leepand/bandit-recom

通过AI驱动的推荐，提高客户满意度和消费。适用于您的主页、产品详情、电子邮件营销活动等。

---

algolink.cloud • docs.algolink.cloud • Quickstart • Join Slack

bandit-recom

通过AI驱动的推荐，提高客户满意度和消费。适用于您的主页、产品详情、电子邮件营销活动等。帮助企业快速搭建推荐系统，为用户提供千人千面的个性化体验，解决信息过载与用户注意力有限之间的矛盾，将每一次曝光价值最大化

核心技术

• 数据自适应
  • 基于协作式和基于内容的过滤算法的个性化。
• 模型可实时更新
  • 实时为您的个人用户在每一个时点上进行个性化定制。
• 快速整合到您的业务系统
  • 通过我们完善的文档和易于使用的API、SDK快速集成。
  • 快速、简单的集成即可融入您的环境
• AI驱动的A/B测试
  • 为了随时保持最大的KPI，应用AutoML AI来优化算法合集。
• 支持业务规则配置
  • 我们的解决方案可以通过助推器或过滤器快速、轻松地添加任何业务规则。
• 内嵌AI算法模块
  • 深度神经网络的模块化有助于根据历史行为预测下一步行动。

支持的模型、策略及特征类型

当前支持的模型列表:

• Contextual Bandits (small datasets)
  • Linear bandit w/ ε-greedy exploration
  • Random forest bandit w/ ε-greedy exploration
  • Gradient boosted decision tree bandit w/ ε-greedy exploration
• Contextual Bandits (medium datasets)
  • Neural bandit with ε-greedy exploration
  • Neural bandit with UCB-based exploration (via. dropout exploration)
  • Neural bandit with UCB-based exploration (via. mixture density networks)
• Reinforcement Learning (large datasets)
  • Deep Q-learning with ε-greedy exploration
  • Quantile regression DQN with UCB-based exploration
  • Soft Actor-Critic

4 支持的特征类型:

• Numeric: standard floating point features
  • e.g. {totalCartValue: 39.99}
• Categorical: low-cardinality discrete features
  • e.g. {currentlyViewingCategory: "men's jeans"}
• ID list: high-cardinality discrete features
  • e.g. {productsInCart: ["productId022", "productId109"...]}
  • Handled via. learned embedding tables
• "Dense" ID list: high-cardinality discrete features, manually mapped to dense feature vectors
  • e.g {productId022: [0.5, 1.3, ...], productId109: [1.9, 0.1, ...], ...}

技术架构

bandit-recom技术架构：