Tilpas dine anbefalinger ved at promovere specifikke varer ved hjælp af forretningsregler med Amazon Personalize

I dag er vi glade for at kunne annoncere Kampagner funktion i Amazon Personalize, der giver dig mulighed for eksplicit at anbefale specifikke varer til dine brugere baseret på regler, der stemmer overens med dine forretningsmål. For eksempel kan du have marketingpartnerskaber, der kræver, at du promoverer bestemte mærker, internt indhold eller kategorier, som du ønsker at forbedre synligheden af. Kampagner giver dig mere kontrol over anbefalede varer. Du kan definere forretningsregler for at identificere reklamegenstande og fremvise dem på tværs af hele din brugerbase uden ekstra omkostninger. Du kontrollerer også procentdelen af ​​det promoverede indhold i dine anbefalinger. Amazon Personalize finder automatisk de relevante varer i sættet af salgsfremmende varer, der opfylder din forretningsregel, og distribuerer dem inden for hver brugers anbefalinger.

Amazon Personalize giver dig mulighed for at forbedre kundeengagementet ved at levere personlige produkt- og indholdsanbefalinger i websteder, applikationer og målrettede marketingkampagner. Du kan komme i gang uden forudgående maskinlæringserfaring (ML) ved at bruge API'er til nemt at opbygge sofistikerede personaliseringsfunktioner med få klik. Alle dine data er krypteret for at være private og sikre og bruges kun til at lave anbefalinger til dine brugere.

I dette indlæg demonstrerer vi, hvordan du tilpasser dine anbefalinger med den nye kampagnefunktion til en e-handelsbrug.

Løsningsoversigt

Forskellige virksomheder kan bruge kampagner baseret på deres individuelle mål for den type indhold, de ønsker at øge engagementet på. Du kan bruge kampagner til at få en procentdel af dine anbefalinger til at være af en bestemt type for enhver applikation uanset domæne. I e-handelsapplikationer kan du f.eks. bruge denne funktion til at få 20 % af de anbefalede varer til at være dem, der er markeret som på udsalg eller fra et bestemt mærke eller kategori. Til video-on-demand-brug kan du bruge denne funktion til at fylde 40 % af en karrusel med nyligt lancerede shows og film, som du vil fremhæve, eller til at promovere liveindhold. Du kan bruge kampagner i domænedatasætgrupper , brugerdefinerede datasætgrupper (Brugertilpasning , Lignende genstande opskrifter).

Amazon Personalize gør det nemt at konfigurere kampagner: Opret først et filter, der udvælger de varer, du vil promovere. Du kan bruge Amazon Personalize-konsollen eller API til at oprette et filter med din logik ved hjælp af Amazon Personalize DSL (domænespecifikt sprog). Det tager kun et par minutter. Når du anmoder om anbefalinger, skal du angive kampagnen ved at angive filteret, procentdelen af ​​anbefalingerne, der skal matche det pågældende filter, og om nødvendigt de dynamiske filterparametre. De promoverede varer er tilfældigt fordelt i anbefalingerne, men eventuelle eksisterende anbefalinger fjernes ikke.

Følgende diagram viser, hvordan du kan bruge kampagner i anbefalinger i Amazon Personalize.

Du definerer de varer, der skal promoveres i katalogsystemet, indlæser dem til Amazon Personalize items-datasættet og får derefter anbefalinger. At få anbefalinger uden at angive en kampagne returnerer de mest relevante varer, og i dette eksempel kun én vare fra de promoverede varer. Der er ingen garanti for, at promoverede varer returneres. At få anbefalinger med 50 % promoverede varer returnerer halvdelen af ​​de varer, der tilhører de promoverede varer.

Dette indlæg leder dig gennem processen med at definere og anvende kampagner i dine anbefalinger i Amazon Personalize for at sikre, at resultaterne fra en kampagne eller anbefaling indeholder specifikke elementer, som du ønsker, at brugerne skal se. Til dette eksempel opretter vi en detailanbefaler og promoverer varer med CATEGORY_L2 as halloween, hvilket svarer til Halloween-pynt. Et kodeeksempel for denne use case er tilgængelig på GitHub.

Forudsætninger

For at bruge kampagner skal du først konfigurere nogle Amazon Personalize-ressourcer på Amazon Personalize-konsollen. Opret din datasætgruppe, indlæs dine data, og oplær en anbefaling. For fuldstændige instruktioner, se Kom godt i gang.

1. Opret en datasætgruppe.
2. Opret en Interactions datasæt ved hjælp af følgende skema:

   {
       "type": "record",
       "name": "Interactions",
       "namespace": "com.amazonaws.personalize.schema",
       "fields": [
           {
               "name": "USER_ID",
               "type": "string"
           },
           {
               "name": "ITEM_ID",
               "type": "string"
           },
           {
               "name": "TIMESTAMP",
               "type": "long"
           },
           {
               "name": "EVENT_TYPE",
               "type": "string"
           }
       ],
       "version": "1.0"
   }

3. Importer interaktionsdataene til Amazon Personalize fra Amazon Simple Storage Service (Amazon S3). Til dette eksempel bruger vi følgende datafil. Vi genererede de syntetiske data baseret på koden i Detail Demo Store projekt. Se GitHub-reposen for at lære mere om dataene og potentielle anvendelser.
4. Opret en Items datasæt ved hjælp af følgende skema:

   {
       "type": "record",
       "name": "Items",
       "namespace": "com.amazonaws.personalize.schema",
       "fields": [
           {
               "name": "ITEM_ID",
               "type": "string"
           },
           {
               "name": "PRICE",
               "type": "float"
           },
           {
               "name": "CATEGORY_L1",
               "type": ["string"],
               "categorical": true
           },
           {
               "name": "CATEGORY_L2",
               "type": ["string"],
               "categorical": true
           },
           {
               "name": "GENDER",
               "type": ["string"],
               "categorical": true
           }
       ],
       "version": "1.0"
   }

5. Importer varedataene til Amazon Personalize fra Amazon S3. Til dette eksempel bruger vi følgende datafil, baseret på koden i Detail Demo Store projekt.For mere information om formatering og import af dine interaktioner og emnedata fra Amazon S3, se Import af masseregistreringer.
6. Opret en anbefaling. I dette eksempel opretter vi en "Anbefalet til dig" anbefaling.

Opret et filter til dine kampagner

Nu hvor du har konfigureret dine Amazon Personalize-ressourcer, kan du oprette en filtrere der vælger varerne til din kampagne.

Du kan oprette et statisk filter, hvor alle variabler hardkodes ved filteroprettelse. For eksempel at tilføje alle elementer, der har CATEGORY_L2 as halloween, brug følgende filterudtryk:

INCLUDE ItemID WHERE Items.CATEGORY_L2 IN ("halloween")

Du kan også oprette dynamiske filtre. Dynamiske filtre kan tilpasses i realtid, når du anmoder om anbefalingerne. For at oprette et dynamisk filter skal du definere dine filterudtrykskriterier ved hjælp af en pladsholderparameter i stedet for en fast værdi. Dette giver dig mulighed for at vælge de værdier, der skal filtreres, ved at anvende et filter på en anbefalingsanmodning i stedet for, når du opretter dit udtryk. Du angiver et filter, når du ringer til Få anbefalinger or Få personlig rangering API-operationer, eller som en del af dine inputdata, når du genererer anbefalinger i batch-tilstand gennem en batch-inferensjob.

For f.eks. at vælge alle elementer i en kategori valgt, når du foretager dit slutningsopkald med et anvendt filter, skal du bruge følgende filterudtryk:

INCLUDE ItemID WHERE Items.CATEGORY_L2 IN ($CATEGORY)

Du kan bruge den foregående DSL til at oprette et tilpasseligt filter på Amazon Personalize-konsollen. Udfør følgende trin:

1. På Amazon Personalize-konsollen, på filtre side, vælg Opret filter.
2. Til Filternavn, indtast navnet på dit filter (for dette indlæg indtaster vi category_filter).
3. Type Byg udtryk eller tilføj dit udtryk manuelt for at oprette dit brugerdefinerede filter.
4. Byg udtrykket "Inkluder ItemID HVOR Items.CATEGORY_L2 IN $CATEGORY"Til Værdi, indtaster du en værdi på $ plus et parameternavn, der ligner dit ejendomsnavn og er let at huske (for dette eksempel, $CATEGORY).
5. Hvis du vil sammenkæde yderligere udtryk med dit filter, skal du vælge plustegnet.
6. Vælg for at tilføje yderligere filterudtryk Tilføj udtryk.
7. Vælg Opret filter.
   

Du kan også oprette filtre via createFilter API i Amazon Personalize. For mere information, se Opret filter.

Anvend kampagner på dine anbefalinger

Anvendelse af a filtrere når det at få anbefalinger er en god måde at skræddersy dine anbefalinger til specifikke kriterier. Men brug af filtre anvender filteret direkte på alle de returnerede anbefalinger. Når du bruger kampagner, kan du vælge, hvor stor en procentdel af anbefalingerne, der svarer til de promoverede varer, hvilket giver dig mulighed for at blande og matche personlige anbefalinger og de bedste varer, der matcher kampagnekriterierne for hver bruger i de proportioner, der giver mening for din virksomheds brug.

Følgende eksempelkode er en anmodningstekst for GetRecommendations API, der får anbefalinger til en bruger, der bruger "Anbefalet til dig" anbefaler:

{
    "recommenderArn" = "arn:aws:personalize:us-west-2:000000000000:recommender/test-recommender",
    userId = "1",
    numResults = 20
}

Denne anmodning returnerer personlige anbefalinger til den angivne bruger. Af varerne i kataloget er disse de 20 mest relevante for brugeren.

Vi kan foretage det samme opkald og anvende et filter for kun at returnere varer, der matcher filteret. Følgende eksempelkode er en anmodningstekst for GetRecommendations API, der får anbefalinger til en bruger, der bruger "Anbefalet til dig"-anbefaleren og anvender en dynamisk filter kun at returnere relevante varer, der har CATEGORY_L2 as halloween:

{
    "recommenderArn" = "arn:aws:personalize:us-west-2:000000000000:recommender/test-recommender",
    userId = "1",
    numResults = 20,
    filterArn = "arn:aws:personalize:us-west-2:000000000000:filter/category_filter",
    filterValues={ "CATEGORY": ""halloween""}
}

Denne anmodning returnerer personlige anbefalinger for den angivne bruger, der har CATEGORY_L2 as halloween. Ud af varerne i kataloget er det de 20 mest relevante varer med CATEGORY_L2 as halloween til brugeren.

Du kan bruge kampagner, hvis du ønsker, at en vis procentdel af varer skal have en egenskab, du ønsker at promovere, og resten skal være varer, der er mest relevante for denne bruger ud af alle varer i kataloget. Vi kan gøre det samme opkald og anvende en forfremmelse. Følgende eksempelkode er en anmodningstekst for GetRecommendations API, der modtager anbefalinger til en bruger, der bruger "Anbefalet til dig"-anbefaleren og anvender en kampagne for at inkludere en vis procentdel af relevante varer, der har CATEGORY_L2 as halloween:

{
    recommenderArn = "arn:aws:personalize:us-west-2:000000000000:recommender/test-recommender",
    userId = "1",
    numResults = 20,
    promotions = [{
        "name" : "halloween_promotion",
        "percentPromotedItems" : 20,
        "filterArn": "arn:aws:personalize:us-west-2:000000000000:filter/category_filter",
        "filterValues": {
            "CATEGORY" : ""halloween""
        }
    }]
}

Denne anmodning returnerer 20 % af anbefalingerne, der matcher det filter, der er angivet i kampagnen: varer med CATEGORY_L2 as halloween; og 80 % personlige anbefalinger til den angivne bruger, som er de mest relevante varer for brugeren ud af varerne i kataloget.

Du kan bruge et filter kombineret med kampagner. Filteret i parameterblokken på øverste niveau gælder kun for de ikke-promoverede varer.

Filteret til at vælge de promoverede elementer er angivet i promotions parameterblok. Følgende eksempelkode er en anmodningstekst for GetRecommendations API, der får anbefalinger til en bruger, der bruger "Anbefalet til dig"-anbefaleren og bruger det dynamiske filter, vi har brugt to gange. Det første filter gælder for ikke-promoverede varer, valg af varer med CATEGORY_L2 as decorative, og det andet filter gælder for kampagnen, der promoverer varer med CATEGORY_L2 as halloween:

{
    recommenderArn = "arn:aws:personalize:us-west-2:000000000000:recommender/test-recommender",
    userId = "1",
    numResults = 20,
    "filterArn": "arn:aws:personalize:us-west-2:000000000000:filter/category_filter",
    "filterValues": {
        "CATEGORY" : ""decorative""
    }
    promotions = [{
        "name" : "halloween_promotion",
        "percentPromotedItems" : 20,
        "filterArn": "arn:aws:personalize:us-west-2:000000000000:filter/category_filter",
        "filterValues": {
            "CATEGORY" : ""halloween""
        }
    }]
}

Denne anmodning returnerer 20 % af anbefalingerne, der matcher det filter, der er angivet i kampagnen: varer med CATEGORY_L2 as halloween. De resterende 80 % af de anbefalede varer er personlige anbefalinger til den angivne bruger CATEGORY_L2 as decorative. Disse er de mest relevante varer for brugeren ud af de varer i kataloget med CATEGORY_L2 as decorative.

Ryd op

Sørg for at rydde op i alle ubrugte ressourcer, du har oprettet på din konto, mens du følger de trin, der er beskrevet i dette indlæg. Du kan slette filtre, anbefalere, datasæt og datasætgrupper via AWS Management Console eller ved at bruge Python SDK.

Resumé

Tilføjelse kampagner  i Amazon Personalize giver dig mulighed for at tilpasse dine anbefalinger til hver bruger ved at inkludere elementer, som du eksplicit ønsker at øge synlighed og engagement på. Kampagner giver dig også mulighed for at angive, hvor stor en procentdel af de anbefalede varer, der skal promoveres, hvilket skræddersyer anbefalingerne til at opfylde dine forretningsmål uden ekstra omkostninger. Du kan bruge kampagner til anbefalinger ved at bruge opskrifterne Brugertilpasning og Lignende genstande, samt bruge case-optimerede anbefalere.

For mere information om Amazon Personalize, se Hvad er Amazon Personalize?

Om forfatterne

Anna Gruebler er Solutions Architect hos AWS.

Alex Burkleaux er Solutions Architect hos AWS. Hun fokuserer på at hjælpe kunder med at anvende maskinlæring og dataanalyse til at løse problemer i medie- og underholdningsindustrien. I sin fritid nyder hun at tilbringe tid med familien og at arbejde frivilligt som skipatruljer ved sin lokale skibakke.

Liam Morrison er Solutions Architect Manager hos AWS. Han leder et team med fokus på Marketing Intelligence-tjenester. Han har brugt de sidste 5 år på at fokusere på praktiske anvendelser af maskinlæring i medier og underholdning, og han har hjulpet kunder med at implementere personalisering, naturlig sprogbehandling, computersyn og mere.