och "B" och "C" och som vill utföra "D"-åtgärder i efterhand. DAS är inte symmetrisk eller associativ.

Vår tjänst använder DAS-algoritmen för att driva Nästa bästa åtgärd API, som skapar innehållsförslag utifrån olika, repeterbara gruppningar. En vanlig användning av Nästa bästa åtgärd finns ofta på återförsäljningsupplevelser i "slutförandescenarier", t.ex. ofta tillsammans – som ger förslag på förfallna objekt baserat på innehållet i en användares produktrekommendationer.

DAS kan också hitta grupper och rekommendera objekt från olika underdomäner. Till exempel kan en butikshandlare rekommenderas servetter och tallrikar med sina hamburgare och bröd i sin kundvagn.

Domäner som har nytta av "Nästa bästa åtgärd" är bland annat Livsmedel, Försäljning, Felsökning, Redovisning med mera.
Visuellt baserad likhet (VBS) Visuellt baserad likhet (VBS) är en visuella koationsalgoritm för djupinlärning som returnerar visuellt liknande rekommendationer för artiklar med liknande bilder för ett produktförslag. Precis som för Matrisfaktorisering är VBS-algoritmens rekommendationer symmetriska.

Detta djupinlärande, konvolutionerande neurala nätverk använder "Argus" som ryggrad, men det tränas vidare med hjälp av djupare tekniker på klientorganisationens bilder för visningsinvarianter, vilket ger mycket mer relevanta rekommendationer för klientorganisationens domän. VBS är mycket kraftfullt på domäner som Mode, Design och Juveler, där visuella attribut är en stor säljande del av produkten.
Textbaserad likhet (TBS) Algoritmen textbaserad likhet (TBS) returnerar textmässigt liknande rekommendationer för ett givet produktförslag, genom att fokusera en språkmodell på titlarna och beskrivningarna av objekten i den tillhandahållna katalogen. Den här algoritmen fungerar särskilt bra i domäner där titlar och beskrivningar är beskrivande och ger unika och intuitiva rekommendationer. I modellen används "TNLR" transformatorbaserad språkmodell som stödmodell, men modellen använder även överföringsinlärning och djupare utbildningstekniker för medföljande datauppsättning, vilket gör att denna algoritm kan ge avancerade rekommendationer om tekniker som är helt meningsfulla.

TBS använder bearbetning av naturligt språk (NLP) som indata, vilket gör denna algoritm tillämpbar på många olika domäner, inklusive: resvägar och utflykter, vingårdar, forskningsdatabaser för vetenskapliga tidskrifter, felsökning och mer.
Bläddra i listor Bläddra i listor gör det möjligt att bläddra med heuristiskt baserade diagram sorterade efter information som total försäljning, summan av klick, releasedatum eller en kombination av olika mätvärden. Listorna som stöds är: Nytt, Trend, Populär. Diagram är en bra start för att snabbt få slutanvändarna att interagera med dina produkter och se det senaste och bästa i produktkatalogen.

Bläddra i listor kan ändras genom att ändra indata interaktionstyp. En modell som bygger på inköp signaler returnerar till exempel "populäraste köpta produkter", samtidigt som modellen ändras till vyer returnerar "Mest populära visade produkterna".

Tillbaka till början

Vanliga frågor och svar

Det här avsnittet handlar om en rad frågor som ofta ställs om modeller för Intelligent Recommendations och deras program.

Hur spårar jag modellstatus för mina modeller?

Intelligent Recommendations som kunder kan spåra modellstatus för alla modeller de har skapat för sina konton. När du har konfigurerat en modell skapar tjänsten regelbundet en statusloggfil för att rapportera om aktuell status för alla algoritmer (i förhållande till din modellnivå). Mer information om hur du öppnar dessa loggar finns i Guiden Statusrapporter för modellering.

Tillbaka till början

Vilken algoritm och vilken listtyp ska jag använda för min verksamhet?

Hur du väljer en listtyp och en algoritm som ska användas beror på företagets användningsfall, erfarenhet och tillgängliga data för modellering. Se listnamn, AlgoTypes-tabellen, justeringar för en fullständig lista med tillgängliga listnamn och AlgoType-kombinationer.

I allmänhet återspeglar modelleringsinteraktioner vad personer interagerar med. Vi beskriver till exempel listtypen "Personer också", som använder MF-algoritmen, som "kunder som gör den här åtgärden, gör även den här åtgärden." När en åtgärd köps blir listan "Personer som köpte detta köpte också."

Objektmetadata kan också användas för att skapa likheter mellan objekt, förutsatt att metadata är tillräckliga för volym och kvalitet. Objekt med liknande beskrivningar kan till exempel anses vara nära relaterade, precis som objekt med liknande produktbilder kan vara nära relaterade. Metadata har varit användbara om du vill skapa resultat för objekt som inte har några tillgängliga interaktioner (kallas även för modellering av "kalla objekt").

Metoder som kombinerar interaktioner och metadatabaserade metoder (för objekt och/eller användare) kan användas med Intelligent Recommendations för att anpassa scenarier och erfarenheter. Använd flera olika modeller (och använd en modell per konto) om du vill experimentera dig fram till vilken metod som passar bäst för dina användningsfall.

Mappa tillgängliga datatyper och använder ärenden till Algoritmtyp

Tillgänglig datatyp Scenarion Algoritm
Interaktioner
T.ex. vyer, köp, användning osv. Vad har användarna gjort?		 Val för dig
Anpassning
Andra gör också
Nästkommande bästa åtgärd		 Matrisfaktorisering (MF)

Dirigerad associering (DAS)
Textmetadata
T.ex. titel och beskrivning		 Liknande beskrivning Textbaserad likhet (TBS)
Visuell metadata
T.ex. produktbilder från flera olika bildningar		 Liknande utseende
Obs! Alla domäner passar inte in i det här scenariot. Du bör använda den om det är en bra representation för ett objekt.		 Visuellt baserad likhet (VBS)
Andra objektmetadata
T.ex. Form, Kategori, Taggar o.s.v.		 Samma som Interaktioner.
Tjänsten tillåter också att modeller kan byggas på olika sätt:
– Kombinera objektmetadata med interaktioner på ett hybrid sätt
- Eller skapat med enbart objektmetadata (med MF eller DAS-algoritm)		 Matrisfaktorisering (MF)

Dirigerad associering (DAS)
Användarmetadata
T.ex. demografiska uppgifter		 Relevanta scenarier gäller användaranpassning:
- Val för dig
- Anpassning

Tjänsten tillåter att modeller kan byggas på olika sätt:
– Kombinera användarmetadata med interaktioner på ett hybrid sätt
- Eller skapat med enbart användarmetadata (med MF eller DAS-algoritm)		 Matrisfaktorisering (MF)

Dirigerad associering (DAS)

Tillbaka till början

Hur avgör jag om jag ska använda matrisfaktoriserings- eller direkta associeringsalgoritmen?

Vi rekommenderar att du provar båda med dina data för att se vilken algoritm som returnerar bättre resultat utifrån dina affärsbehov.

Prova algoritmen Matrisfaktorisering (MF) om:

  • Kopplingen mellan objekt i din domän är mestadels kommutativ (symmetrisk, dvs. om A=>B sedan B=>A) och Associativ (dvs. om A=>B och B=>C då är A=>B).
  • Om du har lite data och du vill ha tillräckligt med rekommendationer för många objekt.

Prova DAS-algoritmen (direkt associering) om:

  • Anslutningen mellan objekt i domänen är mest direktiv (asymmetrisk, d.v.s. A=>B betyder inte B=>A) och direkt (ingen associativ).
  • Nästa bästa åtgärd (med en ordnad lista med objekt, vad som ska vara nästa åtgärd) är ett viktigt scenario för dig.
  • Du vill rekommendera en underdomän för objekten till en annan.
  • Direktanslutning som visas fler ska reflekteras mer i resultatet.

För mer information, se listnamn, tabeller över AlgoTypes, justeringar.

Tillbaka till början

Hur många interaktioner behöver jag för att säkerställa bra rekommendationer?

För att kunna skapa modeller för en uppsättning viktiga produkter bör varje produkt innehålla minst fem interaktioner eller fler för scenarier som "Andra gillar också" eller "Val" (personanpassning). Du skulle också behöva tillräckligt med interaktioner som inkluderar mer än en produkt, som är grupperad efter InteractionGroupingId (varje artikel i samma ordning skulle ha en rad i interaktionsdata entiteten med samma InteractionGroupingId) för att generera resultat för "Nästa bästa åtgärd".

En bra tumregel är att ha ungefär fem gånger så många interaktioner som antalet objekt. Om det till exempel finns 1 000 artiklar i katalogen kan du prova modellering med minst 5 000 interaktioner.

Om du är osäker på om det går att testa den med en enkel modell (färre kolumner) och så många interaktioner (fler rader) i indata datauppsättning möjligt. Om du vill utvärdera ditt datakontrakt för kvalitet och se mått för modellens prestanda går du till instrumentpaneler för Intelligent Recommendations.

Tillbaka till början

Varför behöver jag InteractionGroupingId, UserId, ItemId och ItemVariantId i min entitet för interaktionsdata?

InteractionGroupingId anger för de systemanslutna grupperna, särskilt för objekt, för en bättre övergripande slutledning över hela linjen. Exempelvis kan gruppering av transaktioner med InteractionGroupingId i återförsäljningsscenario hjälpa systemet att ta reda på vilka produkter som "ofta används tillsammans" i en roll som "Nästa bästa åtgärd", eller liknande objekt i "Personer gillar också".

UserId används av systemet för att skapa den relationer som skapas mellan objekt och användare som interagerar med objekt, som, beroende på hur modellen är fokuserad, kan skapa både personliga och icke-personliga modellscenarier. I det personliga tillvägagångssättet med UserId modellerar systemet en mappning mellan användare och objekt, baserat på varje enskild användares historiska preferenser. Därefter visas modellen "baserat på din tidigare historik, kanske du vill ha", kallad "Val för dig".

ItemId är den faktiska artikelreferensen. Det är viktigt att koppla varje objekt till interaktionerna och tillåta att mönster uppstår i modellen. Objekt-ID som inte har interaktioner visas inte i rekommendationerna för andra produkter och kan också få sämre rekommendationer när de används som rekommendationer för modeller som "Personer som gillar den här artikeln gillar också".

ItemVariantId används främst för scenariot "Liknande utseenden" och algoritmen visuellt baserad likhet (VBS), som tar hänsyn till bildmetadata istället för interaktioner. Det här fältet krävs inte för modeller och algoritmer som är beroende av interaktioner.

Mer information om de dataentiteter som krävs per scenario finns i mappningstabellen för dataentiteter.

Tillbaka till början

Kan jag använda objektmetadata som kategori, färg, modell osv?

Metadata för objekt kan vara till hjälp på många sätt:

  • Bättre modellering av objekt förutom för indata för interaktioner, så objekt med få eller till och med inga interaktioner (kalla objekt) kan fortfarande få rekommendationer om "personer gillar också".
  • Det går att ha en modell som bygger helt på metadata för objekt (till exempel innehållstaggar) och returnera rekommendationer av typen "liknande objekt".
    • Gör så här: Ge metadataobjektet ett TagId. För varje interaktionsrad i entiteten Interaktionsdata anger du InteractionGroupingId som Tagg-ID, men behåller objektet som ItemId och användare som UserID. Mer information om hur tagg-ID fungerar finns i guide till metadatataggning och gruppering.

[!VIKTIGT]

Använd ett separat konto för artikelmetadatabaserad modell, så att du har 1 IR-modell per IR-konto och de är separata från den rena användarinteraktionsbaserade modellen/kontot.

  • Föremål med informativa textbeskrivningar kan få "Liknande beskrivning"-rekommendationer, drivna av vår NLP-djupa modell.
  • Objekt och varianter med bilder kan få "Liknande utseende"-rekommendationer, drivna av vår visuella kognition för djupinlärning.

Gå tillbaka till överst.

Kan jag använda användarmetadata, som demografisk information, för att anpassa rekommendationer?

Med tjänsten Intelligent Recommendations kan kunderna ta med användarmetadata genom en process för metadatataggning. Användarmetadata kan vara kraftfulla för att rekommendera relevant innehåll till alla användare, inklusive

  • Nya eller sällsynta kunder (kallas även kalla användare).
  • Ansluta användare till vanliga attribut med metadatataggning. För att lära dig mer om demografisk gruppering med rekommendationer och för att se exempel, se guide till metadatataggning och gruppering.

Gå tillbaka till överst.

Kan jag göra rekommendationer från användare till användare?

För tillfället stöds inte fullständiga rekommendationer från användare till användare. För tillfället kan vissa datauppsättningar få rekommendationer från användare till användare genom att göra vissa ändringar i datakontraktet:

  • För varje ursprunglig interaktionsinmatning skapas varje rad till:
    • Skriva ItemID i kolumnen InteractionGroupingId
    • Skriva UserID i kolumnen ItemId
    • Gör API-begäran: När de föregående ändringarna i datakontraktet har gjorts anropas listtypen Andra också med användar-ID:t och en lista med liknande användare returneras.

Gå tillbaka till överst.

Var kan jag lära mig mer om matrisfaktoriseringsmodellen som används med Intelligent Recommendations?

Vår MF-modell: Enklassig samarbetsfiltrering med slumpmässiga grafer. Vi utvecklade en intern version av Bayesian matrisfaktorisering, som vi beskrev här och kan användas för att lära sig alla inbäddningar som vi förklarade här.

Gå tillbaka till överst.

Se även

Felsökningsguide
API-statuskoder
Datakontrakt
Mappningstabell för dataenheter.
Guide till metadatataggning och gruppera.