发布于: Oct 30, 2022
如何提升机器学习的效果,是人工智能发展道路上不断探索的问题。比如,选取适当的时机,在用户面前展示高相关性推荐,已经成为成功实现个性化策略的关键一步。但是,客户的决策过程可能根据推荐过程与具体交互方式而随时变化。在本文中,我们将介绍如何设置 Amazon Personalize,并在可以感知上下文的部署中进行查询。
Amazon Personalize 为大家提供 Amazon.com 二十多年来使用的同一套机器学习(ML)技术方案,可以轻松在应用程序当中添加复杂的个性化功能,且无需任何机器学习专业知识。Amazon Personalize 还支持根据用户的上下文信息(例如设备类型、所在位置、当前时间或者其他具体信息)自动调整推荐内容。
哈佛大学发布的研究论文《情境如何影响选择(How Context Affects Choice)》,将情境(或者上下文)定义为一类能够影响决策过程、进而改变选择结果的重要因素。作为业务经营者,您需要通过分析客户在手机和计算机上访问商品列表并进行购物时的不同表现,或者发现客户在晴天和阴天情况下的购物选择变化,整理出可靠的模式与消费偏好。
使用用户上下文信息,我们可以为现有用户提供个性化程度更高的体验,这也有助于缩短为新用户或匿名用户提供良好服务的冷启动时间。所谓冷启动时间,是指由于缺少对当前用户历史信息的了解,而导致推荐引擎无法提供个性化推荐预测的阶段。
我们可以通过四个简单步骤,在 Amazon Personalize 当中设置并使用上下文信息:
- 将用户的上下文信息添加至用户-项目交互历史数据集中。
- 使用 User Personalization 或 Personalized Ranking 配方训练一套上下文感知型解决方案。这里的配方,是指使用交互数据集中的行为数据以及用户或者项目的元数据,对推荐器进行训练的具体算法。
- 在使用 GetRecommendations 或 GetPersonalizedRanking 查询实时推荐结果时,使用与指定用户相关联的上下文信息。
- 在使用 event tracker 进行事件记录时,引入用户上下文信息。
在构建数据集时,我们也需要明确考虑各类重要的上下文信息。设备类型就是客户经常涉及的一类常见上下文示例,具体包括智能手机、平板电脑或者台式机等。设备类型在电子商务中的购买行为有着巨大影响:荷兰屯特大学的一项探索性研究 The Effect of Device Type on Buying Behavior in Ecommerce: An Exploratory Study 证明,设备类型与购买行为直接相关——如果他们使用的上网设备不够顺手,很可能会推迟购买决定。因此,我们应该将设备类型上下文嵌入至数据集之内,由 Amazon Personalize 学习这种模式,并在推理时结合这一用户上下文给出最合理的推荐内容。
在本文的用例中,我们将旅行爱好者设定为潜在客户。在考虑选择出行的航空公司时,他们会综合多项相关因素进行评估。例如,这场旅途是短途飞行还是长途飞行?他们打算用现金还是里程积分预订机票?他们是一个人出行吗?他们从哪里出发又返回到哪里?在整理了这些初步问题之后,下一项重大决策就是选择客舱类型。如果我们的旅行爱好者选择了高端客舱,则可以假设他们更重视航空公司所提供的旅途飞行体验。现在我们已经对用户的需求拥有了比较充分的了解,现在是购买的时候了!
接下来考虑这一决策流程中的变量因素。虽然我们无法控制这些因素,但却可以据此对推荐内容做出调整。首先,确定可能影响用户行为的共通点。仍然以旅行客户为例,飞行时长与客舱类型无疑是非常理想的上下文信息,而旅行者类型与旅行者居住地则代表着推荐数据集中的高质量用户元数据。所谓元数据,是指我们明确了解的、与用户及项目相关的信息,能够在一段时间内一定程度上保持不变;而上下文则属于环境信息,可能随时间推移而迅速变化,并极大影响到客户的感知与行为。
在训练数据集中选择相关度最高的元数据字段,并结合上下文丰富您的交互数据集,即可生成更适合用户的推荐结果。在本文中,我们将构建一套 Amazon Personalize 部署方案,由其返回适合客户偏好的航空公司推荐列表。我们将客舱类型设定为上下文,将旅行者住址设定为元数据字段,并观察推荐结果如何根据上下文与元数据而调整变化。
相关文章