شخصی‌سازی بدون هویت کاربر | مهندسی و علوم داده ایروب‌بی‌ان‌بی
خلاصه هوش مصنوعی
ایروب‌بی‌ان‌بی نحوه حل مشکل شروع سرد (cold-start) و محدودیت‌های حریم خصوصی برای کاربران ناشناس، خارج از سیستم یا بار اولی را با معرفی «ویژگی‌های مجاورتی» (Proximity Features) توضیح می‌دهد. این سیستم به جای تکیه بر شناسه‌های فردی کاربران، حدود ۱۰۰۰ کاربر نزدیک را در خوشه‌های جغرافیایی و هش‌شده IP به نام کلیدهای مجاورتی دسته‌بندی می‌کند. با تجمیع الگوهای تعامل کوتاه‌مدت و رزرو بلندمدت در این سطل‌های محلی، مدل‌های یادگیری ماشین می‌توانند توصیه‌های آگاه از موقعیت مکانی را بدون ردیابی تاریخچه فردی یا نقض استانداردهای حریم خصوصی ارائه دهند.
نکات کلیدی
- کلیدهای مجاورتی حدود ۱۰۰۰ کاربر نزدیک را با استفاده از کاشی‌های عرض/طول جغرافیایی کوانتومی و سطل‌های هش IP گروه‌بندی می‌کنند.
- یک الگوریتم خوشه‌بندی تطبیقی دو مرحله‌ای، تفکیک‌پذیری را به صورت پویا تنظیم می‌کند و کاشی‌های با دقت بالا در مراکز متراکم شهری و گروه‌های درشت‌تر در مناطق روستایی ارائه می‌دهد.
- ویژگی‌ها روزانه در زمینه‌های تعامل کوتاه‌مدت، رزروهای بلندمدت و فراداده‌های سطل محاسبه می‌شوند و از طریق یک انبار کلید-مقدار توزیع‌شده با تاخیر کم و وابستگی نرم ارائه می‌گردند.
چرا مهم است
مهندسان شاغل که با قوانین سخت‌گیرانه حریم خصوصی (مانند GDPR) و حذف کوکی‌های شخص ثالث دست و پنجه نرم می‌کنند، اغلب در شخصی‌سازی تجربه برای کاربران ناشناس با مشکل مواجه می‌شوند. این معماری نشان می‌دهد چگونه می‌توان با استفاده از خوشه‌بندی جغرافیایی تطبیقی، سیگنال‌های جمعی را به کار گرفت و بدون نیاز به ردیابی فردی، مرتبط بودن صفحات فرود بازاریابی و صفحه اصلی را بهبود بخشید.
گفتگو 0
آغازگر گفتگو باشید.