Personnalisez vos recommandations en faisant la promotion d'articles spécifiques à l'aide de règles commerciales avec Amazon Personalize

Aujourd'hui, nous sommes ravis d'annoncer Promotions fonctionnalité d'Amazon Personalize qui vous permet de recommander explicitement des éléments spécifiques à vos utilisateurs en fonction de règles qui correspondent à vos objectifs commerciaux. Par exemple, vous pouvez avoir des partenariats marketing qui vous obligent à promouvoir certaines marques, du contenu interne ou des catégories dont vous souhaitez améliorer la visibilité. Les promotions vous donnent plus de contrôle sur les articles recommandés. Vous pouvez définir des règles métier pour identifier les articles promotionnels et les présenter à l'ensemble de votre base d'utilisateurs, sans aucun coût supplémentaire. Vous contrôlez également le pourcentage de contenu promu dans vos recommandations. Amazon Personalize trouve automatiquement les articles pertinents dans l'ensemble d'articles promotionnels qui répondent à vos règles commerciales et les distribue dans les recommandations de chaque utilisateur.

Amazon Personalize vous permet d'améliorer l'engagement client en proposant des recommandations personnalisées de produits et de contenu sur les sites Web, les applications et les campagnes marketing ciblées. Vous pouvez démarrer sans aucune expérience préalable en machine learning (ML), en utilisant des API pour créer facilement des fonctionnalités de personnalisation sophistiquées en quelques clics. Toutes vos données sont cryptées pour être privées et sécurisées, et ne sont utilisées que pour créer des recommandations pour vos utilisateurs.

Dans cet article, nous montrons comment personnaliser vos recommandations avec la nouvelle fonctionnalité de promotions pour un cas d'utilisation de commerce électronique.

Vue d'ensemble de la solution

Différentes entreprises peuvent utiliser des promotions en fonction de leurs objectifs individuels pour le type de contenu sur lequel elles souhaitent accroître l'engagement. Vous pouvez utiliser les promotions pour qu'un pourcentage de vos recommandations soit d'un type particulier pour n'importe quelle application, quel que soit le domaine. Par exemple, dans les applications de commerce électronique, vous pouvez utiliser cette fonctionnalité pour que 20 % des articles recommandés soient ceux marqués comme en vente, ou provenant d'une certaine marque ou catégorie. Pour les cas d'utilisation de la vidéo à la demande, vous pouvez utiliser cette fonctionnalité pour remplir 40 % d'un carrousel avec des émissions et des films récemment lancés que vous souhaitez mettre en avant, ou pour promouvoir du contenu en direct. Vous pouvez utiliser les promotions dans groupes d'ensembles de données de domaine ainsi que groupes d'ensembles de données personnalisés (Personnalisation utilisateur ainsi que Articles similaires recettes).

Amazon Personalize simplifie la configuration des promotions : commencez par créer un filtre qui sélectionne les articles que vous souhaitez promouvoir. Vous pouvez utiliser la console ou l'API Amazon Personalize pour créer un filtre avec votre logique à l'aide d'Amazon Personalize DSL (langage spécifique au domaine). Cela ne prend que quelques minutes. Ensuite, lorsque vous demandez des recommandations, spécifiez la promotion en spécifiant le filtre, le pourcentage de recommandations qui doivent correspondre à ce filtre et, si nécessaire, les paramètres de filtre dynamique. Les éléments promus sont répartis de manière aléatoire dans les recommandations, mais les recommandations existantes ne sont pas supprimées.

Le diagramme suivant montre comment utiliser les promotions dans les recommandations dans Amazon Personalize.

Vous définissez les éléments à promouvoir dans le système de catalogue, les chargez dans l'ensemble de données des éléments Amazon Personalize, puis obtenez des recommandations. Obtenir des recommandations sans spécifier de promotion renvoie les éléments les plus pertinents et, dans cet exemple, un seul élément parmi les éléments promus. Il n'y a aucune garantie que les articles en promotion soient retournés. Obtenir des recommandations avec 50 % d’articles promus renvoie la moitié des éléments appartenant aux éléments promus.

Cet article vous guide tout au long du processus de définition et d'application des promotions dans vos recommandations dans Amazon Personalize pour garantir que les résultats d'une campagne ou d'un outil de recommandation contiennent des éléments spécifiques que vous souhaitez que les utilisateurs voient. Pour cet exemple, nous créons un outil de recommandation de vente au détail et faisons la promotion des articles avec CATEGORY_L2 as halloween, ce qui correspond aux décorations d'Halloween. Un exemple de code pour ce cas d'utilisation est disponible sur GitHub.

Pré-requis

Pour utiliser les promotions, vous devez d'abord configurer certaines ressources Amazon Personalize sur la console Amazon Personalize. Créez votre groupe d'ensembles de données, chargez vos données et formez un recommandataire. Pour des instructions complètes, voir Commencer.

1. Créer un groupe d'ensembles de données.
2. Créer un Interactions ensemble de données en utilisant ce qui suit schéma:

   {
       "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 les données d'interaction vers Amazon Personalize à partir de Service de stockage simple Amazon (Amazon S3). Pour cet exemple, nous utilisons ce qui suit fichier de données. Nous avons généré les données synthétiques basées sur le code dans le Projet de magasin de démonstration au détail. Reportez-vous au dépôt GitHub pour en savoir plus sur les données et les utilisations potentielles.
4. Créer un Items ensemble de données utilisant le schéma suivant :

   {
       "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. Importez les données d'article vers Amazon Personalize à partir d'Amazon S3. Pour cet exemple, nous utilisons ce qui suit fichier de données, basé sur le code dans le Projet de magasin de démonstration au détail.Pour plus d'informations sur le formatage et l'importation de vos données d'interactions et d'éléments depuis Amazon S3, consultez Importer des enregistrements en masse.
6. Créer un recommandateur. Dans cet exemple, nous créons un Recommandateur "Recommandé pour vous".

Créez un filtre pour vos promotions

Maintenant que vous avez configuré vos ressources Amazon Personalize, vous pouvez créer un une fonction filtre qui sélectionne les articles pour votre promotion.

Vous pouvez créer un filtre statique dans lequel toutes les variables sont codées en dur lors de la création du filtre. Par exemple, pour ajouter tous les éléments qui ont CATEGORY_L2 as halloween, utilisez l'expression de filtre suivante :

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

Vous pouvez également créer des filtres dynamiques. Les filtres dynamiques sont personnalisables en temps réel lorsque vous demandez les recommandations. Pour créer un filtre dynamique, vous définissez vos critères d'expression de filtre à l'aide d'un paramètre d'espace réservé au lieu d'une valeur fixe. Cela vous permet de choisir les valeurs à filtrer en appliquant un filtre à une demande de recommandation, plutôt que lorsque vous créez votre expression. Vous fournissez un filtre lorsque vous appelez le Recevoir des recommandations or GetPersonnaliséClassement Opérations API, ou dans le cadre de vos données d'entrée lors de la génération de recommandations en mode batch via un travail d'inférence par lots.

Par exemple, pour sélectionner tous les éléments d'une catégorie choisie lorsque vous effectuez votre appel d'inférence avec un filtre appliqué, utilisez l'expression de filtre suivante :

INCLUDE ItemID WHERE Items.CATEGORY_L2 IN ($CATEGORY)

Vous pouvez utiliser le DSL précédent pour créer un filtre personnalisable sur la console Amazon Personalize. Effectuez les étapes suivantes :

1. Sur la console Amazon Personalize, sur le Filtre(s) page, choisissez Créer un filtre.
2. Pour Nom du filtre, saisissez le nom de votre filtre (pour ce post, nous saisissons category_filter).
3. Sélectionnez Créer une expression ou ajoutez votre expression manuellement pour créer votre filtre personnalisé.
4. Construisez l’expression « Inclure ItemID OÙ Items.CATEGORY_L2 IN $CATEGORY"Pour Valeur, vous entrez une valeur de $ plus un nom de paramètre similaire au nom de votre propriété et facile à retenir (pour cet exemple, $CATEGORY).
5. Facultativement, pour enchaîner des expressions supplémentaires avec votre filtre, choisissez le signe plus.
6. Pour ajouter des expressions de filtre supplémentaires, choisissez Ajouter une expression.
7. Selectionnez Créer un filtre.
   

Vous pouvez également créer des filtres via le createFilter API dans Amazon Personalize. Pour plus d'informations, consultez Créer un filtre.

Appliquer des promotions à vos recommandations

Appliquer un une fonction filtre quand obtenir des recommandations est un bon moyen d’adapter vos recommandations à des critères spécifiques. Cependant, l'utilisation de filtres applique directement le filtre à toutes les recommandations renvoyées. Lorsque vous utilisez des promotions, vous pouvez sélectionner le pourcentage de recommandations correspondant aux éléments promus, ce qui vous permet de mélanger et faire correspondre des recommandations personnalisées et les meilleurs articles correspondant aux critères de promotion pour chaque utilisateur dans les proportions adaptées à votre cas d'utilisation professionnel.

L'exemple de code suivant est un corps de requête pour le GetRecommendations API qui obtient des recommandations pour un utilisateur utilisant le "Recommandé pour vous" recommandateur :

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

Cette requête renvoie des recommandations personnalisées pour l'utilisateur spécifié. Parmi les articles du catalogue, ce sont les 20 articles les plus pertinents pour l'utilisateur.

Nous pouvons faire le même appel et appliquer un filtre pour renvoyer uniquement les éléments qui correspondent au filtre. L'exemple de code suivant est un corps de requête pour le GetRecommendations API qui obtient des recommandations pour un utilisateur à l'aide du outil de recommandation « Recommandé pour vous » et applique un filtre dynamique pour renvoyer uniquement les éléments pertinents qui ont 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""}
}

Cette requête renvoie des recommandations personnalisées pour l'utilisateur spécifié qui ont CATEGORY_L2 as halloween. Parmi les articles du catalogue, voici les 20 articles les plus pertinents avec CATEGORY_L2 as halloween pour l'utilisateur.

Vous pouvez utiliser les promotions si vous souhaitez qu'un certain pourcentage d'articles corresponde à un attribut que vous souhaitez promouvoir, et que le reste soit les articles les plus pertinents pour cet utilisateur parmi tous les articles du catalogue. Nous pouvons faire le même appel et appliquer une promotion. L'exemple de code suivant est un corps de requête pour le GetRecommendations API qui obtient des recommandations pour un utilisateur utilisant le outil de recommandation « Recommandé pour vous » et applique une promotion pour inclure un certain pourcentage d'articles pertinents qui ont 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""
        }
    }]
}

Cette requête renvoie 20 % des recommandations correspondant au filtre spécifié dans la promotion : articles avec CATEGORY_L2 as halloween; et 80 % de recommandations personnalisées pour l'utilisateur spécifié qui sont les éléments les plus pertinents pour l'utilisateur parmi les éléments du catalogue.

Vous pouvez utiliser un filtre combiné à des promotions. Le filtre du bloc de paramètres de niveau supérieur s'applique uniquement aux éléments non promus.

Le filtre pour sélectionner les éléments promus est spécifié dans le promotions bloc de paramètres. L'exemple de code suivant est un corps de requête pour le GetRecommendations API qui obtient des recommandations pour un utilisateur à l'aide du outil de recommandation « Recommandé pour vous » et utilise le filtre dynamique que nous avons utilisé deux fois. Le premier filtre s'applique aux éléments non promus, en sélectionnant les éléments avec CATEGORY_L2 as decorative, et le deuxième filtre s'applique à la promotion, promouvant les articles avec 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""
        }
    }]
}

Cette requête renvoie 20 % des recommandations correspondant au filtre spécifié dans la promotion : articles avec CATEGORY_L2 as halloween. Les 80 % restants des éléments recommandés sont des recommandations personnalisées pour l'utilisateur spécifié avec CATEGORY_L2 as decorative. Ce sont les éléments les plus pertinents pour l'utilisateur parmi les éléments du catalogue avec CATEGORY_L2 as decorative.

Nettoyer

Assurez-vous de nettoyer toutes les ressources inutilisées que vous avez créées dans votre compte tout en suivant les étapes décrites dans cet article. Vous pouvez supprimer des filtres, des outils de recommandation, des ensembles de données et des groupes d'ensembles de données via l'icône Console de gestion AWS ou en utilisant le SDK Python.

Résumé

L'ajout de promotions  dans Amazon Personalize vous permet de personnaliser vos recommandations pour chaque utilisateur en incluant les éléments sur lesquels vous souhaitez explicitement augmenter la visibilité et l'engagement. Les promotions vous permettent également de spécifier quel pourcentage des articles recommandés doit être promu, ce qui permet d'adapter les recommandations pour répondre à vos objectifs commerciaux, sans frais supplémentaires. Vous pouvez utiliser les promotions pour les recommandations à l'aide des recettes de personnalisation de l'utilisateur et d'articles similaires, ainsi que des recommandations optimisées pour les cas d'utilisation.

Pour plus d'informations sur Amazon Personalize, consultez Qu'est-ce qu'Amazon Personalize?

À propos des auteurs

Anna Gruebler est architecte de solutions chez AWS.

Alex Burkleaux est architecte de solutions chez AWS. Elle s'efforce d'aider les clients à appliquer l'apprentissage automatique et l'analyse de données pour résoudre les problèmes du secteur des médias et du divertissement. Dans ses temps libres, elle aime passer du temps avec sa famille et faire du bénévolat comme patrouilleuse de ski sur sa station de ski locale.

Liam Morrisson est un responsable d'architecte de solutions chez AWS. Il dirige une équipe axée sur les services de Marketing Intelligence. Il a passé les 5 dernières années à se concentrer sur les applications pratiques de l'apprentissage automatique dans les médias et le divertissement, aidant les clients à mettre en œuvre la personnalisation, le traitement du langage naturel, la vision par ordinateur et bien plus encore.