Руководство. Добавление персонализатора в веб-приложение .NET

Настройте веб-приложение C# .NET с помощью цикла Персонализатора, чтобы предоставить пользователю правильное содержимое на основе действий (с признаками) и признаков контекста.

В этом руководстве рассмотрено, как выполнять следующие задачи.

Выбор лучшего содержимого для веб-приложения

Веб-приложение должно использовать Персонализатор при наличии списка действий (определенный тип содержимого) на веб-странице, который необходимо настроить, чтобы отображался один верхний элемент (rewardActionId). Примерами списков действий являются новые статьи, расположения размещения кнопок и подбор слов для названий продуктов.

Вы отправляете список действий вместе с признаками контекста в цикл Персонализатора. Персонализатор выбирает одно лучшее действие, которое затем отображается в веб-приложении.

В рамках этого учебника в качестве действий будут использоваться типы пищи:

• макароны;
• мороженое;
• сок;
• cалат;
• попкорн;
• кофе;
• суп

Чтобы помочь Персонализатору узнать о ваших действиях, отправляйте действия с признаками и признаки контекста с каждым запросом API ранжирования.

Признак модели содержит информацию о действиях и контексте, которые могут быть агрегированы (сгруппированы) для всех членов базы пользователей веб-приложения. Признак не является индивидуальным (как идентификатор пользователя) или высокоспециализированным (как точное время дня).

Действия с признаками.

Каждое действие (элемент содержимого) имеет признаки, позволяющие различить блюдо.

Они не настраиваются в рамках конфигурации цикла на портале Azure. Вместо этого они отправляются в виде объекта JSON с каждым вызовом API ранжирования. Это предоставляет действиям и их признакам возможность увеличиваться, изменяться и сжиматься в течение периода времени, что позволяет Персонализатору отслеживать тенденции.

 /// <summary>
  /// Creates personalizer actions feature list.
  /// </summary>
  /// <returns>List of actions for personalizer.</returns>
  private IList<RankableAction> GetActions()
  {
      IList<RankableAction> actions = new List<RankableAction>
      {
          new RankableAction
          {
              Id = "pasta",
              Features =
              new List<object>() { new { taste = "savory", spiceLevel = "medium" }, new { nutritionLevel = 5, cuisine = "italian" } }
          },

          new RankableAction
          {
              Id = "ice cream",
              Features =
              new List<object>() { new { taste = "sweet", spiceLevel = "none" }, new { nutritionalLevel = 2 } }
          },

          new RankableAction
          {
              Id = "juice",
              Features =
              new List<object>() { new { taste = "sweet", spiceLevel = "none" }, new { nutritionLevel = 5 }, new { drink = true } }
          },

          new RankableAction
          {
              Id = "salad",
              Features =
              new List<object>() { new { taste = "sour", spiceLevel = "low" }, new { nutritionLevel = 8 } }
          },

          new RankableAction
          {
              Id = "popcorn",
              Features =
              new List<object>() { new { taste = "salty", spiceLevel = "none" }, new { nutritionLevel = 3 } }
          },

          new RankableAction
          {
              Id = "coffee",
              Features =
              new List<object>() { new { taste = "bitter", spiceLevel = "none" }, new { nutritionLevel = 3 }, new { drink = true } }
          },

          new RankableAction
          {
              Id = "soup",
              Features =
              new List<object>() { new { taste = "sour", spiceLevel = "high" }, new { nutritionLevel =  7} }
          }
      };

      return actions;
  }

Признаки контекста

Признаки контекста помогают Персонализатору понять контекст действий. Контекст этого примера приложения включает следующее:

• время суток — утро, полдень, вечер, ночь;
• вкусовые предпочтения пользователя — соленое, сладкое, горькое, кислое или острое;
• контекст браузера — агент пользователя, географическое расположение, источник ссылки.

/// <summary>
/// Get users time of the day context.
/// </summary>
/// <returns>Time of day feature selected by the user.</returns>
private string GetUsersTimeOfDay()
{
    Random rnd = new Random();
    string[] timeOfDayFeatures = new string[] { "morning", "noon", "afternoon", "evening", "night", "midnight" };
    int timeIndex = rnd.Next(timeOfDayFeatures.Length);
    return timeOfDayFeatures[timeIndex];
}

/// <summary>
/// Gets user food preference.
/// </summary>
/// <returns>Food taste feature selected by the user.</returns>
private string GetUsersTastePreference()
{
    Random rnd = new Random();
    string[] tasteFeatures = new string[] { "salty", "bitter", "sour", "savory", "sweet" };
    int tasteIndex = rnd.Next(tasteFeatures.Length);
    return tasteFeatures[tasteIndex];
}

Как веб-приложение использует Персонализатор?

Веб-приложение использует Персонализатор, чтобы выбрать из списка предложенных продуктов лучшее действие. Для этого при каждом вызове API ранжирования отправляется следующая информация:

• действия с их признаками, такими как taste и spiceLevel;
• признаки контекста, например time дня, предпочтения taste пользователя, а также сведения об агенте пользователя браузера и признаки контекста;
• исключаемые действия, например сок;
• код события, который отличается для каждого вызова API ранжирования.

Признаки модели Персонализатора в веб-приложении

Для Персонализатора необходимо предоставить признаки действий (содержимое) и текущий контекст (контекст пользователя и среды). Признаки используются, чтобы действия соответствовали текущему контексту в модели. Модель — это представление прошлых знаний Персонализатора о действиях, контексте и их признаках, которые позволяют принимать обоснованные решения.

Модель, включая признаки, обновляется по расписанию, заданному в разделе Частота обновления модели на портале Azure.

Планирование признаков и их значений

Признаки следует выбирать в соответствии с теми же параметрами планирования и разработки, которые вы будете применять ко всем схемам или моделям в системной архитектуре. Значения признаков можно задать с помощью бизнес-логики или сторонних систем. Они не должны быть высокоспециализированными, чтобы их можно было применить в группе или классе признаков.

Подготовка значений признаков

Группирование по категориям

Это приложение использует time в качестве признака, однако группирует значения времени по категориям, таким как morning, afternoon, evening и night. Это пример использования информации о времени. Эти значения не заданы особым образом, например как 10:05:01 UTC+2.

Разделение на части

Это приложение использует признаки HTTP-запросов из браузера. Цикл начинается с очень конкретной строки со всеми данными, например:

Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/530.99 (KHTML, like Gecko) Chrome/80.0.3900.140 Safari/537.36

Библиотека классов HttpRequestFeatures обобщает эту строку для объекта userAgentInfo, используя отдельные значения. Для всех значений, которые являются слишком конкретными, задается пустая строка. При отправке признаков контекста для запроса они имеют следующий формат JSON:

{
  "httpRequestFeatures": {
    "_synthetic": false,
    "OUserAgent": {
      "_ua": "",
      "_DeviceBrand": "",
      "_DeviceFamily": "Other",
      "_DeviceIsSpider": false,
      "_DeviceModel": "",
      "_OSFamily": "Windows",
      "_OSMajor": "10",
      "DeviceType": "Desktop"
    }
  }
}

Использование примера веб-приложения

Для запуска приложения с помощью примера веб-приложения на основе браузера (со всеми предоставленными кодами) необходимо иметь указанные ниже установленные приложения.

Установите следующее программное обеспечение:

• .NET Core 2.1 — пример внутреннего сервера использует .NET Core.
• Node.js — от этого приложения зависят клиент и внешний интерфейс.
• Visual Studio 2019 или .NET Core CLI — для разработки и запуска приложения предлагается использовать среду разработки Visual Studio 2019 или .NET Core CLI.

Настройка примера

1. Клонируйте репозиторий примеров персонализатора ИИ Azure.

   git clone https://github.com/Azure-Samples/cognitive-services-personalizer-samples.git
   

2. Перейдите в раздел samples/HttpRequestFeatures, чтобы открыть решение HttpRequestFeaturesExample.sln.

   После соответствующего запроса разрешите Visual Studio обновить пакет .NET для Персонализатора.

Настройка службы персонализатора ИИ Azure

1. Создайте ресурс "Персонализатор" на портале Azure.

2. На портал Azure вкладке "Ключи и конечные точки" найдите Endpoint или Key2 Key1 (или) на вкладке "Ключи и конечные точки". Это твоя PersonalizerServiceEndpoint и твояPersonalizerApiKey.

3. Укажите значение PersonalizerServiceEndpoint в файле appsettings.json.

4. Настройте PersonalizerApiKey в качестве секрета приложения одним из следующих способов:

   • Если вы используете .NET Core CLI, можно выполнить команду dotnet user-secrets set "PersonalizerApiKey" "<API Key>".
   • Если вы используете Visual Studio, щелкните правой кнопкой мыши проект и выберите пункт меню Управление секретами пользователей, чтобы настроить ключи Персонализатора. После этого Visual Studio откроет файл secrets.json, в котом можно добавить ключи следующим образом:

   {
     "PersonalizerApiKey": "<your personalizer key here>",
   }
   

Запуск примера

Создайте и запустите HttpRequestFeaturesExample с помощью одного из следующих методов:

• Visual Studio 2019: нажмите клавишу F5
• .NET Core CLI: выполните команду dotnet build, а затем — dotnet run.

С помощью браузера вы можете отправлять запросы на ранжирование и вознаграждения и просматривать ответы на них, а также признаки HTTP-запроса, извлеченные из вашей среды.

Демонстрация цикла Персонализатора

1. Нажмите кнопку Generate new Rank Request (Создать запрос ранжирования), чтобы создать объект JSON для вызова API ранжирования. При этом будут созданы действия (с признаками) и признаки контекста, а также отображены значения, чтобы вы могли увидеть, как будет выглядеть файл JSON.

   В вашем собственном будущем приложении создание действий и признаков может выполняться на стороне клиента, сервера или с использованием обоих этих вариантов, а также посредством вызовов к другим службам.

2. Выберите Send Rank Request (Отправить запрос ранжирования), чтобы отправить объект JSON на сервер. Сервер вызывает API ранжирования Персонализатора. Затем сервер получает ответ и возвращает высокоприоритетное действие клиенту для отображения.

3. Задайте значение вознаграждения, а затем нажмите кнопку Send Reward Request (Отправить запрос вознаграждения). Если вы не меняли значение вознаграждения, приложение клиента будет всегда отправлять значение 1 Персонализатору.

   

   В вашем будущем приложении создание оценки вознаграждения может выполняться после сбора информации на основе данных поведения пользователя на стороне клиента, а также бизнес-логики на стороне сервера.

Общие сведения о примере веб-приложения

Пример веб-приложения имеет сервер C# .NET, который управляет сбором признаков, а также отправляет вызовы HTTP в конечную точку Персонализатора и получает их из нее.

В примере веб-приложения используется внешнее клиентское приложение удаления для записи признаков, обработки действий пользовательского интерфейса, например нажатий кнопок, и отправки данных на сервер .NET.

В следующих разделах подробно описаны компоненты сервера и клиента, которые помогут разработчикам лучше понять, как использовать Персонализатор.

API ранжирования: клиентское приложение отправляет контекст на сервер

Клиентское приложение собирает данные об агенте пользователя браузера.

API ранжирования: вызовы персонализатора приложений сервера

Это типичное веб-приложение .NET с клиентским приложением, большая часть шаблонного кода которого уже вам доступна. Любой код, который не относится к Персонализатору, будет удален из указанных ниже фрагментов кода. Это позволит вам сосредоточиться на конкретном коде Персонализатора.

Создание клиента Персонализатора

В файле Startup.cs сервера используется конечная точка и ключ Персонализатора для создания его клиента. Клиентскому приложению не нужно взаимодействовать с Персонализатором в этом приложении, вместо того оно использует сервер, чтобы отправить вызовы SDK.

Код запуска .NET веб-сервера:

using Microsoft.Azure.CognitiveServices.Personalizer;
// ... other using statements removed for brevity

namespace HttpRequestFeaturesExample
{
    public class Startup
    {
        public Startup(IConfiguration configuration)
        {
            Configuration = configuration;
        }

        public IConfiguration Configuration { get; }

        // This method gets called by the runtime. Use this method to add services to the container.
        public void ConfigureServices(IServiceCollection services)
        {
            string personalizerApiKey = Configuration.GetSection("PersonalizerApiKey").Value;
            string personalizerEndpoint = Configuration.GetSection("PersonalizerConfiguration:ServiceEndpoint").Value;
            if (string.IsNullOrEmpty(personalizerEndpoint) || string.IsNullOrEmpty(personalizerApiKey))
            {
                throw new ArgumentException("Missing Azure AI Personalizer endpoint and/or api key.");
            }
            services.AddSingleton(client =>
            {
                return new PersonalizerClient(new ApiKeyServiceClientCredentials(personalizerApiKey))
                {
                    Endpoint = personalizerEndpoint
                };
            });

            services.AddMvc();
        }

        // ... code removed for brevity
    }
}

Выбор оптимального действия

В файле PersonalizerController.cs сервера API сервера GenerateRank обобщены сведения об этапах подготовки для вызова API ранжирования

• Создание eventId для вызова ранжирования.
• Получение списка действий.
• Получение списка признаков от пользователя и создание признаков контекста.
• Настройка исключенных действий (при необходимости).
• Вызов API ранжирования и возвращение результатов клиенту.

/// <summary>
/// Creates a RankRequest with user time of day, HTTP request features,
/// and taste as the context and several different foods as the actions
/// </summary>
/// <returns>RankRequest with user info</returns>
[HttpGet("GenerateRank")]
public RankRequest GenerateRank()
{
    string eventId = Guid.NewGuid().ToString();

    // Get the actions list to choose from personalizer with their features.
    IList<RankableAction> actions = GetActions();

    // Get context information from the user.
    HttpRequestFeatures httpRequestFeatures = GetHttpRequestFeaturesFromRequest(Request);
    string timeOfDayFeature = GetUsersTimeOfDay();
    string tasteFeature = GetUsersTastePreference();

    // Create current context from user specified data.
    IList<object> currentContext = new List<object>() {
            new { time = timeOfDayFeature },
            new { taste = tasteFeature },
            new { httpRequestFeatures }
    };

    // Exclude an action for personalizer ranking. This action will be held at its current position.
    IList<string> excludeActions = new List<string> { "juice" };

    // Rank the actions
    return new RankRequest(actions, currentContext, excludeActions, eventId);
}

Файл JSON, отправленный в Персонализатор, содержащий действия (с признаками) и поточные признаки контекста, выглядит следующим образом:

{
    "contextFeatures": [
        {
            "time": "morning"
        },
        {
            "taste": "savory"
        },
        {
            "httpRequestFeatures": {
                "_synthetic": false,
                "MRefer": {
                    "referer": "http://localhost:51840/"
                },
                "OUserAgent": {
                    "_ua": "",
                    "_DeviceBrand": "",
                    "_DeviceFamily": "Other",
                    "_DeviceIsSpider": false,
                    "_DeviceModel": "",
                    "_OSFamily": "Windows",
                    "_OSMajor": "10",
                    "DeviceType": "Desktop"
                }
            }
        }
    ],
    "actions": [
        {
            "id": "pasta",
            "features": [
                {
                    "taste": "savory",
                    "spiceLevel": "medium"
                },
                {
                    "nutritionLevel": 5,
                    "cuisine": "italian"
                }
            ]
        },
        {
            "id": "ice cream",
            "features": [
                {
                    "taste": "sweet",
                    "spiceLevel": "none"
                },
                {
                    "nutritionalLevel": 2
                }
            ]
        },
        {
            "id": "juice",
            "features": [
                {
                    "taste": "sweet",
                    "spiceLevel": "none"
                },
                {
                    "nutritionLevel": 5
                },
                {
                    "drink": true
                }
            ]
        },
        {
            "id": "salad",
            "features": [
                {
                    "taste": "sour",
                    "spiceLevel": "low"
                },
                {
                    "nutritionLevel": 8
                }
            ]
        },
        {
            "id": "popcorn",
            "features": [
                {
                    "taste": "salty",
                    "spiceLevel": "none"
                },
                {
                    "nutritionLevel": 3
                }
            ]
        },
        {
            "id": "coffee",
            "features": [
                {
                    "taste": "bitter",
                    "spiceLevel": "none"
                },
                {
                    "nutritionLevel": 3
                },
                {
                    "drink": true
                }
            ]
        },
        {
            "id": "soup",
            "features": [
                {
                    "taste": "sour",
                    "spiceLevel": "high"
                },
                {
                    "nutritionLevel": 7
                }
            ]
        }
    ],
    "excludedActions": [
        "juice"
    ],
    "eventId": "82ac52da-4077-4c7d-b14e-190530578e75",
    "deferActivation": null
}

Возвращение значения rewardActionId Персонализатора клиенту

API ранжирования возвращает выбранное оптимальное действие rewardActionId на сервер.

Отобразите действие, возвращенное в rewardActionId.

{
    "ranking": [
        {
            "id": "popcorn",
            "probability": 0.833333254
        },
        {
            "id": "salad",
            "probability": 0.03333333
        },
        {
            "id": "juice",
            "probability": 0
        },
        {
            "id": "soup",
            "probability": 0.03333333
        },
        {
            "id": "coffee",
            "probability": 0.03333333
        },
        {
            "id": "pasta",
            "probability": 0.03333333
        },
        {
            "id": "ice cream",
            "probability": 0.03333333
        }
    ],
    "eventId": "82ac52da-4077-4c7d-b14e-190530578e75",
    "rewardActionId": "popcorn"
}

Отображение клиентом действия rewardActionId

В этом учебнике отображается значение rewardActionId.

В вашем собственном будущем приложении это значение может представлять собой некоторый точный текст, кнопку или раздел выделенной веб-страницы. Список возвращается для любого пост-анализа оценок, а не для упорядочения содержимого. Должно отображаться только содержимое rewardActionId.

API вознаграждения: получение сведений о вознаграждении

Оценку вознаграждения следует тщательно планировать, точно так же, как и признаки. Оценка вознаграждения обычно должна иметь значение от 0 до 1. Значение можно частично вычислить в клиентском приложении на основе поведения пользователя и частично на сервере на основе бизнес-логики и целей.

Если сервер не вызывает API поощрения в течение времени ожидания вознаграждения, установленного на портале Azure для ресурса "Персонализатор", для этого события используется вознаграждение по умолчанию (также настроенное на портале Azure).

В этом примере приложения вы можете выбрать значение, чтобы увидеть, как вознаграждения влияют на выбранные элементы.

Дополнительные способы изучения этого примера

В примере используется несколько событий на основе времени, настроенные на портале Azure для ресурса "Персонализатор". Поэкспериментируйте с этими значениями, а затем вернитесь к этому примеру веб-приложения, чтобы увидеть, как изменения влияют на вызовы ранжирования и вознаграждения.

• Время ожидания результата
• Частота обновления модели

Другие возможности, с которыми вы можете поэкспериментировать:

• Вознаграждение по умолчанию
• Процент исследования.

Очистка ресурсов

Когда вы завершите работу с этим учебником, очистите следующие ресурсы:

• Удалите пример каталога проекта.
• Удалите ресурс "Персонализатор". Используйте ресурс "Персонализатор" только для действий и контекста. Ресурс следует использовать повторно, только если вы используете продукты в качестве предметной области действий.

Следующие шаги

• Принцип работы Персонализатора
• Признаки: сведения о концепциях признаков, использующиеся для действий и контекста.
• Вознаграждения: сведения о вычислении оценки вознаграждения.