در سطح پایه، فناوری یادگیری ماشین (ML) از داده ها برای پیش بینی ها یاد می گیرد. کسب و کارها از داده های خود با یک سرویس شخصی سازی مبتنی بر ML استفاده می کنند تا تجربه مشتری خود را ارتقا دهند. این رویکرد به کسب و کارها اجازه می دهد تا از داده ها برای به دست آوردن بینش عملی و کمک به رشد درآمد و وفاداری به برند خود استفاده کنند.
آمازون شخصی سازی کنید تحول دیجیتالی شما را با ML تسریع میکند و ادغام توصیههای شخصیشده در وبسایتها، برنامهها، سیستمهای بازاریابی ایمیلی و موارد دیگر را آسانتر میکند. Amazon Personalize توسعه دهندگان را قادر می سازد تا به سرعت یک موتور شخصی سازی سفارشی شده را بدون نیاز به تخصص ML پیاده سازی کنند. Amazon Personalize زیرساخت های لازم را فراهم می کند و کل خط لوله یادگیری ماشین (ML) را مدیریت می کند، از جمله پردازش داده ها، شناسایی ویژگی ها، استفاده از مناسب ترین الگوریتم ها، و آموزش، بهینه سازی و میزبانی مدل ها. شما نتایج را از طریق یک API دریافت میکنید و فقط برای آنچه استفاده میکنید، بدون حداقل کارمزد یا تعهدات اولیه پرداخت میکنید.
پست طراحی توصیههای شخصیشده تقریباً همزمان با Amazon Personalize نشان می دهد که چگونه می توان توصیه های شخصی سازی شده نزدیک به زمان واقعی را با استفاده از Amazon Personalize و خدمات داده هدفمند AWS. در این پست، ما شما را از طریق پیاده سازی مرجع یک سیستم توصیه شخصی در زمان واقعی با استفاده از Amazon Personalize راهنمایی می کنیم.
بررسی اجمالی راه حل
راه حل توصیه های شخصی سازی شده در زمان واقعی با استفاده از پیاده سازی می شود آمازون شخصی سازی کنید, سرویس ذخیره سازی ساده آمازون (Amazon S3), آمازون کینزیس جریان داده, AWS لامبداو دروازه API آمازون.
معماری به شرح زیر پیاده سازی می شود:
- آماده سازی داده ها - شروع کن ایجاد یک گروه داده، طرحواره ها و مجموعه داده ها نشان دهنده موارد، تعاملات و داده های کاربر شما است.
- مدل را آموزش دهید – پس از وارد کردن داده های خود، دستور غذا را مطابق با مورد استفاده خود انتخاب کنید و سپس یک راه حل ایجاد کنید برای آموزش یک مدل توسط ایجاد یک نسخه راه حل هنگامی که نسخه راه حل شما آماده شد، می توانید یک کمپین برای نسخه راه حل خود ایجاد کنید.
- نزدیک به توصیه های زمان واقعی دریافت کنید - وقتی کمپین دارید، می توانید تماس ها را با کمپین در برنامه خود ادغام کنید. اینجاست که به دریافت توصیه ها or دریافت رتبه شخصی APIها برای درخواست توصیه های تقریباً بلادرنگ از Amazon Personalize ساخته شده اند.
برای اطلاعات بیشتر به مراجعه کنید طراحی توصیههای شخصیشده تقریباً همزمان با Amazon Personalize.
نمودار زیر معماری راه حل را نشان می دهد.
پیاده سازی
ما این پیادهسازی را با یک مورد استفاده در مورد ایجاد توصیههای بیدرنگ فیلم به کاربر نهایی بر اساس تعامل آنها با پایگاه داده فیلم در طول زمان نشان میدهیم.
راه حل با استفاده از مراحل زیر اجرا می شود:
- پیش نیاز (آماده سازی داده ها)
- محیط توسعه خود را تنظیم کنید
- راه حل را مستقر کنید
- یک نسخه راه حل ایجاد کنید
- یک کمپین ایجاد کنید
- یک ردیاب رویداد ایجاد کنید
- دریافت توصیه ها
- تعاملات زمان واقعی را مصرف کنید
- توصیه های بلادرنگ را تأیید کنید
- پاک کردن
پیش نیازها
قبل از شروع، مطمئن شوید که پیش نیازهای زیر را دارید:
- داده های آموزشی خود را آماده کنید - داده ها را با استفاده از سطل S3 آماده و بارگذاری کنید دستورالعمل. برای این مورد خاص، دادههای تعاملات و دادههای موارد را آپلود خواهید کرد. تعامل رویدادی است که ثبت میکنید و سپس به عنوان داده آموزشی وارد میکنید. Amazon Personalize اصولاً بر اساس دادههای تعاملی که به مجموعه داده تعامل وارد میکنید، توصیههایی ایجاد میکند. می توانید چندین نوع رویداد مانند کلیک، تماشا یا لایک را ضبط کنید. اگرچه مدل ایجاد شده توسط Amazon Personalize میتواند بر اساس تعاملات گذشته کاربر پیشنهاد کند، اما زمانی که مدل دادههایی درباره ارتباط بین کاربران یا موارد داشته باشد، کیفیت این پیشنهادات را میتوان افزایش داد. اگر کاربر با فیلمهایی که در مجموعه دادههای آیتم بهعنوان درام طبقهبندی شدهاند درگیر شده باشد، Amazon Personalize فیلمهایی (اقلام) با همان ژانر را پیشنهاد میکند.
- محیط توسعه خود را تنظیم کنید - نصب رابط خط فرمان AWS (AWS CLI).
- CLI را با حساب آمازون خود پیکربندی کنید - AWS CLI را پیکربندی کنید با اطلاعات حساب AWS شما.
- نصب و راهاندازی کیت توسعه ابری AWS (AWS CDK)
راه حل را مستقر کنید
برای استقرار راه حل، موارد زیر را انجام دهید:
یک نسخه راه حل ایجاد کنید
راه حل به ترکیبی از دستور العمل شخصی سازی آمازون، پارامترهای سفارشی شده و یک یا چند نسخه راه حل (مدل های آموزش دیده) اشاره دارد. هنگامی که پروژه CDK را در مرحله قبل اجرا می کنید، یک راه حل با دستور شخصی سازی کاربر به طور خودکار برای شما ایجاد می شود. یک نسخه راه حل به یک مدل یادگیری ماشین آموزش دیده اشاره دارد. ایجاد یک نسخه راه حل برای اجرا
یک کمپین ایجاد کنید
یک کمپین یک نسخه راه حل (مدل آموزش دیده) را با ظرفیت تراکنش تدارک دیده برای ایجاد توصیه های بلادرنگ به کار می گیرد. ایجاد یک کمپین برای اجرا
یک ردیاب رویداد ایجاد کنید
Amazon Personalize میتواند توصیههایی را فقط بر اساس دادههای رویداد بیدرنگ، فقط دادههای رویداد تاریخی یا هر دو توصیه کند. رویدادهای بیدرنگ را ضبط کنید تا دادههای تعاملات خود را ایجاد کنید و به Amazon Personalize اجازه دهید از آخرین فعالیت کاربر شما بیاموزد. این اطلاعات شما را تازه نگه می دارد و ارتباط توصیه های Amazon Personalize را بهبود می بخشد. قبل از اینکه بتوانید رویدادها را ضبط کنید، باید یک ردیاب رویداد ایجاد کنید. یک ردیاب رویداد، دادههای رویداد جدید را به مجموعه دادههای تعامل در گروه داده شما هدایت میکند. ایجاد و ردیاب رویداد برای اجرا
دریافت توصیه ها
در این مورد استفاده، مجموعه داده تعاملی از شناسه های فیلم تشکیل شده است. در نتیجه، توصیههایی که به کاربر ارائه میشود شامل شناسههای فیلم است که با ترجیحات شخصی آنها مطابقت دارد، که از تعاملات تاریخی آنها تعیین میشود. می توانید استفاده کنید getRecommendations
API برای بازیابی توصیههای شخصیشده برای کاربر با ارسال مرتبط آن userID
, تعداد نتایج برای توصیه هایی که برای کاربر و همچنین کمپین ARN نیاز دارید. می توانید کمپین ARN را در منوی کنسول شخصی سازی آمازون بیابید.
به عنوان مثال، درخواست زیر 5 توصیه برای کاربری که userId
429 است:
پاسخ درخواست به صورت زیر خواهد بود:
مواردی که با فراخوانی API برگردانده میشوند، فیلمهایی هستند که Amazon Personalize بر اساس تعاملات تاریخی به کاربر توصیه میکند.
مقادیر امتیاز ارائه شده در این زمینه اعداد ممیز شناور را نشان می دهد که بین صفر تا 1.0 متغیر است. این مقادیر با کمپین فعلی و دستور العمل های مربوط به این مورد استفاده مطابقت دارد. آنها بر اساس نمرات جمعی اختصاص داده شده به همه موارد موجود در مجموعه داده جامع شما تعیین می شوند.
تعاملات زمان واقعی را مصرف کنید
در مثال قبلی، توصیه هایی برای کاربر با شناسه 429 بر اساس تعاملات تاریخی آنها با پایگاه داده فیلم به دست آمد. برای توصیههای بیدرنگ، تعامل کاربر با موارد باید بهصورت همزمان در Amazon Personalize وارد شود. این تعاملات از طریق Amazon Personalize وارد سیستم توصیه می شود ردیاب رویداد. نوع تعامل نیز نامیده می شود EventType
، توسط ستونی به همین نام در مجموعه داده تعاملی (EVENT_TYPE
). در این مثال، رویدادها می توانند از نوع «watch» یا «click» باشند، اما شما می توانید انواع رویدادهای خود را با توجه به نیاز برنامه خود داشته باشید.
در این مثال، API در معرض نمایش که رویدادهای کاربران را با آیتم ها تولید می کند، پارامتر "تعامل" را دریافت می کند که با تعداد رویدادها مطابقت دارد.interactions
) یک کاربر (UserId
) با یک عنصر واحد (itemId
) همین الان. را trackingId
پارامتر را می توان در کنسول شخصی آمازون و در پاسخ به ایجاد درخواست ردیاب رویداد یافت.
این مثال الف را نشان می دهد putEvent
درخواست: با استفاده از مهر زمانی فعلی، 1 تعامل از نوع کلیک، با شناسه مورد «185» برای شناسه کاربر «429» ایجاد کنید. توجه داشته باشید که در تولید، "sentAt" باید روی زمان تعامل کاربر تنظیم شود. در مثال زیر، زمانی که درخواست API را برای این پست نوشتیم، این را به نقطه زمانی در قالب زمان دوره ای تنظیم کردیم. رویدادها از طریق یک API Gateway به Amazon Kinesis Data Streams ارسال می شوند، به همین دلیل است که شما باید پارامترهای stream-name و PartitionKey را ارسال کنید.
شما یک پاسخ تاییدی مشابه زیر دریافت خواهید کرد:
توصیه های بلادرنگ را تأیید کنید
از آنجا که مجموعه داده تعامل به روز شده است، توصیه ها به طور خودکار به روز می شوند تا تعاملات جدید را در نظر بگیرند. برای تأیید اعتبار توصیههای بهروزرسانیشده در زمان واقعی، میتوانید دوباره getRecommendations API را برای همان شناسه کاربر 429 فراخوانی کنید و نتیجه باید با مورد قبلی متفاوت باشد. نتایج زیر یک توصیه جدید با شناسه 594 را نشان می دهد و توصیه های با شناسه های 16، 596، 153 و 261 امتیازات خود را تغییر داده اند. این موارد ژانر جدید فیلم ("انیمیشن|کودک|درام|فانتزی|موزیکال") را در 5 توصیه برتر به ارمغان آورد.
درخواست:
پاسخ:
پاسخ نشان می دهد که توصیه ارائه شده توسط Amazon Personalize در زمان واقعی به روز شده است.
پاک کردن
برای جلوگیری از هزینه های غیر ضروری، پیاده سازی راه حل را با استفاده از آن پاک کنید پاکسازی منابع.
نتیجه
در این پست، ما به شما نشان دادیم که چگونه با استفاده از Amazon Personalize، یک سیستم توصیه های شخصی سازی شده را در زمان واقعی پیاده سازی کنید. تعامل با Amazon Personalize برای دریافت تعاملات بلادرنگ و دریافت توصیهها از طریق یک ابزار خط فرمان به نام curl انجام شد، اما این تماسهای API را میتوان در یک برنامه تجاری ادغام کرد و همان نتیجه را به دست آورد.
برای انتخاب دستور العمل جدید برای مورد استفاده خود، به شخصی سازی در زمان واقعی. برای اندازه گیری تأثیر توصیه های ارائه شده توسط Amazon Personalize، مراجعه کنید اندازه گیری تاثیر توصیه ها.
درباره نویسنده
کریستیان مارکز یک معمار ارشد برنامه های ابری است. او تجربه زیادی در طراحی، ساخت و ارائه نرم افزارهای سطح سازمانی، سیستم های پر بار و توزیع شده و برنامه های کاربردی بومی ابری دارد. او دارای تجربه در زبان های برنامه نویسی Backend و Frontend و همچنین طراحی سیستم و پیاده سازی شیوه های DevOps است. او به طور فعال به مشتریان کمک می کند تا راه حل های ابری نوآورانه بسازند و ایمن کنند، مشکلات تجاری آنها را حل کنند و به اهداف تجاری خود دست یابند.
آناند کوماندورو یک معمار ارشد ابر در AWS است. او در سال 2021 به سازمان خدمات حرفهای AWS پیوست و به مشتریان کمک میکند تا برنامههای بومی ابری را بر روی ابر AWS بسازند. او بیش از 20 سال تجربه در ساخت نرم افزار دارد و اصل رهبری مورد علاقه او در آمازون این است:رهبران خیلی حق دارند."
- محتوای مبتنی بر SEO و توزیع روابط عمومی. امروز تقویت شوید.
- PlatoData.Network Vertical Generative Ai. به خودت قدرت بده دسترسی به اینجا.
- PlatoAiStream. هوش وب 3 دانش تقویت شده دسترسی به اینجا.
- PlatoESG. کربن ، CleanTech، انرژی، محیط، خورشیدی، مدیریت پسماند دسترسی به اینجا.
- PlatoHealth. هوش بیوتکنولوژی و آزمایشات بالینی. دسترسی به اینجا.
- منبع: https://aws.amazon.com/blogs/machine-learning/implement-real-time-personalized-recommendations-using-amazon-personalize/
- : دارد
- :است
- :جایی که
- $UP
- 1
- 100
- 11
- 150
- 16
- 17
- 20
- سال 20
- 200
- 2021
- 24
- 49
- 7
- 8
- a
- درباره ما
- تسریع می شود
- مطابق
- حساب
- دستیابی به
- عملی
- فعالانه
- فعالیت
- پس از
- از نو
- الگوریتم
- تراز
- معرفی
- اجازه دادن
- اجازه می دهد تا
- همچنین
- هر چند
- آمازون
- آمازون کینسیس
- آمازون شخصی سازی کنید
- آمازون خدمات وب
- در میان
- an
- و
- API
- رابط های برنامه کاربردی
- کاربرد
- برنامه های کاربردی
- روش
- مناسب
- معماری
- هستند
- AS
- اختصاص داده
- کمک می کند
- مرتبط است
- انجمن
- At
- تلاشها
- بطور خودکار
- اجتناب از
- AWS
- خدمات حرفه ای AWS
- بخش مدیریت
- مستقر
- اساسی
- BE
- بوده
- قبل از
- میان
- خود راه انداز
- هر دو
- نام تجاری
- آورده
- ساختن
- بنا
- کسب و کار
- کسب و کار
- اما
- by
- صدا
- نام
- تماس ها
- کمپین بین المللی حقوق بشر
- CAN
- ظرفیت
- مورد
- تغییر
- بار
- را انتخاب کنید
- تمیز
- کلیک
- نزدیک
- ابر
- Collective - Dubai Hills Estate
- ستون
- ترکیب
- تعهدات
- مرکب
- جامع
- تایید
- در نتیجه
- در نظر بگیرید
- کنسول
- زمینه
- مطابقت دارد
- ایجاد
- ایجاد شده
- ایجاد
- جاری
- مشتری
- تجربه مشتری
- مشتریان
- سفارشی
- داده ها
- آماده سازی داده ها
- پایگاه داده
- تحویل
- نشان دادن
- گسترش
- مستقر می کند
- استخراج
- طرح
- طراحی
- دسکتاپ
- مشخص
- توسعه دهندگان
- پروژه
- مختلف
- دیجیتال
- دگرگونی های دیجیتال
- مستقیم
- توزیع شده
- سیستم های توزیع شده
- do
- درام
- آسان تر
- عنصر
- بالا بردن
- پست الکترونیک
- بازاریابی پست الکترونیک
- را قادر می سازد
- پایان
- مشغول
- موتور
- افزایش
- در سطح سازمانی
- تمام
- محیط
- دوره
- واقعه
- حوادث
- مثال
- اجرا شده
- موجود
- تجربه
- تخصص
- قرار گرفتن در معرض
- محبوب
- امکانات
- هزینه
- پیدا کردن
- پیروی
- به دنبال آن است
- برای
- قالب
- یافت
- تازه
- از جانب
- ظاهر
- دروازه
- تولید می کنند
- تولید می کند
- مولد
- ژانر
- دریافت کنید
- داده
- اهداف
- گروه
- شدن
- آیا
- he
- کمک
- کمک می کند
- زیاد
- خود را
- تاریخی
- میزبانی وب
- چگونه
- چگونه
- HTML
- HTTPS
- ID
- شناسایی
- شناسه
- if
- نشان می دهد
- تأثیر
- انجام
- پیاده سازی
- اجرا
- واردات
- واردات
- را بهبود می بخشد
- in
- از جمله
- اطلاعات
- شالوده
- ابتکاری
- بینش
- ادغام
- یکپارچه
- اثر متقابل
- فعل و انفعالات
- رابط
- به
- IT
- اقلام
- ITS
- پیوست
- JPG
- نگه می دارد
- جریان داده های Kinesis
- زبان ها
- رهبری
- یاد گرفتن
- یادگیری
- می آموزد
- سطح
- پسندیدن
- لاین
- بار
- خیلی
- وفاداری
- دستگاه
- فراگیری ماشین
- ساخته
- ساخت
- ساخت
- مدیریت می کند
- بازار یابی (Marketing)
- مطابق
- اندازه
- فهرست
- پیام
- حد اقل
- ML
- مدل
- مدل
- بیش
- اکثر
- سینما
- فیلم ها
- چندگانه
- باید
- نام
- بومی
- نزدیک
- لازم
- نیاز
- نیازهای
- جدید
- نه
- اکنون
- عدد
- تعداد
- به دست آمده
- of
- on
- ONE
- فقط
- بهینه سازی
- or
- کدام سازمان ها
- خارج
- نتیجه
- روی
- خود
- پارامتر
- پارامترهای
- ویژه
- گذشته
- پرداخت
- شخصی
- شخصی
- شخصی کردن
- شخصی
- خط لوله
- افلاطون
- هوش داده افلاطون
- PlatoData
- نقطه
- دارای
- پست
- شیوه های
- پیش بینی
- تنظیمات
- تهیه
- آماده
- پیش نیازها
- در حال حاضر
- ارائه شده
- قبلی
- در درجه اول
- اصل
- مشکلات
- در حال پردازش
- تولید
- حرفه ای
- برنامه نويسي
- زبانهای برنامه نویسی
- پروژه
- ارائه
- کیفیت
- به سرعت
- محدوده
- اماده
- زمان واقعی
- گرفتن
- دریافت
- اخیر
- دستور العمل
- توصیه
- توصیه
- توصیه می کند
- رکورد
- مراجعه
- مرجع
- اشاره دارد
- ربط
- مخزن
- نشان دادن
- نمایندگی
- درخواست
- پاسخ
- نتیجه
- نتایج
- درامد
- راست
- همان
- نمره
- امن
- ارسال
- در حال ارسال
- ارشد
- فرستاده
- سرویس
- خدمات
- تنظیم
- باید
- نشان
- نشان داد
- نشان می دهد
- مشابه
- ساده
- تنها
- نرم افزار
- راه حل
- مزایا
- حل کردن
- پشته
- شروع
- آغاز شده
- گام
- مراحل
- ذخیره سازی
- جریان
- موفقیت
- چنین
- نشان می دهد
- مطمئن
- سیستم
- سیستم های
- پیشرفته
- که
- La
- شان
- سپس
- اینها
- آنها
- این
- از طریق
- زمان
- برچسب زمان
- به
- ابزار
- بالا
- بالا 5
- قطار
- آموزش دیده
- آموزش
- معامله
- دگرگونی
- نوع
- انواع
- غیر ضروری
- به روز شده
- آپلود
- استفاده کنید
- مورد استفاده
- کاربر
- کاربران
- با استفاده از
- تصدیق
- ارزشها
- وسیع
- نسخه
- نسخه
- راه رفتن
- بود
- تماشا کردن
- we
- وب
- خدمات وب
- وب سایت
- خوب
- بود
- چی
- چه زمانی
- که
- که
- چرا
- اراده
- با
- بدون
- نوشت
- سال
- شما
- شما
- زفیرنت
- صفر