在AWS上使用上下文多臂老虎机通过个性化提升获客漏斗转化率
aws ·
本文详细介绍了亚马逊支付（Amazon Payments）如何在 AWS 上实施一个多目标上下文老虎机系统，以优化产品获取漏斗中三个阶段的个性化体验。团队在 Amazon SageMaker AI 中使用线性上置信界算法（LinUCB），根据个体客户的行为信号而非静态细分群体来定制内容选择。该模型通过加权组合分数，同时优化申请启动、提交和批准环节，以解决“跷跷板效应”——即优化某一阶段可能会对另一阶段产生负面影响。部署采用每周批处理架构，基于延迟反馈更新模型，并将推荐结果存储在低延迟的键值存储中以供调用。结果显示，其中一个客户群体的最终漏斗转化率实现了高个位数的提升，而另一个群体则因内容质量不足而非算法缺陷而未见改善。作者强调，尽管生成式人工智能扩大了创意变体的池子，但上下文老虎机对于为每位访问者选择最有效的变体至关重要。关键经验教训包括：通过充分探索验证内容池的重要性，以及在 A/B 测试之外结合离线评估以确保稳健的性能表现。
aws