ব্যক্তিগতকরণ মেশিন লার্নিং ব্যবহার করে—বিশেষত একটি প্রাসঙ্গিক মাল্টি-আর্মড দস্যু অ্যালগরিদম—একটি উদ্দেশ্য অর্জনের জন্য পৃথক ব্যবহারকারীদের জন্য সর্বোত্তম অভিজ্ঞতা নির্ধারণ করতে। আমাদের ক্ষেত্রে, উদ্দেশ্য হল নির্দিষ্ট Google Analytics ইভেন্টের মোট সংখ্যা বা মোট প্যারামিটার মানকে অপ্টিমাইজ করা।
একটি প্রাসঙ্গিক মাল্টি-আর্মড দস্যু অ্যালগরিদম কি?
"মাল্টি-আর্মড দস্যু" হল একটি রূপক যা পরিস্থিতি বর্ণনা করতে ব্যবহৃত হয় যেখানে আমরা ক্রমাগত একটি পথ বেছে নিতে চাই যা একাধিক পথের তালিকা থেকে সর্বোচ্চ, সবচেয়ে নির্ভরযোগ্য পুরস্কারের দিকে নিয়ে যায়। এটিকে কল্পনা করার জন্য, আপনি একটি সারির স্লট মেশিনের সামনে একজন জুয়াড়ির রূপক ব্যবহার করতে পারেন – প্রায়শই কথোপকথনে "এক-সশস্ত্র দস্যু" হিসাবে উল্লেখ করা হয় কারণ একটি স্লট মেশিনের একটি হ্যান্ডেল (বা বাহু) থাকে এবং আপনার টাকা নেয়। যেহেতু আমরা একাধিক "অস্ত্র" এর সমাধান করতে চাই, তাই এক-সশস্ত্র দস্যু বহু-সশস্ত্র দস্যু হয়ে যায়।
উদাহরণস্বরূপ, বলুন আমাদের তিনটি বিকল্প আছে এবং আমরা নির্ধারণ করতে চাই কোনটি সবচেয়ে নির্ভরযোগ্য পুরষ্কার প্রদান করে: আমরা প্রতিটি বিকল্প চেষ্টা করতে পারি, এবং তারপরে, ফলাফল পাওয়ার পরে, আমরা কেবল সেই বাহুটি বেছে নিতে পারি যা সর্বাধিক পুরষ্কার দেয়৷ এটিকে একটি লোভী অ্যালগরিদম হিসাবে উল্লেখ করা হয়েছে: যে বিকল্পটি সর্বোত্তম ফলাফল দেয় যখন আমরা এটি প্রথম চেষ্টা করি সেটিই আমরা বেছে নেওয়া চালিয়ে যাব। কিন্তু আমরা বুঝতে পারি যে এটি সবসময় কাজ নাও করতে পারে - একটি জিনিসের জন্য, উচ্চ পুরস্কার একটি ফ্লুক হতে পারে। অথবা হয়ত কিছু ব্যবহারকারী-নির্দিষ্ট প্রেক্ষাপট রয়েছে যার ফলে সেই সময়ের মধ্যে উচ্চতর পুরস্কার পাওয়া যায় যা পরবর্তীতে তেমন কার্যকর হবে না।
তাই অ্যালগরিদমকে আরও কার্যকর করতে প্রসঙ্গ যোগ করা হয়েছে। দূরবর্তী কনফিগার ব্যক্তিগতকরণের জন্য, এই প্রাথমিক প্রসঙ্গ হল র্যান্ডম স্যাম্পলিং, বা অনিশ্চয়তা , যা পরীক্ষায় কিছু এনট্রপি প্রদান করে। এটি একটি " প্রসঙ্গিক বহু-সশস্ত্র দস্যু" প্রয়োগ করে। পরীক্ষাটি চলতে থাকলে, চলমান অন্বেষণ এবং পর্যবেক্ষণ বাস্তবে শেখা প্রেক্ষাপট যোগ করে যে কোন অস্ত্রগুলি মডেলের জন্য একটি পুরষ্কার পাওয়ার সম্ভাবনা সবচেয়ে বেশি, এটিকে আরও কার্যকর করে তোলে।
আমার অ্যাপের জন্য এর অর্থ কী?
এখন, আপনার অ্যাপের পরিপ্রেক্ষিতে একটি মাল্টি-আর্মড ব্যান্ডিট অ্যালগরিদম কী তা নিয়ে আলোচনা করা যাক। ধরা যাক আপনি ব্যানার বিজ্ঞাপন ক্লিকের জন্য অপ্টিমাইজ করছেন। এই ক্ষেত্রে, ব্যক্তিগতকরণের "বাহুবলী" হ'ল বিকল্প মানগুলি যা আপনি ব্যবহারকারীদের কাছে প্রদর্শন করতে চান এমন বিভিন্ন ব্যানার বিজ্ঞাপনের প্রতিনিধিত্ব করার জন্য নির্দিষ্ট করেছেন৷ ব্যানার বিজ্ঞাপন ক্লিক হল পুরস্কার, যাকে আমরা উদ্দেশ্য হিসেবে উল্লেখ করি।
আপনি যখন প্রথম একটি ব্যক্তিগতকরণ চালু করেন, তখন মডেলটি জানে না যে কোন বিকল্প মান প্রতিটি স্বতন্ত্র ব্যবহারকারীর জন্য আপনার লক্ষ্য অর্জনের সম্ভাবনা বেশি। যেহেতু ব্যক্তিগতকরণ আপনার উদ্দেশ্য অর্জনের সম্ভাবনা বোঝার জন্য প্রতিটি বিকল্প মান অন্বেষণ করে, অন্তর্নিহিত মডেলটি আরও সচেতন হয়, প্রতিটি ব্যবহারকারীর জন্য সর্বোত্তম অভিজ্ঞতার ভবিষ্যদ্বাণী এবং নির্বাচন করার ক্ষমতাকে উন্নত করে।
ব্যক্তিগতকরণ 24 ঘন্টার একটি স্টিকিনেস উইন্ডো ব্যবহার করে। ব্যক্তিগতকরণ অ্যালগরিদম একটি একক বিকল্প মান অন্বেষণ করার সময় এটি। প্রতিটি বিকল্প মান একাধিকবার (সাধারণত প্রায় 14 দিন) অন্বেষণ করার জন্য আপনার ব্যক্তিগতকরণগুলিকে যথেষ্ট সময় দেওয়া উচিত। আদর্শভাবে, আপনি তাদের স্থায়ীভাবে চলতে দিতে পারেন যাতে তারা ক্রমাগত উন্নতি করতে পারে এবং আপনার অ্যাপ এবং ব্যবহারকারীর আচরণ পরিবর্তনের সাথে সাথে মানিয়ে নিতে পারে।
অতিরিক্ত মেট্রিক্স ট্র্যাক করুন
রিমোট কনফিগ ব্যক্তিগতকরণ আপনার ফলাফলগুলিকে প্রাসঙ্গিক করতে সাহায্য করার জন্য দুটি অতিরিক্ত মেট্রিক পর্যন্ত ট্র্যাক করার ক্ষমতা প্রদান করে। ধরা যাক আপনি একটি সামাজিক অ্যাপ তৈরি করেছেন এবং ব্যবহারকারীদের সামগ্রিক ব্যস্ততা বাড়াতে বন্ধুদের সাথে সামগ্রী ভাগ করতে উত্সাহিত করার জন্য বিভিন্ন বিকল্প মান সেট করেছেন৷
এই ক্ষেত্রে, আপনি link_received এর মত একটি Analytics ইভেন্টের জন্য অপ্টিমাইজ করা বেছে নিতে পারেন এবং আপনার দুটি মেট্রিক্স user_engagement এবং link_opened এ সেট করতে পারেন যাতে ব্যবহারকারীর ব্যস্ততা এবং ব্যবহারকারীর খোলে লিঙ্কের সংখ্যা বেড়ে যায় (সত্য এনগেজমেন্ট) বা কমে যায় (সম্ভবত অনেক বেশি স্প্যামি লিঙ্ক )
যদিও এই অতিরিক্ত মেট্রিকগুলি ব্যক্তিগতকরণের অ্যালগরিদমে ফ্যাক্টর করা হবে না, আপনি আপনার ব্যক্তিগতকরণের ফলাফলের পাশাপাশি সেগুলিকে ট্র্যাক করতে পারেন, আপনার সামগ্রিক লক্ষ্যগুলি অর্জন করার জন্য ব্যক্তিগতকরণের ক্ষমতা সম্পর্কে মূল্যবান অন্তর্দৃষ্টি প্রদান করে৷
ব্যক্তিগতকরণের ফলাফলগুলি বুঝুন
একটি ব্যক্তিগতকরণ ডেটা সংগ্রহ করার জন্য যথেষ্ট দীর্ঘ সময় ধরে চলার পরে, আপনি এর ফলাফল দেখতে পারেন।
ব্যক্তিগতকরণ ফলাফল দেখতে:
রিমোট কনফিগারেশন পৃষ্ঠাটি খুলুন এবং ব্যক্তিগতকরণে ক্লিক করুন।
আপনি দেখতে চান ব্যক্তিগতকরণ নির্বাচন করুন. আপনি নাম বা উদ্দেশ্য দ্বারা নির্দিষ্ট ব্যক্তিগতকরণের জন্য অনুসন্ধান করতে পারেন, এবং নাম, শুরুর সময় বা মোট উত্তোলন অনুসারে সাজাতে পারেন।
ফলাফলের পৃষ্ঠাটি মোট উত্তোলনের সারসংক্ষেপ করে, বা পারফরম্যান্সের শতাংশের পার্থক্য, যা ব্যক্তিগতকরণ বেসলাইন গ্রুপে প্রদান করে।
ফলাফলের পৃষ্ঠাটি ব্যক্তিগতকরণের বর্তমান অবস্থা, ব্যক্তিগতকরণের বৈশিষ্ট্য এবং একটি ইন্টারেক্টিভ গ্রাফও দেখায় যা:
বেসলাইনের বিপরীতে ব্যক্তিগতকরণ কীভাবে পারফর্ম করেছে তার একটি বিশদ দৈনিক এবং মোট দৃশ্য দেখায়।
বেসলাইন গ্রুপ জুড়ে প্রতিটি মান সামগ্রিকভাবে কীভাবে কাজ করে তা দেখায়।
আপনার বেছে নেওয়া অতিরিক্ত মেট্রিক্সের বিপরীতে লক্ষ্য ফলাফল এবং কর্মক্ষমতা প্রদর্শন করে, সারাংশের শীর্ষে থাকা ট্যাবগুলি ব্যবহার করে অ্যাক্সেসযোগ্য।
একটি ব্যক্তিগতকরণ অনির্দিষ্টকালের জন্য চলমান রেখে দেওয়া যেতে পারে এবং আপনি ফলাফল পৃষ্ঠাটি তার কার্যকারিতা নিরীক্ষণ করতে পুনরায় পরিদর্শন করা চালিয়ে যেতে পারেন৷ অ্যালগরিদম শিখতে এবং সামঞ্জস্য করতে থাকবে, যাতে ব্যবহারকারীর আচরণ পরিবর্তন হলে এটি মানিয়ে নিতে পারে।
পরবর্তী পদক্ষেপ
দূরবর্তী কনফিগার ব্যক্তিগতকরণ ব্যবহারের ক্ষেত্রে অন্বেষণ করুন।
রিমোট কনফিগ ব্যক্তিগতকরণের সাথে শুরু করুন ।