이 특성은 Interact 런타임의 Interact > offerserving > optimizationType 특성이 BuiltInLearning으로 설정된 경우에만 적용할 수 있습니다.

Yes로 설정하면 Interact 디자인 시간에 학습을 사용할 것으로 예상합니다. enableLearning을 yes로 설정하는 경우 Interact > offerserving > optimizationType을 BuiltInLearning 또는 ExternalLearning으로 구성해야 합니다.

No로 설정하면 Interact 디자인 시간에 학습을 사용 안함으로 설정할 것으로 예상합니다. enableLearning을 no로 설정하는 경우에는 Interact > offerserving > optimizationType을 NoLearning으로 구성해야 합니다.

Interact 학습 유틸리티가 모니터하는 학습 속성의 최대 수입니다.

이 특성은 Interact 런타임의 Interact > offerserving > optimizationType 특성이 BuiltInLearning으로 설정된 경우에만 적용할 수 있습니다.

Interact 학습 모듈이 각 학습 속성에 대해 추적하는 값의 최대치입니다.

이 특성은 Interact 런타임의 Interact > offerserving > optimizationType 특성이 BuiltInLearning으로 설정된 경우에만 적용할 수 있습니다.

maxAttributeValues를 벗어난 모든 속성 값을 표시하는 데 사용된 속성 값의 기본 이름입니다.

이 특성은 Interact 런타임의 Interact > offerserving > optimizationType 특성이 BuiltInLearning으로 설정된 경우에만 적용할 수 있습니다.

maxAttributeValues가 3으로 설정되고 otherAttributeValue가 기타로 설정되면 학습 모듈은 처음 세 개의 값을 추적합니다. 다른 모든 값은 기타 카테고리에 할당됩니다. 예를 들어, 방문자 속성 모발 색상을 추적 중이며 처음 다섯 명 방문자의 모발 색상이 검은색, 갈색, 금발, 빨간색, 회색이면 학습 유틸리티는 검은색, 갈색, 금발의 모발 색상을 추적합니다. 빨간색과 회색 색상은 otherAttributeValue, 기타로 그룹화됩니다.

학습 모듈이 무작위 오퍼를 제시하는 시간의 백분율입니다. 예를 들어, percentRandomSelection을 5로 설정하면 학습 모듈이 5%(100개의 권장사항당 5개)에 해당하는 횟수만큼 점수에 상관없이 무작위 오퍼를 제시함을 의미합니다. 학습이 사용으로 설정된 경우, percentRandomSelection을 사용으로 설정하면 offerTieBreakMethod 구성 특성이 대체됩니다.

0(percentRandomSelection 기능을 사용 안함으로 설정하는 값)에서 100 사이의 정수.

recencyWeightingPeriod로 정의된 데이터 세트의 10진수 백분율 표시입니다. 예를 들어, 기본값 .15는 학습 유틸리티에 사용되는 데이터의 15%가 recencyWeightingPeriod에서 나왔음을 의미합니다.

이 특성은 Interact 런타임의 Interact > offerserving > optimizationType 특성이 BuiltInLearning으로 설정된 경우에만 적용할 수 있습니다.

학습 모듈이 recencyWeightingFactor 백분율의 가중치를 부여한 데이터의 시간 크기입니다. 예를 들어, 기본값 120은 학습 모듈에 사용된 데이터의 recencyWeightingFactor가 지난 120시간에 나온 것임을 의미합니다.

이 특성은 optimizationType이 builtInLearning으로 설정된 경우에만 적용할 수 있습니다.

Yes로 설정하면 Interact 학습 모듈이 학습 속성(표준 또는 동적)이 예측되지 않는 시기를 알고리즘 방식으로 판별합니다. 학습 속성이 예측되지 않으면 학습 모듈은 오퍼의 가중치를 판별할 때 이 속성을 고려하지 않습니다. 이는 학습 모듈이 학습 데이터를 집계할 때까지 계속됩니다.

No로 설정하는 경우에는 학습 모듈이 항상 모든 학습 속성을 사용합니다. 예측되지 않는 속성을 정리하지 않으면 학습 모듈이 최대한으로 정확해질 수 없습니다.