Amazon Personalisasi bersemangat untuk mengumumkan yang baru Trending-Sekarang resep untuk membantu Anda merekomendasikan item yang mendapatkan popularitas dengan kecepatan tercepat di antara pengguna Anda.
Amazon Personalize adalah layanan pembelajaran mesin (ML) yang dikelola sepenuhnya yang memudahkan pengembang untuk memberikan pengalaman yang dipersonalisasi kepada pengguna mereka. Ini memungkinkan Anda untuk meningkatkan keterlibatan pelanggan dengan memperkuat rekomendasi produk dan konten yang dipersonalisasi di situs web, aplikasi, dan kampanye pemasaran bertarget. Anda dapat memulai tanpa pengalaman ML sebelumnya, menggunakan API untuk membangun kemampuan personalisasi canggih dengan mudah dalam beberapa klik. Semua data Anda dienkripsi agar bersifat pribadi dan aman, dan hanya digunakan untuk membuat rekomendasi bagi pengguna Anda.
Minat pengguna dapat berubah berdasarkan berbagai faktor, seperti peristiwa eksternal atau minat pengguna lain. Sangat penting bagi situs web dan aplikasi untuk menyesuaikan rekomendasinya dengan minat yang berubah ini untuk meningkatkan interaksi pengguna. Dengan Trending-Now, Anda dapat menampilkan item dari katalog Anda yang semakin populer dengan kecepatan lebih tinggi daripada item lainnya, seperti berita yang sedang tren, konten sosial populer, atau film yang baru dirilis. Amazon Personalize mencari item yang semakin populer dengan kecepatan lebih cepat daripada item katalog lainnya untuk membantu pengguna menemukan item yang menarik bagi rekan mereka. Amazon Personalize juga memungkinkan Anda menentukan periode waktu di mana tren dihitung tergantung pada konteks bisnis uniknya, dengan opsi untuk setiap 30 menit, 1 jam, 3 jam, atau 1 hari, berdasarkan data interaksi terbaru dari pengguna.
Dalam postingan ini, kami menunjukkan cara menggunakan resep baru ini untuk merekomendasikan item yang sedang tren kepada pengguna Anda.
Ikhtisar solusi
Trending-Now mengidentifikasi item yang sedang tren teratas dengan menghitung peningkatan interaksi yang dimiliki setiap item selama interval waktu yang dapat dikonfigurasi. Item dengan tingkat peningkatan tertinggi dianggap sebagai item yang sedang tren. Waktu didasarkan pada data stempel waktu dalam kumpulan data interaksi Anda. Anda dapat menentukan interval waktu dengan memberikan frekuensi penemuan tren saat Anda membuat solusi.
Resep Trending-Now memerlukan kumpulan data interaksi, yang berisi catatan peristiwa item dan pengguna individu (seperti klik, jam tangan, atau pembelian) di situs web atau aplikasi Anda bersama dengan stempel waktu peristiwa. Anda dapat menggunakan parameter Frekuensi penemuan tren untuk menentukan interval waktu di mana tren dihitung dan disegarkan. Misalnya, jika Anda memiliki situs web dengan lalu lintas tinggi dengan tren yang berubah dengan cepat, Anda dapat menentukan 30 menit sebagai frekuensi penemuan tren. Setiap 30 menit, Amazon Personalize melihat interaksi yang berhasil dicerna dan menyegarkan item yang sedang tren. Resep ini juga memungkinkan Anda menangkap dan memunculkan konten baru apa pun yang telah diperkenalkan dalam 30 menit terakhir dan telah melihat tingkat minat yang lebih tinggi dari basis pengguna Anda daripada item katalog yang sudah ada sebelumnya. Untuk setiap nilai parameter yang lebih dari 2 jam, Amazon Personalize secara otomatis memperbarui rekomendasi item yang sedang tren setiap 2 jam untuk memperhitungkan interaksi baru dan item baru.
Kumpulan data yang memiliki lalu lintas rendah tetapi menggunakan nilai 30 menit dapat melihat akurasi rekomendasi yang buruk karena data interaksi yang jarang atau hilang. Resep Trending-Sekarang mengharuskan Anda menyediakan data interaksi setidaknya untuk dua jangka waktu terakhir (jangka waktu ini adalah frekuensi penemuan tren yang Anda inginkan). Jika data interaksi tidak ada selama 2 periode waktu terakhir, Amazon Personalize akan mengganti item yang sedang tren dengan item populer hingga data minimum yang diperlukan tersedia.
Resep Trending-Now tersedia untuk grup kumpulan data khusus serta grup kumpulan data domain video sesuai permintaan. Dalam postingan ini, kami menunjukkan cara menyesuaikan rekomendasi Anda untuk tren minat pengguna yang berubah cepat dengan fitur Trending-Now baru ini untuk kasus penggunaan media dengan grup kumpulan data khusus. Diagram berikut mengilustrasikan alur kerja solusi.
Misalnya, dalam aplikasi video-on-demand, Anda dapat menggunakan fitur ini untuk menunjukkan film apa yang sedang tren dalam 1 jam terakhir dengan menentukan 1 jam untuk frekuensi pencarian tren Anda. Untuk setiap 1 jam data, Amazon Personalize mengidentifikasi item dengan tingkat peningkatan interaksi terbesar sejak evaluasi terakhir. Frekuensi yang tersedia meliputi 30 menit, 1 jam, 3 jam, dan 1 hari.
Prasyarat
Untuk menggunakan resep Trending-Now, pertama-tama Anda harus menyiapkan sumber daya Amazon Personalize di konsol Amazon Personalize. Buat grup kumpulan data Anda, impor data Anda, latih versi solusi, dan terapkan kampanye. Untuk instruksi lengkap, lihat Memulai.
Untuk postingan ini, kami telah mengikuti pendekatan konsol untuk menerapkan kampanye menggunakan resep Trending-Now baru. Alternatifnya, Anda dapat membangun seluruh solusi menggunakan pendekatan SDK dengan yang disediakan ini buku catatan. Untuk kedua pendekatan tersebut, kami menggunakan the Kumpulan data publik MovieLens.
Siapkan kumpulan datanya
Selesaikan langkah-langkah berikut untuk mempersiapkan dataset Anda:
- Buat grup kumpulan data.
- Buat set data interaksi menggunakan yang berikut ini skema:
- Impor data interaksi ke Personalisasi Amazon dari Layanan Penyimpanan Sederhana Amazon (Amazon S3).
Untuk data interaksi, kami menggunakan histori peringkat dari kumpulan data ulasan film, MovieLens.
Silakan gunakan kode python di bawah ini untuk menyusun kumpulan data interaksi dari kumpulan data publik MovieLens.
Grafik MovieLens
kumpulan data berisi user_id
, rating
, item_id
, interaksi antara pengguna dan item, dan waktu terjadinya interaksi ini (stempel waktu, yang diberikan sebagai waktu zaman UNIX). Kumpulan data juga berisi informasi judul film untuk memetakan ID film ke judul dan genre sebenarnya. Tabel berikut adalah contoh dari dataset.
IDENTITAS PENGGUNA | ITEM_ID | URUTAN WAKTU | TITLE | GENRES |
116927 | 1101 | 1105210919 | Senjata Teratas (1986) | Aksi|Romantis |
158267 | 719 | 974847063 | Multiplisitas (1996) | Komedi |
55098 | 186871 | 1526204585 | Sembuh (2017) | Dokumenter |
159290 | 59315 | 1485663555 | Iron Man (2008) | Aksi|Petualangan|Sci-Fi |
108844 | 34319 | 1428229516 | Pulau, Itu (2005) | Laga|Sci-Fi|Thriller |
85390 | 2916 | 953264936 | Jumlah Penarikan (1990) | Aksi|Petualangan|Sci-Fi|Thriller |
103930 | 18 | 839915700 | Empat Kamar (1995) | Komedi |
104176 | 1735 | 985295513 | Harapan Besar (1998) | Drama|Romantis |
97523 | 1304 | 1158428003 | Butch Cassidy dan Sundance Kid (1969) | Aksi|Barat |
87619 | 6365 | 1066077797 | Matriks Dimuat Ulang, The (2003) | Aksi|Petualangan|Sci-Fi|Thriller|IMAX |
Dataset yang dikuratori termasuk USER_ID
, ITEM_ID
(ID film), dan TIMESTAMP
untuk melatih model Personalisasi Amazon. Ini adalah kolom yang wajib diisi untuk melatih model dengan resep Trending-Now. Tabel berikut adalah contoh dari kumpulan data hasil kurasi.
IDENTITAS PENGGUNA | ITEM_ID | URUTAN WAKTU |
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 |
Latih model
Setelah tugas impor set data selesai, Anda siap untuk melatih model Anda.
- pada Solusi tab, pilih Ciptakan solusi.
- Pilih
new aws-trending-now
resep. - Dalam majalah Konfigurasi lanjutan bagian, set Frekuensi penemuan tren hingga 30 menit.
- Pilih Ciptakan solusi untuk memulai pelatihan.
Buat kampanye
Di Amazon Personalize, Anda menggunakan kampanye untuk membuat rekomendasi bagi pengguna Anda. Di langkah ini, Anda membuat kampanye menggunakan solusi yang Anda buat di langkah sebelumnya dan mendapatkan rekomendasi Trending-Now:
- pada Kampanye tab, pilih Buat kampanye.
- Untuk Nama kampanye, masukkan nama.
- Untuk Solusi, pilih solusinya
trending-now-solution
. - Untuk ID versi solusi, pilih versi solusi yang menggunakan
aws-trending-now
resep. - Untuk Minimum transaksi yang disediakan per detik, biarkan pada nilai default.
- Pilih Buat kampanye untuk mulai membuat kampanye Anda.
Dapatkan rekomendasi
Setelah Anda membuat atau memperbarui kampanye, Anda bisa mendapatkan rekomendasi daftar item yang sedang tren, diurutkan dari tertinggi ke terendah. dalam kampanye (trending-now-campaign
) API Personalisasi tab, pilih Dapatkan rekomendasi.
Tangkapan layar berikut menunjukkan halaman detail kampanye dengan hasil dari a GetRecommendations
panggilan yang menyertakan item yang direkomendasikan dan ID rekomendasi.
Hasil dari GetRecommendations
panggilan termasuk ID item yang direkomendasikan. Tabel berikut adalah contoh setelah memetakan ID ke judul film yang sebenarnya agar mudah dibaca. Kode untuk melakukan pemetaan disediakan di buku catatan terlampir.
ITEM_ID | TITLE |
356 | Hutan Gump (1994) |
318 | Penebusan Shawshank, The (1994) |
58559 | Ksatria Kegelapan, Sang (2008) |
33794 | Batman Dimulai (2005) |
44191 | V untuk Vendetta (2006) |
48516 | Berangkat, The (2006) |
195159 | Spider-Man: Ke dalam Spider-Verse (2018) |
122914 | Pembalas: Perang Tanpa Batas โ Bagian II (2019) |
91974 | Dunia Bawah: Kebangkitan (2012) |
204698 | Joker (2019) |
Dapatkan rekomendasi tren
Setelah Anda membuat versi solusi menggunakan aws-trending-now
resep, Amazon Personalize akan mengidentifikasi item yang sedang tren teratas dengan menghitung peningkatan interaksi yang dimiliki setiap item selama interval waktu yang dapat dikonfigurasi. Item dengan tingkat peningkatan tertinggi dianggap sebagai item yang sedang tren. Waktu didasarkan pada data stempel waktu dalam kumpulan data interaksi Anda.
Sekarang mari berikan interaksi terbaru ke Amazon Personalize untuk menghitung item yang sedang tren. Kami dapat memberikan interaksi terbaru menggunakan penyerapan waktu nyata dengan membuat pelacak acara atau melalui unggahan data massal dengan tugas impor set data dalam mode inkremental. Di notebook, kami telah menyediakan kode sampel untuk mengimpor data interaksi real-time terbaru secara individual ke Amazon Personalize menggunakan pelacak peristiwa.
Untuk posting ini kami akan memberikan interaksi terbaru sebagai unggahan data massal dengan tugas impor set data dalam mode inkremental. Silakan gunakan kode python di bawah ini untuk menghasilkan interaksi inkremental dummy dan unggah data interaksi inkremental menggunakan tugas impor set data.
Kami telah membuat interaksi ini secara sintetik dengan memilih beberapa nilai secara acak USER_ID
dan ITEM_ID
, dan menghasilkan interaksi antara pengguna tersebut dan item dengan stempel waktu terbaru. Tabel berikut berisi yang dipilih secara acak ITEM_ID
nilai-nilai yang digunakan untuk menghasilkan interaksi inkremental.
ITEM_ID | TITLE |
153 | Batman Selamanya (1995) |
260 | Star Wars: Episode IV โ Harapan Baru (1977) |
1792 | Marsekal AS (1998) |
2363 | Godzilla (Gojira) (1954) |
2407 | Kepompong (1985) |
2459 | Pembantaian Chainsaw Texas, (1974) |
3948 | Temui Orang Tua (2000) |
6539 | Pirates of the Caribbean: Kutukan Blaโฆ |
8961 | Luar Biasa, Itu (2004) |
61248 | Balap Kematian (2008) |
Unggah data interaksi inkremental dengan memilih Tambahkan ke kumpulan data saat ini (atau gunakan mode inkremental jika menggunakan API), seperti yang ditampilkan dalam snapshot berikut.
Setelah tugas impor set data interaksi inkremental selesai, tunggu durasi waktu frekuensi penemuan tren yang Anda konfigurasikan agar rekomendasi baru tercermin.
Pilih Dapatkan rekomendasi di halaman API kampanye untuk mendapatkan rekomendasi daftar item terbaru yang sedang tren.
Sekarang kita melihat daftar item terbaru yang direkomendasikan. Tabel berikut berisi data setelah memetakan ID ke judul film yang sebenarnya agar mudah dibaca. Kode untuk melakukan pemetaan disediakan di buku catatan terlampir.
ITEM_ID | TITLE |
260 | Star Wars: Episode IV โ Harapan Baru (1977) |
6539 | Pirates of the Caribbean: Kutukan Blaโฆ |
153 | Batman Selamanya (1995) |
3948 | Temui Orang Tua (2000) |
1792 | Marsekal AS (1998) |
2459 | Pembantaian Chainsaw Texas, (1974) |
2363 | Godzilla (Gojira) (1954) |
61248 | Balap Kematian (2008) |
8961 | Luar Biasa, Itu (2004) |
2407 | Kepompong (1985) |
Sebelumnya GetRecommendations
panggilan termasuk ID item yang direkomendasikan. Sekarang kita melihat ITEM_ID
nilai yang direkomendasikan berasal dari kumpulan data interaksi inkremental yang telah kami sediakan untuk model Amazon Personalize. Hal ini tidak mengherankan karena ini adalah satu-satunya item yang memperoleh interaksi dalam 30 menit terakhir dari kumpulan data sintetis kami.
Anda sekarang telah berhasil melatih model Trending-Now untuk menghasilkan rekomendasi item yang menjadi populer di kalangan pengguna Anda dan menyesuaikan rekomendasi sesuai dengan minat pengguna. Ke depan, Anda dapat mengadaptasi kode ini untuk membuat pemberi rekomendasi lainnya.
Anda juga dapat menggunakan filter beserta resep Trending-Now untuk membedakan tren di antara berbagai jenis konten, seperti video panjang vs. pendek, atau melamar filter promosi untuk secara eksplisit merekomendasikan item tertentu berdasarkan aturan yang selaras dengan tujuan bisnis Anda.
Membersihkan
Pastikan Anda membersihkan semua sumber daya yang tidak digunakan yang Anda buat di akun Anda sambil mengikuti langkah-langkah yang diuraikan dalam posting ini. Anda dapat menghapus filter, pemberi rekomendasi, kumpulan data, dan grup kumpulan data melalui Konsol Manajemen AWS atau menggunakan SDK Python.
Kesimpulan
Baru aws-trending-now
resep dari Amazon Personalize membantu Anda mengidentifikasi item yang dengan cepat menjadi populer di kalangan pengguna Anda dan menyesuaikan rekomendasi Anda untuk tren minat pengguna yang cepat berubah.
Untuk informasi selengkapnya tentang Amazon Personalize, lihat Panduan Pengembang Personalisasi Amazon.
Tentang penulis
Vamshi Krishna Enabothala adalah Arsitek Spesialis AI Terapan Senior di AWS. Dia bekerja dengan pelanggan dari berbagai sektor untuk mempercepat inisiatif data, analitik, dan pembelajaran mesin berdampak tinggi. Dia sangat tertarik dengan sistem rekomendasi, NLP, dan area visi komputer di AI dan ML. Di luar pekerjaan, Vamshi adalah penggemar RC, membuat peralatan RC (pesawat, mobil, dan drone), dan juga suka berkebun.
Anchit Gupta adalah Manajer Produk Senior untuk Personalisasi Amazon. Dia berfokus untuk menghadirkan produk yang mempermudah pembuatan solusi pembelajaran mesin. Di waktu luangnya, dia menikmati memasak, bermain permainan papan/kartu, dan membaca.
Abhisek Mangal adalah Insinyur Perangkat Lunak untuk Personalisasi Amazon dan bekerja dalam merancang sistem perangkat lunak untuk melayani pelanggan dalam skala besar. Di waktu senggangnya, dia suka menonton anime dan percaya 'One Piece' adalah kisah terbesar dalam sejarah baru-baru ini.
- Konten Bertenaga SEO & Distribusi PR. Dapatkan Amplifikasi Hari Ini.
- Platoblockchain. Intelijen Metaverse Web3. Pengetahuan Diperkuat. Akses Di Sini.
- Sumber: https://aws.amazon.com/blogs/machine-learning/recommend-top-trending-items-to-your-users-using-the-new-amazon-personalize-recipe/
- :adalah
- $NAIK
- 1
- 10
- 100
- 1985
- 1994
- 1996
- 1998
- 2012
- 2017
- 2018
- 2019
- 7
- a
- Tentang Kami
- mempercepat
- Menurut
- Akun
- ketepatan
- menyesuaikan
- Setelah
- AI
- Semua
- memungkinkan
- Amazon
- Amazon Personalisasi
- antara
- analisis
- dan
- anime
- Mengumumkan
- api
- Lebah
- aplikasi
- aplikasi
- terapan
- AI terapan
- Mendaftar
- pendekatan
- pendekatan
- aplikasi
- ADALAH
- daerah
- AS
- At
- secara otomatis
- tersedia
- AWS
- mendasarkan
- berdasarkan
- BE
- karena
- menjadi
- percaya
- di bawah
- antara
- membangun
- Bangunan
- bisnis
- by
- menghitung
- dihitung
- menghitung
- panggilan
- Kampanye
- Kampanye
- CAN
- Bisa Dapatkan
- kemampuan
- menangkap
- Karibia
- mobil
- kasus
- katalog
- perubahan
- mengubah
- Pilih
- kode
- Kolom
- COM
- lengkap
- komputer
- Visi Komputer
- dianggap
- konsul
- mengandung
- Konten
- konteks
- membuat
- dibuat
- membuat
- kritis
- dikuratori
- terbaru
- mengutuk
- adat
- pelanggan
- Keterlibatan pelanggan
- pelanggan
- data
- kumpulan data
- tanggal Waktu
- hari
- Default
- Derajat
- menyampaikan
- mengantarkan
- mendemonstrasikan
- Tergantung
- menyebarkan
- diinginkan
- rinci
- Pengembang
- pengembang
- berbeda
- membedakan
- menemukan
- penemuan
- Tidak
- domain
- Drone
- setiap
- mudah
- mudah
- memungkinkan
- terenkripsi
- interaksi
- menarik
- insinyur
- Enter
- penggemar
- Seluruh
- masa
- peralatan
- evaluasi
- Acara
- peristiwa
- Setiap
- contoh
- gembira
- harapan
- pengalaman
- Pengalaman
- luar
- faktor
- lebih cepat
- tercepat
- Fitur
- beberapa
- Fields
- filter
- Pertama
- berfokus
- diikuti
- berikut
- Untuk
- selama-lamanya
- Depan
- Frekuensi
- dari
- penuh
- sepenuhnya
- mendapatkan
- Games
- menghasilkan
- dihasilkan
- menghasilkan
- mendapatkan
- diberikan
- Anda
- akan
- lebih besar
- terbesar
- Kelompok
- Grup
- Memiliki
- membantu
- membantu
- High
- lebih tinggi
- paling tinggi
- sejarah
- berharap
- JAM
- Seterpercayaapakah Olymp Trade? Kesimpulan
- How To
- HTML
- http
- HTTPS
- i
- ID
- mengidentifikasi
- mengenali
- mengimpor
- memperbaiki
- in
- memasukkan
- termasuk
- Meningkatkan
- sendiri-sendiri
- Secara individual
- Angka tak terbatas
- informasi
- inisiatif
- instruksi
- interaksi
- interaksi
- bunga
- kepentingan
- diperkenalkan
- IT
- item
- Pekerjaan
- jpg
- Anak
- Ksatria
- Terakhir
- Terbaru
- pengetahuan
- Meninggalkan
- Panjang
- 'like'
- Daftar
- Panjang
- TERLIHAT
- Rendah
- mesin
- Mesin belajar
- membuat
- MEMBUAT
- pria
- berhasil
- pengelolaan
- manajer
- wajib
- peta
- pemetaan
- Marketing
- Media
- minimum
- menit
- hilang
- ML
- mode
- model
- lebih
- paling
- film
- bioskop
- nama
- Perlu
- New
- berita
- nLP
- buku catatan
- of
- on
- Opsi
- Lainnya
- diuraikan
- di luar
- Perdamaian
- halaman
- panda
- parameter
- orangtua
- bagian
- bergairah
- lalu
- Melakukan
- periode
- periode
- Personalisasi
- Personalisasi
- Personalized
- bagian
- Tempat
- plato
- Kecerdasan Data Plato
- Data Plato
- bermain
- silahkan
- miskin
- Populer
- kepopuleran
- Pos
- Powering
- Mempersiapkan
- sebelumnya
- Sebelumnya
- swasta
- Produk
- manajer produk
- Produk
- memberikan
- disediakan
- menyediakan
- publik
- pembelian
- Ular sanca
- Ras
- acak
- cepat
- Penilaian
- penilaian
- peringkat
- Bacaan
- siap
- real-time
- baru
- resep
- sarankan
- Rekomendasi
- rekomendasi
- direkomendasikan
- catatan
- penebusan
- tercermin
- dirilis
- menggantikan
- wajib
- membutuhkan
- Sumber
- Hasil
- ulasan
- kenaikan
- kamar
- aturan
- s
- Skala
- SDK
- Bagian
- Sektor
- aman
- terpilih
- memilih
- senior
- melayani
- layanan
- set
- Pendek
- Menunjukkan
- ditunjukkan
- Pertunjukkan
- Sederhana
- sejak
- Potret
- Sosial
- Perangkat lunak
- Software Engineer
- larutan
- Solusi
- beberapa
- mutakhir
- spesialis
- tertentu
- awal
- mulai
- Langkah
- Tangga
- penyimpanan
- Tali
- berhasil
- seperti itu
- Permukaan
- mengherankan
- sintetis
- secara sintetis
- sistem
- tabel
- ditargetkan
- bahwa
- Grafik
- mereka
- Ini
- Melalui
- waktu
- timestamp
- Judul
- judul
- untuk
- puncak
- lalu lintas
- Pelatihan VE
- terlatih
- Pelatihan
- Transaksi
- kecenderungan
- trending
- Berita Tren
- Tren
- jenis
- unik
- unix
- terpakai
- Memperbarui
- menggunakan
- gunakan case
- Pengguna
- Pengguna
- nilai
- Nilai - Nilai
- variasi
- Kecepatan
- versi
- melalui
- Video
- penglihatan
- vs
- menunggu
- perang
- Menonton
- jam tangan
- Situs Web
- situs web
- BAIK
- Apa
- yang
- sementara
- akan
- dengan
- tanpa
- Kerja
- bekerja
- Kamu
- Anda
- zephyrnet.dll
- Zip