A szervezetek folyamatosan időt és energiát fektetnek az intelligens ajánlási megoldások kifejlesztésébe, hogy személyre szabott és releváns tartalmakat szolgálhassanak felhasználóik számára. A célok sokfélék lehetnek: a felhasználói élmény megváltoztatása, értelmes interakció létrehozása és a tartalomfogyasztás ösztönzése. E megoldások némelyike közös gépi tanulási (ML) modelleket használ, amelyek történelmi interakciós mintákra, felhasználói demográfiai jellemzőkre, termékhasonlóságokra és csoportviselkedésre épülnek. Ezen attribútumok mellett a kontextus (például időjárás, hely stb.) az interakció idején befolyásolhatja a felhasználók döntéseit a tartalomban való navigálás során.
Ebben a bejegyzésben bemutatjuk, hogyan használhatja a felhasználó jelenlegi eszköztípusát kontextusként a készülék hatékonyságának növelése érdekében Az Amazon testreszabása-alapú ajánlások. Ezenkívül bemutatjuk, hogyan használhatja ezt a kontextust az ajánlások dinamikus szűrésére. Bár ez a bejegyzés bemutatja, hogyan használható az Amazon Personalize igény szerinti video (VOD) felhasználási esetekhez, érdemes megjegyezni, hogy az Amazon Personalize több iparágban is használható.
Mi az Amazon Personalize?
Az Amazon Personalize lehetővé teszi a fejlesztők számára, hogy az Amazon.com által használt, valós idejű, személyre szabott ajánlásokhoz hasonló típusú ML technológiával működő alkalmazásokat készítsenek. Az Amazon Personalize a személyre szabott élmények széles skáláját képes nyújtani, beleértve a konkrét termékajánlatokat, a termék személyre szabott átsorolását és a személyre szabott közvetlen marketinget. Ezenkívül teljes mértékben felügyelt mesterségesintelligencia-szolgáltatásként az Amazon Personalize felgyorsítja az ügyfelek digitális átalakulását az ML segítségével, megkönnyítve a személyre szabott ajánlások integrálását a meglévő webhelyekbe, alkalmazásokba, e-mail marketingrendszerekbe és egyebekbe.
Miért fontos a kontextus?
A felhasználó környezetfüggő metaadatainak – például hely, napszak, eszköztípus és időjárás – használata személyre szabott élményt biztosít a meglévő felhasználók számára, és segít javítani a hidegindítási fázist az új vagy azonosítatlan felhasználók számára. A hidegindítási fázis arra az időszakra vonatkozik, amikor az Ön ajánlási motorja nem személyre szabott ajánlásokat ad az adott felhasználóra vonatkozó előzményinformációk hiánya miatt. Azokban a helyzetekben, amikor más követelmények is vonatkoznak az elemek szűrésére és népszerűsítésére (például hírekben és időjárásban), a felhasználó aktuális kontextusának (szezon vagy napszak) hozzáadása javítja a pontosságot azáltal, hogy ajánlásokat tartalmaz és kizár.
Vegyünk egy példát egy VOD platformra, amely műsorokat, dokumentumfilmeket és filmeket ajánl a felhasználónak. A viselkedéselemzés alapján tudjuk, hogy a VOD-felhasználók hajlamosak rövidebb tartalmakat fogyasztani, például szituációkat a mobileszközökön, és hosszabb formátumú tartalmakat, például filmeket tévéjükön vagy asztali számítógépükön.
Megoldás áttekintése
Kibővítve a felhasználó eszköztípusának figyelembevételével kapcsolatos példát, megmutatjuk, hogyan adhatja meg ezeket az információkat kontextusként, hogy az Amazon Personalize automatikusan megtanulja a felhasználó eszközének befolyását a preferált tartalomtípusokra.
Követjük a következő diagramon látható architektúra mintát annak szemléltetésére, hogyan lehet automatikusan átadni a kontextust az Amazon Personalize-nek. A kontextus automatikus származtatása révén érhető el Amazon CloudFront fejlécek, amelyek olyan kérésekben szerepelnek, mint például a REST API Amazon API átjáró hogy hív egy AWS Lambda funkciót az ajánlások lekéréséhez. Tekintse meg az oldalunkon elérhető teljes kódpéldát GitHub tárház. Biztosítjuk a AWS felhőképződés sablon a szükséges erőforrások létrehozásához.
A következő szakaszokban végigvezetjük a minta architektúra minta egyes lépéseinek beállítását.
Válasszon egy receptet
A receptek az Amazon Personalize algoritmusai, amelyek speciális felhasználási esetekre készültek. Az Amazon Personalize gyakori használati eseteken alapuló recepteket kínál az edzésmodellek számára. Használati esetünkhöz egy egyszerű Amazon Personalize egyéni ajánlót készítünk a User-Personalization recept segítségével. Az interakciós adatkészlet alapján megjósolja azokat az elemeket, amelyekkel a felhasználó interakcióba lép. Ezenkívül ez a recept elemeket és felhasználói adatkészleteket is használ az ajánlások befolyásolására, ha vannak ilyenek. Ha többet szeretne megtudni ennek a receptnek a működéséről, tekintse meg a Felhasználói személyre szabott recept.
Adatkészlet létrehozása és importálása
A kontextus előnyeinek kihasználása megköveteli a kontextusértékek megadását interakciókkal, így az ajánlók a kontextust szolgáltatásként használhatják a modellek betanítása során. Meg kell adnunk a felhasználó aktuális környezetét is a következtetés időpontjában. Az interakciós séma (lásd a következő kódot) határozza meg a felhasználók és az elemek közötti interakciós adatok történeti és valós idejű struktúráját. A USER_ID
, ITEM_ID
és TIMESTAMP
A mezőket az Amazon Personalize megköveteli ehhez az adatkészlethez. DEVICE_TYPE
egy egyéni kategorikus mező, amelyet ehhez a példához adunk hozzá, hogy rögzítsük a felhasználó aktuális környezetét, és bevonjuk azt a modellképzésbe. Az Amazon Personalize ezt az interakciós adatkészletet használja modellek betanításához és ajánlási kampányok létrehozásához.
Hasonlóképpen, a cikkséma (lásd a következő kódot) határozza meg a termék- és videókatalógus-adatok szerkezetét. A ITEM_ID
az Amazon Personalize megköveteli ehhez az adatkészlethez. CREATION_TIMESTAMP
foglalt oszlopnév, de nem kötelező. GENRE
és a ALLOWED_COUNTRIES
egyéni mezők, amelyeket ehhez a példához adunk hozzá, hogy rögzítsük a videó műfaját és azokat az országokat, ahol a videók lejátszhatók. Az Amazon Personalize ezt az adatkészletet használja modellek betanításához és ajánlási kampányok létrehozásához.
A mi összefüggésünkben történelmi adat a végfelhasználói interakciós előzményekre vonatkozik a VOD platformon lévő videókkal és elemekkel. Ezeket az adatokat rendszerint az alkalmazás adatbázisában gyűjtik össze és tárolják.
Demó célokra a Python Faker könyvtárát használjuk, hogy 3 hónapon keresztül olyan tesztadatokat állítsunk elő, amelyek kigúnyolják az interakciós adatkészletet különböző elemekkel, felhasználókkal és eszköztípusokkal. A séma és a bemeneti interakciós fájl helyének meghatározása után a következő lépések egy adatkészlet-csoport létrehozása, az interakciós adatkészlet felvétele az adatkészlet-csoportba, és végül a betanítási adatok importálása az adatkészletbe, a következő kódrészletek szerint:
Gyűjtse össze a múltbeli adatokat, és képezze be a modellt
Ebben a lépésben definiáljuk a kiválasztott receptet, és létrehozunk egy megoldást és megoldásverziót a korábban meghatározott adatkészlet-csoportra hivatkozva. Egyéni megoldás létrehozásakor meg kell adni a receptet és beállítani a képzési paramétereket. Amikor létrehoz egy megoldásverziót a megoldáshoz, az Amazon Personalize betanítja a modellt, amely támogatja a megoldás verzióját a recept és a képzési konfiguráció alapján. Lásd a következő kódot:
Hozzon létre egy kampányvégpontot
Miután betanította a modellt, telepítse azt a kampány. Egy kampány létrehoz és kezel egy automatikus skálázási végpontot a betanított modellhez, amely segítségével személyre szabott ajánlásokat kaphat a GetRecommendations
API. Egy későbbi lépésben ezt a kampányvégpontot használjuk arra, hogy paraméterként automatikusan átadjuk az eszköztípust kontextusként, és személyre szabott ajánlásokat kapjunk. Lásd a következő kódot:
Hozzon létre egy dinamikus szűrőt
Amikor ajánlásokat kap a létrehozott kampányból, egyéni feltételek alapján szűrheti az eredményeket. Példánkban egy szűrőt hozunk létre, amely megfelel azoknak a videóknak az ajánlására vonatkozó követelménynek, amelyek lejátszása csak a felhasználó aktuális országából engedélyezett. Az országadatok dinamikusan kerülnek átadásra a CloudFront HTTP-fejlécből.
Hozzon létre egy lambda függvényt
Architektúránk következő lépése egy Lambda-függvény létrehozása, amely feldolgozza a CloudFront disztribúcióból érkező API-kéréseket, és az Amazon Personalize kampányvégpont meghívásával válaszol. Ebben a Lambda-függvényben logikát definiálunk a következő CloudFront-kérés HTTP-fejléceinek és lekérdezési karakterlánc-paramétereinek elemzéséhez, hogy meghatározzuk a felhasználó eszköztípusát, illetve felhasználói azonosítóját:
CloudFront-Is-Desktop-Viewer
CloudFront-Is-Mobile-Viewer
CloudFront-Is-SmartTV-Viewer
CloudFront-Is-Tablet-Viewer
CloudFront-Viewer-Country
A funkció létrehozásához szükséges kód a CloudFormation sablonon keresztül kerül telepítésre.
Hozzon létre egy REST API-t
Annak érdekében, hogy a Lambda funkció és az Amazon Personalize kampányvégpont elérhető legyen a CloudFront disztribúció számára, létrehozunk egy REST API végpontot, amely Lambda proxyként van beállítva. Az API Gateway eszközöket biztosít olyan API-k létrehozásához és dokumentálásához, amelyek a HTTP-kéréseket Lambda-függvényekhez irányítják. A Lambda proxy integrációs funkciója lehetővé teszi a CloudFront számára, hogy egyetlen Lambda-függvényt hívjon meg, amely kéréseket absztrahál az Amazon Personalize kampányvégponthoz. A funkció létrehozásához szükséges kód a CloudFormation sablonon keresztül kerül telepítésre.
Hozzon létre egy CloudFront disztribúciót
A CloudFront disztribúció létrehozásakor, mivel ez egy demóbeállítás, letiltjuk a gyorsítótárazást egy egyéni gyorsítótárazási házirend segítségével, biztosítva, hogy a kérés minden alkalommal az eredethez kerüljön. Ezenkívül egy eredetkérési házirendet használunk, amely meghatározza a szükséges HTTP-fejléceket és a lekérdezési karakterlánc-paramétereket, amelyek szerepelnek az eredetkérelemben. A funkció létrehozásához szükséges kód a CloudFormation sablonon keresztül kerül telepítésre.
Teszt ajánlások
Amikor a CloudFront disztribúció URL-címét különböző eszközökről (asztali számítógépről, táblagépről, telefonról stb.) éri el, személyre szabott videójavaslatokat láthatunk, amelyek a leginkább relevánsak az eszközükre. Továbbá, ha hideg felhasználó kerül bemutatásra, a felhasználó eszközére szabott ajánlások is megjelennek. A következő példakimenetekben a videók nevei csak műfajuk és futási idejük reprezentálására szolgálnak, hogy az összehasonlítható legyen.
A következő kódban egy ismert felhasználó, aki szereti a múltbeli interakciókon alapuló komédiát, és egy telefonkészülékről éri el, rövidebb helyzetkomikumokat mutat be:
A következő ismert felhasználó játékfilmeket mutat be, amikor egy okostévé-eszközről fér hozzá a múltbeli interakciók alapján:
A telefonról belépő hideg (ismeretlen) felhasználót rövidebb, de népszerű műsorok mutatják be:
Recommendations for user: 666 ITEM_ID GENRE ALLOWED_COUNTRIES 940 Satire US|FI|CN|ES|HK|AE 760 Satire US|FI|CN|ES|HK|AE 160 Sitcom US|FI|CN|ES|HK|AE 880 Comedy US|FI|CN|ES|HK|AE 360 Satire US|PK|NI|JM|IN|DK 840 Satire US|PK|NI|JM|IN|DK 420 Satire US|PK|NI|JM|IN|DK
Egy hideg (ismeretlen) felhasználó, aki asztali számítógépről fér hozzá, a legjobb sci-fi filmeket és dokumentumfilmeket mutatja be:
A következő ismert, telefonról hozzáférő felhasználó hely alapján (USA) szűrt javaslatokat ad vissza:
Következtetés
Ebben a bejegyzésben bemutattuk, hogyan használhatja a felhasználói eszköztípust kontextuális adatként, hogy relevánsabbá tegye az ajánlásokat. A kontextuális metaadatok használata az Amazon Personalize modellek betanításához segít olyan termékeket ajánlani, amelyek mind az új, mind a meglévő felhasználók számára relevánsak, nem csak a profiladatokból, hanem a böngészési eszköz platformjáról is. Nem csak az olyan kontextus, mint a hely (ország, város, régió, irányítószám) és az idő (a hét napja, hétvége, hétköznap, évszak) lehetőséget ad arra, hogy a felhasználóhoz kapcsolódó ajánlásokat tegyen. A teljes kódpéldát lefuttathatja a CloudFormation sablon használatával, amelyet a mi oldalunkon talál GitHub tárház és a notebookok klónozása Amazon SageMaker Studio.
A szerzőkről
Gilles-Kuessan Satchivi az AWS Enterprise Solutions Architect hálózati, infrastrukturális, biztonsági és informatikai műveletek terén szerzett háttérrel. Szenvedélyesen segít ügyfeleinek jól felépített rendszereket építeni AWS-en. Mielőtt csatlakozott volna az AWS-hez, 17 évig az e-kereskedelemben dolgozott. A munkán kívül szívesen tölt időt a családjával, és szurkol a gyerek focicsapatában.
Aditya Pendyala Senior Solutions Architect az AWS-nél New Yorkban. Nagy tapasztalattal rendelkezik a felhő alapú alkalmazások tervezésében. Jelenleg nagyvállalatokkal dolgozik azon, hogy segítsen nekik nagymértékben skálázható, rugalmas és rugalmas felhőarchitektúrákat létrehozni, és minden felhőben irányítja őket. A Shippensburg Egyetemen szerzett mesterdiplomát számítástechnikából, és hisz a következő idézetben: „Amikor abbahagyod a tanulást, abbahagyod a növekedést”.
Prabhakar Chandrasekaran vezető műszaki ügyfélmenedzser az AWS vállalati támogatással. Prabhakar örömmel segít ügyfeleinek a legmodernebb AI/ML megoldások felépítésében a felhőben. Vállalati ügyfelekkel is együttműködik, proaktív útmutatást és működési segítséget nyújtva, segítve őket megoldásaik értékének növelésében az AWS használata során. Prabhakar hat AWS és hat másik szakmai minősítéssel rendelkezik. Több mint 20 éves szakmai tapasztalattal Prabhakar adatmérnök és programvezető volt a pénzügyi szolgáltatások területén, mielőtt csatlakozott az AWS-hez.
- SEO által támogatott tartalom és PR terjesztés. Erősödjön még ma.
- PlatoData.Network Vertical Generative Ai. Erősítse meg magát. Hozzáférés itt.
- PlatoAiStream. Web3 Intelligence. Felerősített tudás. Hozzáférés itt.
- PlatoESG. Autóipar / elektromos járművek, Carbon, CleanTech, Energia, Környezet, Nap, Hulladékgazdálkodás. Hozzáférés itt.
- BlockOffsets. A környezetvédelmi ellentételezési tulajdon korszerűsítése. Hozzáférés itt.
- Forrás: https://aws.amazon.com/blogs/machine-learning/recommend-and-dynamically-filter-items-based-on-user-context-in-amazon-personalize/
- :van
- :is
- :nem
- :ahol
- $ UP
- 1
- 10
- 100
- 11
- 12
- 160
- 17
- 20
- 20 év
- 22
- 220
- 23
- 24
- 420
- 7
- 9
- a
- Rólunk
- gyorsul
- igénybe vett
- hozzáférhető
- Hozzáférés
- Fiók
- pontosság
- elért
- át
- Akció
- hozzáadásával
- mellett
- Ezen kívül
- Előny
- Után
- AI
- AI / ML
- algoritmusok
- Minden termék
- lehetővé teszi, hogy
- Is
- Bár
- amazon
- Az Amazon testreszabása
- Az Amazon Web Services
- Amazon.com
- an
- elemzés
- elemez
- és a
- api
- API-k
- alkalmazások
- építészet
- VANNAK
- Sor
- AS
- Támogatás
- At
- attribútumok
- automatikusan
- elérhető
- AWS
- háttér
- támogatás
- alapján
- BE
- mert
- előtt
- úgy gondolja,
- kívül
- mindkét
- Legelészés
- épít
- épült
- de
- by
- hívás
- kéri
- Kampány
- Kampányok
- TUD
- képes
- elfog
- eset
- esetek
- katalógus
- tanúsítványok
- választott
- Város
- felhő
- kód
- hideg
- Oszlop
- COM
- Vígjáték
- érkező
- Közös
- számítógép
- Computer Science
- Configuration
- figyelembe véve
- fogyaszt
- fogyasztás
- tartalom
- kontextus
- szövegre vonatkozó
- folyamatosan
- országok
- ország
- kézműves
- teremt
- készítette
- teremt
- létrehozása
- kritériumok
- Jelenlegi
- Jelenleg
- szokás
- vevő
- Ügyfelek
- szabott
- élvonalbeli
- dátum
- adatbázis
- adatkészletek
- nap
- határozatok
- meghatározott
- Annak meghatározása,
- Fok
- átadó
- Kereslet
- demó
- demográfiai
- telepíteni
- telepített
- leírt
- asztali
- Határozzuk meg
- fejlesztők
- fejlesztése
- eszköz
- Eszközök
- különböző
- digitális
- közvetlen
- terjesztés
- dokumentumfilmek
- dokumentumfilm
- hajtás
- két
- dinamikus
- dinamikusan
- minden
- könnyebb
- e-kereskedelem
- hatékonyság
- erőfeszítés
- E-mail marketing
- lehetővé teszi
- Endpoint
- Motor
- mérnök
- növelése
- biztosítása
- Vállalkozás
- Vállalatok
- Minden
- példa
- kizárás
- létező
- tapasztalat
- Tapasztalatok
- kiterjedt
- Átfogó tapasztalat
- család
- Funkció
- Jellemzők
- Fiction
- mező
- Fields
- filé
- filmek
- szűrő
- Végül
- pénzügyi
- pénzügyi szolgáltatások
- rugalmas
- következik
- következő
- A
- ból ből
- Tele
- teljesen
- funkció
- funkciók
- gateway
- összegyűjtött
- generál
- kap
- szerzés
- Célok
- Goes
- Csoport
- Nő
- útmutatást
- Útmutatók
- Legyen
- he
- fejlécek
- segít
- segít
- segít
- nagyon
- övé
- történeti
- történelem
- tart
- borzalom
- Hogyan
- How To
- HTML
- http
- HTTPS
- ID
- if
- importál
- fontos
- javul
- in
- tartalmaz
- beleértve
- Beleértve
- iparágak
- befolyás
- információ
- Infrastruktúra
- bemenet
- integrálni
- integráció
- Intelligens
- kölcsönhatásba
- kölcsönhatás
- kölcsönhatások
- bele
- befektetés
- IT
- tételek
- csatlakozott
- jpg
- éppen
- Ismer
- ismert
- hiány
- nagy
- Nagy vállalkozások
- a későbbiekben
- vezető
- TANUL
- tanulás
- könyvtár
- mint
- Kedvencek
- elhelyezkedés
- logika
- Hosszú
- szeret
- gép
- gépi tanulás
- csinál
- Gyártás
- sikerült
- menedzser
- kezeli
- sok
- Marketing
- mester
- jelentőségteljes
- Metaadatok
- ML
- Mobil
- mobil eszközök
- modell
- modellek
- több
- a legtöbb
- Filmek
- többszörös
- Rejtély
- név
- nevek
- navigálás
- elengedhetetlen
- hálózatba
- Új
- hír
- következő
- megjegyezve,
- NYC
- of
- on
- csak
- nyit
- operatív
- Művelet
- Alkalom
- or
- származás
- Más
- mi
- ki
- kívül
- felett
- paraméter
- paraméterek
- elhalad
- Elmúlt
- szenvedélyes
- múlt
- Mintás
- minták
- időszak
- Testreszabás
- megszemélyesít
- Személyre
- fázis
- telefon
- emelvény
- Plató
- Platón adatintelligencia
- PlatoData
- játszott
- politika
- Népszerű
- állás
- postai
- powered
- jósolja
- előnyben részesített
- előkészített
- bemutatott
- korábban
- Előzetes
- proaktív
- folyamat
- Termékek
- Termékek
- szakmai
- profil
- Program
- kellene támogatnia,
- ad
- feltéve,
- biztosít
- amely
- meghatalmazott
- célokra
- idézet
- real-time
- kap
- recept
- ajánl
- Ajánlást
- ajánlások
- ajánló
- rekord
- kifejezés
- tekintettel
- vidék
- képviselet
- kérni
- kéri
- kötelező
- követelmény
- követelmények
- megköveteli,
- fenntartott
- rugalmas
- Tudástár
- illetőleg
- Reagálni
- REST
- Eredmények
- visszatérő
- Útvonal
- futás
- sagemaker
- azonos
- azt mondják
- skálázható
- Tudomány
- Tudományos fantasztikum
- Évad
- szakaszok
- biztonság
- lát
- idősebb
- szolgál
- szolgáltatás
- Szolgáltatások
- készlet
- felépítés
- előadás
- mutatott
- Műsorok
- hasonlóságok
- Egyszerű
- egyetlen
- helyzetek
- SIX
- okos
- smart TV
- So
- Futball
- megoldások
- Megoldások
- néhány
- Hely
- különleges
- költ
- Lépés
- Lépései
- memorizált
- Húr
- struktúra
- ilyen
- támogatás
- Systems
- Tabletta
- szabott
- Vesz
- csapat
- Műszaki
- Technológia
- sablon
- teszt
- hogy
- A
- azok
- Őket
- Ott.
- Ezek
- dolgok
- ezt
- Keresztül
- idő
- időbélyeg
- nak nek
- szerszámok
- felső
- Vonat
- kiképzett
- Képzések
- vonatok
- Átalakítás
- transzformációk
- igaz
- tv
- típus
- típusok
- egyetemi
- ismeretlen
- URL
- us
- használ
- használati eset
- használt
- használó
- User Experience
- Felhasználók
- használ
- segítségével
- rendszerint
- érték
- Értékek
- változat
- videó
- videó igény szerint
- Videók
- volt
- we
- időjárás
- háló
- webes szolgáltatások
- honlapok
- hét
- hétvége
- amikor
- míg
- WHO
- széles
- lesz
- val vel
- belül
- Munka
- dolgozott
- dolgozó
- művek
- érdemes
- év
- te
- A te
- zephyrnet