Amazon Personalize se complace en anunciar el nuevo Siendo tendencia ahora receta para ayudarlo a recomendar elementos que ganan popularidad al ritmo más rápido entre sus usuarios.
Amazon Personalize es un servicio de aprendizaje automático (ML) completamente administrado que facilita a los desarrolladores la entrega de experiencias personalizadas a sus usuarios. Le permite mejorar la interacción con el cliente impulsando recomendaciones personalizadas de contenido y productos en sitios web, aplicaciones y campañas de marketing dirigidas. Puede comenzar sin ninguna experiencia previa en ML, utilizando API para crear fácilmente capacidades de personalización sofisticadas con unos pocos clics. Todos sus datos están encriptados para que sean privados y seguros, y solo se usan para crear recomendaciones para sus usuarios.
Los intereses de los usuarios pueden cambiar en función de una variedad de factores, como eventos externos o los intereses de otros usuarios. Es fundamental que los sitios web y las aplicaciones adapten sus recomendaciones a estos intereses cambiantes para mejorar la participación de los usuarios. Con Trending-Now, puede mostrar elementos de su catálogo que están aumentando en popularidad con mayor velocidad que otros elementos, como noticias de tendencias, contenido social popular o películas recién estrenadas. Amazon Personalize busca artículos que están aumentando en popularidad a un ritmo más rápido que otros artículos del catálogo para ayudar a los usuarios a descubrir artículos que atraen a sus pares. Amazon Personalize también le permite definir los períodos de tiempo durante los cuales se calculan las tendencias según su contexto comercial único, con opciones para cada 30 minutos, 1 hora, 3 horas o 1 día, según los datos de interacciones más recientes de los usuarios.
En esta publicación, mostramos cómo usar esta nueva receta para recomendar artículos de moda a sus usuarios.
Resumen de la solución
Trending-Now identifica los artículos más populares calculando el aumento de las interacciones que tiene cada artículo en intervalos de tiempo configurables. Los elementos con la mayor tasa de aumento se consideran elementos de tendencia. El tiempo se basa en los datos de marca de tiempo en su conjunto de datos de interacciones. Puede especificar el intervalo de tiempo proporcionando una frecuencia de descubrimiento de tendencias cuando crea su solución.
La receta Trending-Now requiere un conjunto de datos de interacciones, que contiene un registro de los eventos de artículos y usuarios individuales (como clics, relojes o compras) en su sitio web o aplicación junto con las marcas de tiempo del evento. Puedes usar el parámetro Frecuencia de descubrimiento de tendencias para definir los intervalos de tiempo en los que se calculan y actualizan las tendencias. Por ejemplo, si tiene un sitio web de alto tráfico con tendencias que cambian rápidamente, puede especificar 30 minutos como la frecuencia de descubrimiento de tendencias. Cada 30 minutos, Amazon Personalize analiza las interacciones que se han ingerido correctamente y actualiza los elementos de tendencia. Esta receta también le permite capturar y mostrar cualquier contenido nuevo que se haya introducido en los últimos 30 minutos y haya visto un mayor grado de interés por parte de su base de usuarios que cualquier elemento del catálogo preexistente. Para cualquier valor de parámetro que supere las 2 horas, Amazon Personalize actualiza automáticamente las recomendaciones de elementos de tendencia cada 2 horas para tener en cuenta las nuevas interacciones y los nuevos elementos.
Los conjuntos de datos que tienen poco tráfico pero usan un valor de 30 minutos pueden tener una precisión de recomendación deficiente debido a la falta de datos de interacciones o a la falta de ellos. La receta Trending-Now requiere que proporcione datos de interacción durante al menos dos períodos de tiempo anteriores (este período de tiempo es la frecuencia deseada de descubrimiento de tendencias). Si los datos de interacción no existen para los últimos 2 períodos de tiempo, Amazon Personalize reemplazará los artículos de moda con artículos populares hasta que los datos mínimos requeridos estén disponibles.
La receta Trending-Now está disponible tanto para grupos de conjuntos de datos personalizados como para grupos de conjuntos de datos de dominio de video a pedido. En esta publicación, demostramos cómo adaptar sus recomendaciones para las tendencias que cambian rápidamente en el interés de los usuarios con esta nueva función Trending-Now para un caso de uso de medios con un grupo de conjuntos de datos personalizados. El siguiente diagrama ilustra el flujo de trabajo de la solución.
Por ejemplo, en las aplicaciones de video a pedido, puede usar esta función para mostrar qué películas son tendencia en la última hora especificando 1 hora para su frecuencia de descubrimiento de tendencias. Por cada hora de datos, Amazon Personalize identifica los artículos con la mayor tasa de aumento de interacciones desde la última evaluación. Las frecuencias disponibles incluyen 1 minutos, 1 hora, 30 horas y 1 día.
Requisitos previos
Para usar la receta Trending-Now, primero debe configurar los recursos de Amazon Personalize en la consola de Amazon Personalize. Cree su grupo de conjuntos de datos, importe sus datos, entrene una versión de la solución e implemente una campaña. Para obtener instrucciones completas, consulte Cómo comenzar.
Para esta publicación, hemos seguido el enfoque de la consola para implementar una campaña utilizando la nueva receta Trending-Now. Alternativamente, puede construir la solución completa utilizando el enfoque SDK con esto proporcionado cuaderno. Para ambos enfoques, utilizamos el Conjunto de datos público de MovieLens.
Preparar el conjunto de datos
Complete los siguientes pasos para preparar su conjunto de datos:
- Crear un grupo de conjunto de datos.
- Cree un conjunto de datos de interacciones usando lo siguiente Esquema:
- Importar los datos de las interacciones a Amazon Personalize desde Servicio de almacenamiento simple de Amazon (Amazon S3).
Para los datos de interacciones, usamos el historial de calificaciones del conjunto de datos de reseñas de películas, MovieLens.
Utilice el siguiente código Python para seleccionar el conjunto de datos de interacciones del conjunto de datos público de MovieLens.
La MovieLens
conjunto de datos contiene el user_id
, rating
, item_id
, las interacciones entre los usuarios y los elementos, y la hora en que tuvo lugar esta interacción (una marca de tiempo, que se proporciona como tiempo de época UNIX). El conjunto de datos también contiene información sobre el título de la película para asignar la ID de la película al título y los géneros reales. La siguiente tabla es una muestra del conjunto de datos.
ID_USUARIO | IDENTIFICACIÓN DEL ARTÍCULO | TIMESTAMP | TÍTULO | Géneros |
116927 | 1101 | 1105210919 | Arma superior (1986) | Acción|Romance |
158267 | 719 | 974847063 | Multiplicidad (1996) | Comedia |
55098 | 186871 | 1526204585 | Sanar (2017) | Documental |
159290 | 59315 | 1485663555 | Iron Man (2008) | Acción|Aventura|Ciencia ficción |
108844 | 34319 | 1428229516 | Isla, la (2005) | Acción|Ciencia ficción|Suspense |
85390 | 2916 | 953264936 | Total Recall (1990) | Acción|Aventura|Ciencia ficción|Suspense |
103930 | 18 | 839915700 | Cuatro habitaciones (1995) | Comedia |
104176 | 1735 | 985295513 | Grandes esperanzas (1998) | Drama|Romance |
97523 | 1304 | 1158428003 | Butch Cassidy y el niño de Sundance (1969) | Acción|Western |
87619 | 6365 | 1066077797 | Matrix Reloaded, La (2003) | Acción|Aventura|Ciencia ficción|Suspense|IMAX |
El conjunto de datos seleccionados incluye USER_ID
, ITEM_ID
(identificación de la película), y TIMESTAMP
para entrenar el modelo de Amazon Personalize. Estos son los campos obligatorios requeridos para entrenar un modelo con la receta Trending-Now. La siguiente tabla es una muestra del conjunto de datos seleccionado.
ID_USUARIO | IDENTIFICACIÓN DEL ARTÍCULO | TIMESTAMP |
48953 | 529 | 841223587 |
23069 | 1748 | 1092352526 |
117521 | 26285 | 1231959564 |
18774 | 457 | 848840461 |
58018 | 179819 | 1515032190 |
9685 | 79132 | 1462582799 |
41304 | 6650 | 1516310539 |
152634 | 2560 | 1113843031 |
57332 | 3387 | 986506413 |
12857 | 6787 | 1356651687 |
Entrena un modelo
Una vez que se completa el trabajo de importación del conjunto de datos, está listo para entrenar su modelo.
- En Soluciones pestaña, elegir Crear solución.
- Elija el
new aws-trending-now
. - En Configuracion avanzada sección, conjunto Frecuencia de descubrimiento de tendencias a 30 minutos.
- Elige Crear solución para empezar a entrenar.
Crea una campaña
En Amazon Personalize, utiliza una campaña para hacer recomendaciones para sus usuarios. En este paso, crea una campaña utilizando la solución que creó en el paso anterior y obtiene las recomendaciones Trending-Now:
- En Campañas pestaña, elegir Crear campaña.
- Nombre de campaña, ingresa un nombre.
- Solución, elige la solución
trending-now-solution
. - ID de versión de solución, elija la versión de la solución que utiliza el
aws-trending-now
. - Transacciones aprovisionadas mínimas por segundo, déjelo en el valor predeterminado.
- Elige Crear campaña para empezar a crear tu campaña.
Obtener recomendaciones
Después de crear o actualizar su campaña, puede obtener una lista recomendada de artículos que son tendencia, ordenados de mayor a menor. en la campaña (trending-now-campaign
) API de personalización pestaña, elegir Obtener recomendaciones.
La siguiente captura de pantalla muestra la página de detalles de la campaña con resultados de una GetRecommendations
llamada que incluye los elementos recomendados y el ID de recomendación.
Los resultados de la GetRecommendations
la llamada incluye los ID de los artículos recomendados. La siguiente tabla es una muestra después de asignar los ID a los títulos reales de las películas para facilitar la lectura. El código para realizar el mapeo se proporciona en el cuaderno adjunto.
IDENTIFICACIÓN DEL ARTÍCULO | TÍTULO |
356 | Forrest Gump (1994) |
318 | Redención de Shawshank, El (1994) |
58559 | El caballero oscuro, El (2008) |
33794 | Batman comienza (2005) |
44191 | V para Vendetta (2006) |
48516 | Partió, el (2006) |
195159 | Spider-Man: En el Spider-Verse (2018) |
122914 | Vengadores: Infinity War - Parte II (2019) |
91974 | Inframundo: Despertar (2012) |
204698 | Joker (2019) |
Obtenga recomendaciones de tendencias
Después de crear una versión de la solución mediante el aws-trending-now
receta, Amazon Personalize identificará los artículos de mayor tendencia calculando el aumento en las interacciones que tiene cada artículo en intervalos de tiempo configurables. Los elementos con la mayor tasa de aumento se consideran elementos de tendencia. El tiempo se basa en los datos de marca de tiempo en su conjunto de datos de interacciones.
Ahora proporcionemos las últimas interacciones a Amazon Personalize para calcular los elementos de tendencia. Podemos proporcionar las últimas interacciones utilizando la ingestión en tiempo real mediante la creación de un rastreador de eventos o a través de una carga masiva de datos con un trabajo de importación de conjuntos de datos en modo incremental. En el cuaderno, proporcionamos un código de muestra para importar individualmente los últimos datos de interacciones en tiempo real en Amazon Personalize utilizando el rastreador de eventos.
Para esta publicación, proporcionaremos las últimas interacciones como una carga masiva de datos con un trabajo de importación de conjuntos de datos en modo incremental. Utilice el siguiente código de Python para generar interacciones incrementales ficticias y cargue los datos de interacciones incrementales mediante un trabajo de importación de conjunto de datos.
Hemos generado sintéticamente estas interacciones seleccionando al azar algunos valores para USER_ID
y ITEM_ID
, y generar interacciones entre esos usuarios y elementos con las últimas marcas de tiempo. La siguiente tabla contiene los seleccionados al azar ITEM_ID
valores que se utilizan para generar interacciones incrementales.
IDENTIFICACIÓN DEL ARTÍCULO | TÍTULO |
153 | Batman para siempre (1995) |
260 | Star Wars: Episodio IV - Una nueva esperanza (1977) |
1792 | Alguaciles estadounidenses (1998) |
2363 | Godzilla (Gojira) (1954) |
2407 | Capullo (1985) |
2459 | Masacre de Texas, The (1974) |
3948 | Conoce a los padres (2000) |
6539 | Piratas del Caribe: La maldición de Bla… |
8961 | Increíbles, Los (2004) |
61248 | Carrera de la muerte (2008) |
Subir los datos de interacciones incrementales seleccionando Agregar al conjunto de datos actual (o use el modo incremental si usa API), como se muestra en la siguiente instantánea.
Una vez que se complete el trabajo de importación del conjunto de datos de interacciones incrementales, espere el tiempo de frecuencia de detección de tendencias que configuró para que se reflejen las nuevas recomendaciones.
Elige Obtener recomendaciones en la página de la API de la campaña para obtener la última lista recomendada de artículos que están de moda.
Ahora vemos la última lista de artículos recomendados. La siguiente tabla contiene los datos después de asignar los ID a los títulos reales de las películas para facilitar la lectura. El código para realizar el mapeo se proporciona en el cuaderno adjunto.
IDENTIFICACIÓN DEL ARTÍCULO | TÍTULO |
260 | Star Wars: Episodio IV - Una nueva esperanza (1977) |
6539 | Piratas del Caribe: La maldición de Bla… |
153 | Batman para siempre (1995) |
3948 | Conoce a los padres (2000) |
1792 | Alguaciles estadounidenses (1998) |
2459 | Masacre de Texas, The (1974) |
2363 | Godzilla (Gojira) (1954) |
61248 | Carrera de la muerte (2008) |
8961 | Increíbles, Los (2004) |
2407 | Capullo (1985) |
El precedente GetRecommendations
la llamada incluye los ID de los artículos recomendados. Ahora vemos el ITEM_ID
los valores recomendados provienen del conjunto de datos de interacciones incrementales que proporcionamos al modelo de Amazon Personalize. Esto no es sorprendente porque estos son los únicos elementos que generaron interacciones en los últimos 30 minutos de nuestro conjunto de datos sintéticos.
Ahora ha entrenado con éxito un modelo Trending-Now para generar recomendaciones de artículos que se están volviendo populares entre sus usuarios y adaptar las recomendaciones de acuerdo con el interés del usuario. En el futuro, puede adaptar este código para crear otros recomendadores.
También puedes usar filtros junto con la receta Trending-Now para diferenciar las tendencias entre diferentes tipos de contenido, como videos largos y cortos, o aplicar filtros promocionales para recomendar explícitamente artículos específicos basados en reglas que se alineen con sus objetivos comerciales.
Limpiar
Asegúrese de limpiar los recursos no utilizados que creó en su cuenta mientras sigue los pasos descritos en esta publicación. Puede eliminar filtros, recomendadores, conjuntos de datos y grupos de conjuntos de datos mediante el Consola de administración de AWS o usando el SDK de Python.
Resumen
El nuevo aws-trending-now
La receta de Amazon Personalize lo ayuda a identificar los artículos que se están volviendo rápidamente populares entre sus usuarios y adaptar sus recomendaciones a las tendencias que cambian rápidamente en el interés de los usuarios.
Para obtener más información acerca de Amazon Personalize, consulte la Guía para desarrolladores de Amazon Personalize.
Sobre los autores
Vamshi Krishna Enabothala es Arquitecto Sr. Especialista en IA Aplicada en AWS. Trabaja con clientes de diferentes sectores para acelerar iniciativas de datos, análisis y aprendizaje automático de alto impacto. Le apasionan los sistemas de recomendación, la PNL y las áreas de visión por computadora en IA y ML. Fuera del trabajo, Vamshi es un entusiasta de RC, construye equipos de RC (aviones, automóviles y drones) y también disfruta de la jardinería.
Anchit Gupta es gerente sénior de productos para Amazon Personalize. Se centra en ofrecer productos que faciliten la creación de soluciones de aprendizaje automático. En su tiempo libre, le gusta cocinar, jugar juegos de mesa/cartas y leer.
Abhishek Mangal es ingeniero de software para Amazon Personalize y trabaja en la arquitectura de sistemas de software para servir a los clientes a escala. En su tiempo libre, le gusta ver anime y cree que 'One Piece' es la mejor obra narrativa de la historia reciente.
- Distribución de relaciones públicas y contenido potenciado por SEO. Consiga amplificado hoy.
- Platoblockchain. Inteligencia del Metaverso Web3. Conocimiento amplificado. Accede Aquí.
- Fuente: https://aws.amazon.com/blogs/machine-learning/recommend-top-trending-items-to-your-users-using-the-new-amazon-personalize-recipe/
- :es
- $ UP
- 1
- 10
- 100
- 1985
- 1994
- 1996
- 1998
- 2012
- 2017
- 2018
- 2019
- 7
- a
- Nuestra Empresa
- acelerar
- Conforme
- Mi Cuenta
- la exactitud
- adaptar
- Después
- AI
- Todos
- permite
- Amazon
- Amazon Personalize
- entre
- Analytics
- y
- Anime
- Anunciar
- abejas
- API
- applicación
- aplicaciones
- aplicada
- IA aplicada
- Aplicá
- enfoque
- enfoques
- aplicaciones
- somos
- áreas
- AS
- At
- automáticamente
- Hoy Disponibles
- AWS
- bases
- basado
- BE
- porque
- cada vez
- cree
- a continuación
- entre
- build
- Construir la
- by
- calcular
- calculado
- el cálculo de
- llamar al
- Campaña
- Campañas
- PUEDEN
- Puede conseguir
- capacidades
- capturar
- Caribe
- carros
- case
- catalogar
- el cambio
- cambio
- Elige
- código
- Columnas
- COM
- completar
- computadora
- Visión por computador
- considerado
- Consola
- contiene
- contenido
- contexto
- Para crear
- creado
- Creamos
- crítico
- comisariada
- Current
- maldecir
- personalizado
- cliente
- para los principales clientes de comunicaciones europeas
- Clientes
- datos
- conjuntos de datos
- datetime
- día
- Predeterminado
- Grado
- entregamos
- entregar
- demostrar
- Dependiente
- desplegar
- deseado
- detalle
- Developer
- desarrolladores
- una experiencia diferente
- diferenciar
- descrubrir
- descubrimiento
- No
- dominio
- Drones
- cada una
- más fácil
- pasan fácilmente
- permite
- cifrado
- de su negocio.
- interactuando
- ingeniero
- Participar
- entusiasta
- Todo
- época
- equipo
- evaluación
- Evento
- Eventos
- Cada
- ejemplo
- excitado
- las expectativas
- experience
- Experiencias
- externo
- factores importantes
- más rápida
- más rápido
- Feature
- pocos
- Terrenos
- filtros
- Nombre
- se centra
- seguido
- siguiendo
- hacia
- adelante
- Frecuencia
- Desde
- ser completados
- completamente
- ganando
- Juegos
- generar
- generado
- la generación de
- obtener
- dado
- Goals
- va
- mayor
- mayores
- Grupo procesos
- Grupo
- Tienen
- ayuda
- ayuda
- Alta
- más alto
- más alto
- historia
- esperanza
- HORAS
- Cómo
- Como Hacer
- HTML
- http
- HTTPS
- i
- ID
- identifica
- Identifique
- importar
- mejorar
- in
- incluir
- incluye
- aumente
- INSTRUMENTO individual
- Individualmente
- Infinity
- información
- iniciativas
- Instrucciones
- interacción
- interacciones
- intereses
- intereses
- Introducido
- IT
- artículos
- Trabajos
- jpg
- Niño
- Knight
- Apellidos
- más reciente
- aprendizaje
- Abandonar
- Longitud Mínima
- como
- Lista
- Largo
- MIRADAS
- Baja
- máquina
- máquina de aprendizaje
- para lograr
- HACE
- hombre
- gestionado
- Management
- gerente
- obligatorio
- mapa
- cartografía
- Marketing
- Medios
- mínimo
- Min
- que falta
- ML
- Moda
- modelo
- más,
- MEJOR DE TU
- película
- Películas
- nombre
- ¿ Necesita ayuda
- Nuevo
- noticias
- nlp
- cuaderno
- of
- on
- Opciones
- Otro
- esbozado
- afuera
- Paz
- página
- Los pandas
- parámetro
- padres.
- parte
- apasionado
- pasado
- Realizar
- período
- períodos
- personalización
- personalizar
- Personalizado
- pieza
- Colocar
- Platón
- Inteligencia de datos de Platón
- PlatónDatos
- jugando
- Por favor
- pobre
- Popular
- popularidad
- Publicación
- Alimentación
- Preparar
- anterior
- Anterior
- privada
- Producto
- gerente de producto
- Productos
- proporcionar
- previsto
- proporcionando
- público
- compras
- Python
- Carrera
- azar
- rápidamente
- Rate
- .
- Calificaciones
- Reading
- ready
- en tiempo real
- reciente
- recetas
- recomiendan
- Recomendación
- recomendaciones
- recomendado
- grabar
- redención
- refleja
- liberado
- reemplazar
- Requisitos
- requiere
- Recursos
- Resultados
- una estrategia SEO para aparecer en las búsquedas de Google.
- creciente
- Habitaciones
- reglas
- s
- Escala
- Sdk
- Sección
- Sectores
- seguro
- seleccionado
- seleccionar
- mayor
- ayudar
- de coches
- set
- En Corto
- Mostrar
- mostrado
- Shows
- sencillos
- desde
- Instantánea
- Social
- Software
- Ingeniero de Software
- a medida
- Soluciones
- algo
- sofisticado
- especialista
- soluciones y
- comienzo
- fundó
- paso
- pasos
- STORAGE
- Cordón
- Con éxito
- tal
- Superficie
- sorprendente
- sintético
- sintéticamente
- Todas las funciones a su disposición
- mesa
- afectados
- esa
- La
- su
- Estas
- A través de esta formación, el personal docente y administrativo de escuelas y universidades estará preparado para manejar los recursos disponibles que derivan de la diversidad cultural de sus estudiantes. Además, un mejor y mayor entendimiento sobre estas diferencias y similitudes culturales permitirá alcanzar los objetivos de inclusión previstos.
- equipo
- fecha y hora
- Título
- títulos
- a
- parte superior
- tráfico
- Entrenar
- entrenado
- Formación
- Transacciones
- Tendencia
- tendencias
- Noticias de tendencias
- Tendencias
- tipos
- único
- UNIX
- no usado
- Actualizar
- utilizan el
- caso de uso
- Usuario
- usuarios
- propuesta de
- Valores
- variedad
- Velocidad
- versión
- vía
- Videos
- visión
- vs
- esperar
- guerra
- Ver ahora
- relojes
- Página web
- sitios web
- WELL
- ¿
- que
- mientras
- seguirá
- sin
- Actividades:
- funciona
- Usted
- tú
- zephyrnet
- Zip