ساخت یک موتور توصیه در دنیای واقعی برای OOH

سیستم های توصیه کننده معمولاً در زمینه فیدهای محتوا، تجارت الکترونیک یا تبلیغات میلی ثانیه ای مورد بحث قرار می گیرند. توجه کمتری به مشکلات توصیه می شود که در آن تصمیمات گسسته، پرهزینه، از نظر مکانی محدود و از نظر عملیاتی غیرقابل برگشت هستند.

تبلیغات خارج از خانه (OOH) یکی از این حوزه هاست.

این پست به چگونگی طراحی یک موتور توصیه درجه تولید برای برنامه‌ریزی رسانه OOH می‌پردازد – موتوری که تحت محدودیت‌های دنیای واقعی کار می‌کند، مدل‌سازی احتمالی را ادغام می‌کند و بهینه‌سازی را با اندازه‌گیری مرتبط می‌کند. در حالی که دامنه یک رسانه فیزیکی است، درس های معماری به بسیاری از مسائل کاربردی ML تعمیم می دهند.

مشکل: برنامه ریزی تحت محدودیت های فیزیکی

زمان‌بندی OOH یک موضوع رتبه‌بندی نیست. تو انتخاب نمیکنی بهترین مورد– شما یک را می سازید نمونه کارها موجودیت‌های فیزیکی (بیلبوردها، صفحه‌نمایش‌ها، مکان‌ها) در معرض محدودیت‌هایی هستند که بیشتر شبیه تحقیقات عملیاتی هستند تا سیستم‌های توصیه:

• موجودی ثابت با ویژگی های ناهمگن
• محدودیت های سخت بودجه و قیمت گذاری دقیق
• الزامات پوشش جغرافیایی در چندین بازار
• محدودیت های تخصیص نوع و قالب رسانه
• کاهش بازده از همپوشانی فضا و مخاطب
• نتایج نامشخصی که بعداً باید اندازه گیری و محافظت شوند

رویکردهای سنتی بر اکتشافات متکی هستند:

• واحدهایی را برای “برداشت های قوی” انتخاب کنید.
• آنها را “به اندازه کافی” پخش کنید
• قوانین دستی را اعمال کنید

نتیجه طرح‌های شکننده‌ای است که توجیه، بهینه‌سازی یا مقیاس‌بندی آن‌ها دشوار است.

فرمول بندی مجدد سیستم: توصیه به عنوان بهینه سازی محدود

ما دوباره مشکل را به عنوان توصیه محدود پیش بینی نیست

هدف موتور پیش‌بینی یک KPI واحد نیست، بلکه انتخاب مجموعه‌ای از واحدهاست که مقدار مورد انتظار را به حداکثر برسانند و در عین حال محدودیت‌ها را برآورده کنند. این به چهار لایه اصلی نیاز داشت:

1. نمایش واحد عادی
2. الگوی احتمالی محدوده و همپوشانی
3. تابع برای علامت گذاری امتیاز برای تساوی
4. یک الگوریتم انتخاب آگاه از محدودیت

هر لایه را می توان به طور مستقل آزمایش و توسعه داد.

لایه 1: نرمال سازی واحد و کنترل ویژگی

سیستم با یک فضای ویژگی واحد انتخاب شده و به شدت تایپ شده شروع می شود. این عمدا محافظه کارانه است.

فقط ویژگی هایی که عبارتند از:

• در طول زمان پایدار است
• مشمول حسابرسی
• قابل توضیح برای ذینفعان غیر ML

در مدل مجاز هستند. به عنوان مثال می توان به ابعاد فیزیکی، جهت گیری، نورپردازی، جغرافیا، برداشت ها و ابرداده های فروشنده اشاره کرد.

این راه حل جایگزین بیان مدل خام می شود اعتماد عملیاتی– یک موضوع تکرار شونده در یادگیری ماشین کاربردی.

لایه 2: پوشش احتمالی به جای برداشت های قطعی

OOH impressions افزودنی نیستند. دو بیلبورد مجاور با ترافیک همپوشانی دوبرابر دسترسی ندارند.

برای مقابله با این، مدل های موتور به طور احتمالی به این موارد می رسند:

• هر واحد به افزایش دامنه کمک می کند
• ارزش افزایشی با نزدیکی فضایی و همپوشانی مخاطب کاهش می یابد
• همپوشانی با استفاده از توابع تضعیف مبتنی بر فاصله و سطل های تفکیک جغرافیایی تخمین زده می شود

این مدل به جای تخمین افراد دقیق به دست آمده، تخمین هایی را انجام می دهد سهم اضافی مورد انتظار. این سیستم را سریع، یکنواخت و در هدف نگه می دارد – برای برنامه ریزی بسیار مهم است.

بینش کلیدی:

برای تصمیم گیری بهتر به پوشش کامل نیاز ندارید—شما به مقایسه های حاشیه ای مداوم نیاز دارید.

لایه 3: مشارکت پیش بینی شده به عنوان یک عامل تعیین کننده، نه یک هدف

بسیاری از سیستم‌های توصیه‌گر تحت فشار تلاش برای پیش‌بینی یک نتیجه «واقعی» از بین می‌روند.

ما صریحا از این امر اجتناب کردیم.

در عوض، یک را معرفی کردیم امتیاز مشارکت پیش بینی شده (PES) تنها زمانی استفاده می‌شود که دو واحد کاندید در غیر این صورت از نظر محدودیت‌ها و سهم هم ارز باشند. PES هرگز محدودیت های سخت را نادیده نمی گیرد و به منطق نمی رسد – ابهامات را برطرف می کند.

این طراحی حتی زمانی که مدل تعامل ناقص است، سیستم را قوی نگه می‌دارد، که همیشه همین‌طور است.

لایه 4: انتخاب مبتنی بر محدودیت

الگوریتم انتخاب تکراری و حریصانه است، اما ساده لوحانه نیست.

در هر مرحله، موتور ارزیابی می کند:

• بودجه باقی مانده
• محدودیت های تخصیص نوع رسانه
• الزامات پوشش بازار
• سهم دامنه حاشیه پس از همپوشانی
• تنظیمات نرم اختیاری

کاندیداهایی که محدودیت های سخت را نقض کنند کاملاً رد صلاحیت می شوند. در میان سایر موارد، موتور واحدی را با بالاترین ارزش دلاری افزایشی انتخاب می کند.

این رویکرد به صورت خطی مقیاس می شود، قابل تفسیر باقی می ماند و از شکنندگی حل کننده های جهانی که با ورودی های پر سر و صدا مبارزه می کنند، اجتناب می کند.

اندازه گیری به عنوان شهروند درجه یک

انتخاب های حیاتی طراحی: طراح و سیستم اندازه گیری تعاریف مشترکی دارند.

واحدهای انتخاب شده توسط موتور بعداً با استفاده از همان اصول اولیه جغرافیایی، تعاریف کوهورت و منطق نوردهی ارزیابی می شوند. این تراز، حالت شکست رایج را که در آن بهینه‌سازی و اندازه‌گیری با طراحی مطابقت ندارند، حذف می‌کند.

نتیجه یک حلقه بسته است:

• برنامه → اندازه گیری → یادگیری → به روز رسانی اکتشافی و وزن

لازم به ذکر است که این چرخه حتی بدون بازآموزی مدل های پیچیده، رفتار سیستم را بهبود می بخشد.

چرا این فراتر از OOH اهمیت دارد

این پروژه چندین درس گسترده تر را برای متخصصان یادگیری ماشین تقویت می کند:

1. مشکلات بهینه سازی از فروتنی سود می برند – مدل‌های صحیح هدفمند با محدودیت‌های واضح اغلب از پیش‌بینی‌کننده‌های ضعیف «کامل» بهتر عمل می‌کنند.
2. توضیح پذیری یک ویژگی است، نه یک امتیاز – سیستم هایی که ذینفعان به آنها اعتماد دارند استفاده و بهبود می یابند.
3. تراز کردن اندازه گیری ها پیچیدگی مدل را از بین می برد – تعاریف مشترک در برنامه ریزی و ارزیابی در طول زمان ایجاد می شود.
4. اکثر مشکلات ارجاع در واقع مشکلات پورتفولیو هستند – برخورد با آنها به این صورت، معماری های بهتری را باز می کند.

یک فکر نهایی

جالب‌ترین سیستم‌های ML در مرز بین تئوری و واقعیت زندگی می‌کنند – جایی که محدودیت‌ها نامرتب هستند، داده‌ها ناقص هستند و تصمیم‌گیری‌ها پیامدهایی دارند.

موتورهای ارجاع نباید جادویی باشند. آنها باید باشند صادقانه، قابل اندازه گیریو طراحی شده برای دنیایی که در آن فعالیت می کنند.

این استانداردی است که ما به آن پایبند هستیم – و در هر سیستم ML کاربردی ارزش تلاش برای آن را دارد.