Organisasi terus menginvestasikan waktu dan upaya dalam mengembangkan solusi rekomendasi cerdas untuk menyajikan konten yang disesuaikan dan relevan bagi penggunanya. Sasarannya bisa banyak: mengubah pengalaman pengguna, menghasilkan interaksi yang bermakna, dan mendorong konsumsi konten. Beberapa solusi ini menggunakan model machine learning (ML) umum yang dibuat berdasarkan pola interaksi historis, atribut demografis pengguna, kesamaan produk, dan perilaku grup. Selain atribut tersebut, konteks (seperti cuaca, lokasi, dan sebagainya) pada saat interaksi dapat memengaruhi keputusan pengguna saat menavigasi konten.
Dalam postingan ini, kami menunjukkan cara menggunakan jenis perangkat pengguna saat ini sebagai konteks untuk meningkatkan keefektifan Anda Amazon Personalisasiberdasarkan rekomendasi. Selain itu, kami menunjukkan cara menggunakan konteks tersebut untuk memfilter rekomendasi secara dinamis. Meskipun postingan ini menunjukkan bagaimana Amazon Personalize dapat digunakan untuk kasus penggunaan video on demand (VOD), perlu dicatat bahwa Amazon Personalize dapat digunakan di berbagai industri.
Apa itu Personalisasi Amazon?
Amazon Personalize memungkinkan pengembang membangun aplikasi yang didukung oleh jenis teknologi ML yang sama dengan yang digunakan oleh Amazon.com untuk rekomendasi yang dipersonalisasi secara real-time. Amazon Personalize mampu memberikan beragam pengalaman personalisasi, termasuk rekomendasi produk khusus, peringkat ulang produk yang dipersonalisasi, dan pemasaran langsung yang disesuaikan. Selain itu, sebagai layanan AI yang terkelola sepenuhnya, Amazon Personalize mempercepat transformasi digital pelanggan dengan ML, membuatnya lebih mudah untuk mengintegrasikan rekomendasi yang dipersonalisasi ke dalam situs web, aplikasi, sistem pemasaran email yang ada, dan banyak lagi.
Mengapa konteks penting?
Menggunakan metadata kontekstual pengguna seperti lokasi, waktu, jenis perangkat, dan cuaca memberikan pengalaman yang dipersonalisasi untuk pengguna yang sudah ada dan membantu meningkatkan fase cold-start untuk pengguna baru atau yang tidak dikenal. Itu fase mulai dingin mengacu pada periode saat mesin rekomendasi Anda memberikan rekomendasi yang tidak dipersonalisasi karena kurangnya informasi historis terkait pengguna tersebut. Dalam situasi di mana ada persyaratan lain untuk memfilter dan mempromosikan item (misalnya dalam berita dan cuaca), menambahkan konteks pengguna saat ini (musim atau waktu) membantu meningkatkan akurasi dengan menyertakan dan mengecualikan rekomendasi.
Mari kita ambil contoh platform VOD yang merekomendasikan acara, dokumenter, dan film kepada pengguna. Berdasarkan analisis perilaku, kami mengetahui bahwa pengguna VOD cenderung mengonsumsi konten berdurasi pendek seperti komedi situasi di perangkat seluler dan konten berdurasi panjang seperti film di TV atau desktop mereka.
Ikhtisar solusi
Memperluas contoh mempertimbangkan jenis perangkat pengguna, kami menunjukkan cara memberikan informasi ini sebagai konteks sehingga Amazon Personalize dapat secara otomatis mempelajari pengaruh perangkat pengguna pada jenis konten pilihan mereka.
Kami mengikuti pola arsitektur yang ditunjukkan dalam diagram berikut untuk mengilustrasikan bagaimana konteks dapat diteruskan secara otomatis ke Amazon Personalize. Konteks yang diturunkan secara otomatis dicapai melalui Amazon CloudFront header yang disertakan dalam permintaan seperti REST API di Gerbang API Amazon yang memanggil sebuah AWS Lambda berfungsi untuk mengambil rekomendasi. Lihat contoh kode lengkap yang tersedia di kami Repositori GitHub. Kami menyediakan Formasi AWS Cloud template untuk membuat sumber daya yang diperlukan.
Di bagian berikut, kita membahas cara menyiapkan setiap langkah pola arsitektur sampel.
Pilih resep
Resep adalah algoritme Personalisasi Amazon yang disiapkan untuk kasus penggunaan tertentu. Amazon Personalize menyediakan resep berdasarkan kasus penggunaan umum untuk model pelatihan. Untuk kasus penggunaan kami, kami membuat pemberi rekomendasi kustom Amazon Personalize sederhana menggunakan resep Personalisasi Pengguna. Ini memprediksi item yang akan berinteraksi dengan pengguna berdasarkan kumpulan data interaksi. Selain itu, resep ini juga menggunakan item dan kumpulan data pengguna untuk memengaruhi rekomendasi, jika tersedia. Untuk mempelajari lebih lanjut tentang cara kerja resep ini, lihat Resep Personalisasi Pengguna.
Membuat dan mengimpor set data
Memanfaatkan konteks memerlukan penetapan nilai konteks dengan interaksi sehingga pemberi rekomendasi dapat menggunakan konteks sebagai fitur saat melatih model. Kami juga harus menyediakan konteks pengguna saat ini pada waktu inferensi. Skema interaksi (lihat kode berikut) menentukan struktur data interaksi pengguna-ke-item historis dan real-time. Itu USER_ID
, ITEM_ID
, dan TIMESTAMP
bidang diperlukan oleh Amazon Personalize untuk kumpulan data ini. DEVICE_TYPE
adalah bidang kategori khusus yang kami tambahkan untuk contoh ini guna menangkap konteks pengguna saat ini dan menyertakannya dalam pelatihan model. Amazon Personalize menggunakan kumpulan data interaksi ini untuk melatih model dan membuat kampanye rekomendasi.
Demikian pula, skema item (lihat kode berikut) menentukan struktur data katalog produk dan video. Itu ITEM_ID
diperlukan oleh Amazon Personalize untuk kumpulan data ini. CREATION_TIMESTAMP
adalah nama kolom yang dicadangkan tetapi tidak wajib. GENRE
dan ALLOWED_COUNTRIES
adalah bidang ubahsuaian yang kami tambahkan untuk contoh ini guna menangkap genre video dan negara tempat video boleh diputar. Amazon Personalize menggunakan kumpulan data item ini untuk melatih model dan membuat kampanye rekomendasi.
Dalam konteks kita, data historis mengacu pada riwayat interaksi pengguna akhir dengan video dan item di platform VOD. Data ini biasanya dikumpulkan dan disimpan dalam database aplikasi.
Untuk tujuan demo, kami menggunakan pustaka Python's Faker untuk menghasilkan beberapa data pengujian yang mengejek kumpulan data interaksi dengan berbagai item, pengguna, dan jenis perangkat selama periode 3 bulan. Setelah lokasi file interaksi skema dan input ditentukan, langkah selanjutnya adalah membuat grup set data, memasukkan set data interaksi ke dalam grup set data, dan terakhir mengimpor data pelatihan ke dalam set data, seperti yang diilustrasikan dalam cuplikan kode berikut:
Kumpulkan data historis dan latih modelnya
Pada langkah ini, kami menentukan resep yang dipilih dan membuat solusi dan versi solusi yang mengacu pada grup dataset yang telah ditentukan sebelumnya. Saat Anda membuat solusi khusus, Anda menentukan resep dan mengonfigurasi parameter pelatihan. Saat Anda membuat versi solusi untuk solusi tersebut, Amazon Personalize melatih model yang mendukung versi solusi berdasarkan resep dan konfigurasi pelatihan. Lihat kode berikut:
Buat titik akhir kampanye
Setelah melatih model, Anda menerapkannya ke a kampanye. Kampanye membuat dan mengelola titik akhir penskalaan otomatis untuk model terlatih Anda yang dapat Anda gunakan untuk mendapatkan rekomendasi yang dipersonalisasi menggunakan GetRecommendations
API. Pada langkah selanjutnya, kami menggunakan titik akhir kampanye ini untuk meneruskan jenis perangkat sebagai konteks sebagai parameter secara otomatis dan menerima rekomendasi yang dipersonalisasi. Lihat kode berikut:
Buat filter dinamis
Saat mendapatkan rekomendasi dari kampanye yang dibuat, Anda dapat memfilter hasil berdasarkan kriteria khusus. Sebagai contoh, kami membuat filter untuk memenuhi persyaratan merekomendasikan video yang hanya boleh diputar dari negara pengguna saat ini. Informasi negara diteruskan secara dinamis dari header HTTP CloudFront.
Buat fungsi Lambda
Langkah selanjutnya dalam arsitektur kami adalah membuat fungsi Lambda untuk memproses permintaan API yang berasal dari distribusi CloudFront dan merespons dengan menjalankan titik akhir kampanye Amazon Personalize. Dalam fungsi Lambda ini, kami mendefinisikan logika untuk menganalisis header HTTP permintaan CloudFront berikut dan parameter string kueri untuk menentukan masing-masing jenis perangkat pengguna dan ID pengguna:
CloudFront-Is-Desktop-Viewer
CloudFront-Is-Mobile-Viewer
CloudFront-Is-SmartTV-Viewer
CloudFront-Is-Tablet-Viewer
CloudFront-Viewer-Country
Kode untuk membuat fungsi ini disebarkan melalui template CloudFormation.
Buat REST API
Agar fungsi Lambda dan titik akhir kampanye Amazon Personalize dapat diakses oleh distribusi CloudFront, kami membuat titik akhir REST API yang disiapkan sebagai proxy Lambda. API Gateway menyediakan alat untuk membuat dan mendokumentasikan API yang merutekan permintaan HTTP ke fungsi Lambda. Fitur integrasi proxy Lambda memungkinkan CloudFront untuk memanggil permintaan pengabstraksi fungsi Lambda tunggal ke titik akhir kampanye Amazon Personalize. Kode untuk membuat fungsi ini disebarkan melalui template CloudFormation.
Buat distribusi CloudFront
Saat membuat distribusi CloudFront, karena ini adalah penyiapan demo, kami menonaktifkan caching menggunakan kebijakan caching khusus, memastikan permintaan selalu dikirim ke asal. Selain itu, kami menggunakan kebijakan permintaan asal yang menentukan header HTTP yang diperlukan dan parameter string kueri yang disertakan dalam permintaan asal. Kode untuk membuat fungsi ini disebarkan melalui template CloudFormation.
Rekomendasi pengujian
Saat URL distribusi CloudFront diakses dari perangkat yang berbeda (desktop, tablet, ponsel, dan sebagainya), kami dapat melihat rekomendasi video hasil personalisasi yang paling relevan dengan perangkat mereka. Juga, jika pengguna dingin disajikan, rekomendasi yang disesuaikan untuk perangkat pengguna disajikan. Dalam contoh output berikut, nama video hanya digunakan untuk mewakili genre dan waktu prosesnya agar dapat dihubungkan.
Dalam kode berikut, pengguna terkenal yang menyukai komedi berdasarkan interaksi masa lalu dan mengakses dari perangkat ponsel disajikan dengan komedi situasi yang lebih pendek:
Pengguna yang dikenal berikut disajikan dengan film fitur saat mengakses dari perangkat smart TV berdasarkan interaksi sebelumnya:
Pengguna dingin (tidak dikenal) yang mengakses dari ponsel disajikan dengan acara yang lebih pendek namun populer:
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
Pengguna dingin (tidak dikenal) yang mengakses dari desktop disajikan dengan film dan dokumenter fiksi ilmiah teratas:
Pengguna yang dikenal berikut yang mengakses dari ponsel mengembalikan rekomendasi yang difilter berdasarkan lokasi (AS):
Kesimpulan
Dalam postingan ini, kami menjelaskan cara menggunakan tipe perangkat pengguna sebagai data kontekstual untuk membuat rekomendasi Anda lebih relevan. Menggunakan metadata kontekstual untuk melatih model Amazon Personalize akan membantu Anda merekomendasikan produk yang relevan bagi pengguna baru dan yang sudah ada, tidak hanya dari data profil tetapi juga dari platform perangkat penjelajahan. Tidak hanya itu, konteks seperti lokasi (negara, kota, wilayah, kode pos) dan waktu (hari dalam seminggu, akhir pekan, hari kerja, musim) membuka peluang untuk membuat rekomendasi yang sesuai dengan pengguna. Anda dapat menjalankan contoh kode lengkap dengan menggunakan template CloudFormation yang disediakan di Repositori GitHub dan kloning notebook ke Studio Amazon SageMaker.
Tentang Penulis
Gilles-Kuessan Satchivi adalah AWS Enterprise Solutions Architect dengan latar belakang jaringan, infrastruktur, keamanan, dan operasi TI. Dia bersemangat membantu pelanggan membangun sistem Well-Architected di AWS. Sebelum bergabung dengan AWS, dia bekerja di ecommerce selama 17 tahun. Di luar pekerjaan, ia suka menghabiskan waktu bersama keluarganya dan menyemangati tim sepak bola anak-anaknya.
Aditya Pendyala adalah Arsitek Solusi Senior di AWS yang berbasis di NYC. Dia memiliki pengalaman luas dalam merancang aplikasi berbasis cloud. Dia saat ini bekerja dengan perusahaan besar untuk membantu mereka membuat arsitektur cloud yang sangat skalabel, fleksibel, dan tangguh, serta memandu mereka dalam segala hal tentang cloud. Dia memiliki gelar Master of Science di bidang Ilmu Komputer dari Universitas Shippensburg dan percaya pada kutipan "Ketika Anda berhenti belajar, Anda berhenti tumbuh."
Prabhakar Chandrasekaran adalah Manajer Akun Teknis Senior dengan AWS Enterprise Support. Prabhakar senang membantu pelanggan membangun solusi AI/ML mutakhir di cloud. Dia juga bekerja dengan pelanggan perusahaan memberikan panduan proaktif dan bantuan operasional, membantu mereka meningkatkan nilai solusi mereka saat menggunakan AWS. Prabhakar memegang enam sertifikasi AWS dan enam sertifikasi profesional lainnya. Dengan pengalaman profesional lebih dari 20 tahun, Prabhakar adalah seorang insinyur data dan pemimpin program di ruang layanan keuangan sebelum bergabung dengan AWS.
- Konten Bertenaga SEO & Distribusi PR. Dapatkan Amplifikasi Hari Ini.
- PlatoData.Jaringan Vertikal Generatif Ai. Berdayakan Diri Anda. Akses Di Sini.
- PlatoAiStream. Intelijen Web3. Pengetahuan Diperkuat. Akses Di Sini.
- PlatoESG. Otomotif / EV, Karbon, teknologi bersih, energi, Lingkungan Hidup, Tenaga surya, Penanganan limbah. Akses Di Sini.
- BlockOffset. Modernisasi Kepemilikan Offset Lingkungan. Akses Di Sini.
- Sumber: https://aws.amazon.com/blogs/machine-learning/recommend-and-dynamically-filter-items-based-on-user-context-in-amazon-personalize/
- :memiliki
- :adalah
- :bukan
- :Di mana
- $NAIK
- 1
- 10
- 100
- 11
- 12
- 160
- 17
- 20
- 20 tahun
- 22
- 220
- 23
- 24
- 420
- 7
- 9
- a
- Tentang Kami
- mempercepat
- diakses
- dapat diakses
- mengakses
- Akun
- ketepatan
- dicapai
- di seluruh
- Tindakan
- menambahkan
- tambahan
- Selain itu
- Keuntungan
- Setelah
- AI
- AI / ML
- algoritma
- Semua
- memungkinkan
- juga
- Meskipun
- Amazon
- Amazon Personalisasi
- Amazon Web Services
- Amazon.com
- an
- analisis
- menganalisa
- dan
- api
- Lebah
- aplikasi
- arsitektur
- ADALAH
- susunan
- AS
- Bantuan
- At
- atribut
- secara otomatis
- tersedia
- AWS
- latar belakang
- beking
- berdasarkan
- BE
- karena
- sebelum
- percaya
- selain
- kedua
- Browsing
- membangun
- dibangun di
- tapi
- by
- panggilan
- Panggilan
- Kampanye
- Kampanye
- CAN
- mampu
- menangkap
- kasus
- kasus
- katalog
- sertifikasi
- terpilih
- Kota
- awan
- kode
- dingin
- Kolom
- COM
- Komedi
- kedatangan
- Umum
- komputer
- Komputer Ilmu
- konfigurasi
- mengingat
- memakan
- konsumsi
- Konten
- konteks
- kontekstual
- terus menerus
- negara
- negara
- kerajinan
- membuat
- dibuat
- menciptakan
- membuat
- kriteria
- terbaru
- Sekarang
- adat
- pelanggan
- pelanggan
- disesuaikan
- canggih
- data
- Basis Data
- kumpulan data
- hari
- keputusan
- didefinisikan
- Mendefinisikan
- Derajat
- mengantarkan
- Permintaan
- demo
- demografis
- menyebarkan
- dikerahkan
- dijelaskan
- Desktop
- Menentukan
- pengembang
- berkembang
- alat
- Devices
- berbeda
- digital
- langsung
- distribusi
- dokumenter
- dokumenter
- mendorong
- dua
- dinamis
- dinamis
- setiap
- mudah
- e-commerce
- efektivitas
- usaha
- Email Pemasaran
- memungkinkan
- Titik akhir
- Mesin
- insinyur
- mempertinggi
- memastikan
- Enterprise
- perusahaan
- Setiap
- contoh
- tidak termasuk
- ada
- pengalaman
- Pengalaman
- luas
- Pengalaman yang luas
- keluarga
- Fitur
- Fitur
- Fiksi
- bidang
- Fields
- File
- bioskop
- menyaring
- Akhirnya
- keuangan
- jasa keuangan
- fleksibel
- mengikuti
- berikut
- Untuk
- dari
- penuh
- sepenuhnya
- fungsi
- fungsi
- pintu gerbang
- dikumpulkan
- menghasilkan
- mendapatkan
- mendapatkan
- Anda
- Pergi
- Kelompok
- Tumbuh
- bimbingan
- Panduan
- Memiliki
- he
- header
- membantu
- membantu
- membantu
- sangat
- -nya
- historis
- sejarah
- memegang
- kengerian
- Seterpercayaapakah Olymp Trade? Kesimpulan
- How To
- HTML
- http
- HTTPS
- ID
- if
- mengimpor
- penting
- memperbaiki
- in
- memasukkan
- termasuk
- Termasuk
- industri
- mempengaruhi
- informasi
- Infrastruktur
- memasukkan
- mengintegrasikan
- integrasi
- Cerdas
- berinteraksi
- interaksi
- interaksi
- ke
- investasi
- IT
- item
- bergabung
- jpg
- hanya
- Tahu
- dikenal
- Kekurangan
- besar
- Perusahaan besar
- kemudian
- pemimpin
- BELAJAR
- pengetahuan
- Perpustakaan
- 'like'
- 'like
- tempat
- logika
- Panjang
- mencintai
- mesin
- Mesin belajar
- membuat
- Membuat
- berhasil
- manajer
- mengelola
- banyak
- Marketing
- menguasai
- berarti
- Metadata
- ML
- mobil
- telepon genggam
- model
- model
- lebih
- paling
- bioskop
- beberapa
- Misteri
- nama
- nama
- menavigasi
- perlu
- jaringan
- New
- berita
- berikutnya
- mencatat
- NYC
- of
- on
- hanya
- membuka
- operasional
- Operasi
- Kesempatan
- or
- asal
- Lainnya
- kami
- di luar
- di luar
- lebih
- parameter
- parameter
- lulus
- Lulus
- bergairah
- lalu
- pola
- pola
- periode
- Personalisasi
- Personalisasi
- Personalized
- tahap
- telepon
- Platform
- plato
- Kecerdasan Data Plato
- Data Plato
- dimainkan
- kebijaksanaan
- Populer
- Pos
- pos
- didukung
- Prediksi
- disukai
- siap
- disajikan
- sebelumnya
- Sebelumnya
- Proaktif
- proses
- Produk
- Produk
- profesional
- Profil
- program
- mendorong
- memberikan
- disediakan
- menyediakan
- menyediakan
- wakil
- tujuan
- mengutip
- real-time
- menerima
- resep
- sarankan
- Rekomendasi
- rekomendasi
- merekomendasikan
- catatan
- mengacu
- mengenai
- wilayah
- relevan
- perwakilan
- permintaan
- permintaan
- wajib
- kebutuhan
- Persyaratan
- membutuhkan
- dilindungi
- tabah
- Sumber
- masing-masing
- Menanggapi
- ISTIRAHAT
- Hasil
- kembali
- Rute
- Run
- pembuat bijak
- sama
- mengatakan
- terukur
- Ilmu
- Fiksi Ilmiah
- Musim
- bagian
- keamanan
- melihat
- senior
- melayani
- layanan
- Layanan
- set
- penyiapan
- Menunjukkan
- ditunjukkan
- Pertunjukkan
- kesamaan
- Sederhana
- tunggal
- situasi
- ENAM
- pintar
- Smart TV
- So
- Sepak bola
- larutan
- Solusi
- beberapa
- Space
- tertentu
- menghabiskan
- Langkah
- Tangga
- tersimpan
- Tali
- struktur
- seperti itu
- mendukung
- sistem
- Tablet
- disesuaikan
- Mengambil
- tim
- Teknis
- Teknologi
- Template
- uji
- bahwa
- Grafik
- mereka
- Mereka
- Sana.
- Ini
- hal
- ini
- Melalui
- waktu
- timestamp
- untuk
- alat
- puncak
- Pelatihan VE
- terlatih
- Pelatihan
- kereta
- Mengubah
- transformasi
- benar
- tv
- mengetik
- jenis
- universitas
- tidak dikenal
- URL
- us
- menggunakan
- gunakan case
- bekas
- Pengguna
- Pengguna Pengalaman
- Pengguna
- kegunaan
- menggunakan
- biasanya
- nilai
- Nilai - Nilai
- versi
- Video
- video sesuai permintaan
- Video
- adalah
- we
- Cuaca
- jaringan
- layanan web
- situs web
- minggu
- akhir pekan
- ketika
- sementara
- SIAPA
- lebar
- akan
- dengan
- dalam
- Kerja
- bekerja
- kerja
- bekerja
- bernilai
- tahun
- Kamu
- Anda
- zephyrnet.dll