Amazon Personalizza è lieto di annunciare il nuovo In voga ricetta per aiutarti a consigliare articoli che guadagnano popolarità al ritmo più veloce tra i tuoi utenti.
Amazon Personalize è un servizio di machine learning (ML) completamente gestito che consente agli sviluppatori di fornire facilmente esperienze personalizzate ai propri utenti. Ti consente di migliorare il coinvolgimento dei clienti alimentando consigli personalizzati su prodotti e contenuti in siti Web, applicazioni e campagne di marketing mirate. Puoi iniziare senza alcuna precedente esperienza di ML, utilizzando le API per creare facilmente funzionalità di personalizzazione sofisticate in pochi clic. Tutti i tuoi dati sono crittografati per essere privati e sicuri e vengono utilizzati solo per creare consigli per i tuoi utenti.
Gli interessi degli utenti possono cambiare in base a una varietà di fattori, come eventi esterni o interessi di altri utenti. È fondamentale che i siti Web e le app adattino i loro consigli a questi interessi in evoluzione per migliorare il coinvolgimento degli utenti. Con Trending-Now, puoi far emergere gli elementi del tuo catalogo che stanno crescendo in popolarità con una velocità maggiore rispetto ad altri elementi, come notizie di tendenza, contenuti social popolari o film appena usciti. Amazon Personalize cerca articoli che stanno crescendo in popolarità a un ritmo più veloce rispetto ad altri articoli del catalogo per aiutare gli utenti a scoprire articoli che stanno coinvolgendo i loro colleghi. Amazon Personalize consente inoltre di definire i periodi di tempo in cui vengono calcolate le tendenze in base al loro contesto aziendale unico, con opzioni per ogni 30 minuti, 1 ora, 3 ore o 1 giorno, in base ai dati sulle interazioni più recenti degli utenti.
In questo post, mostriamo come utilizzare questa nuova ricetta per consigliare i migliori articoli di tendenza ai tuoi utenti.
Panoramica della soluzione
Trending-Now identifica gli elementi di maggior tendenza calcolando l'aumento delle interazioni che ogni elemento ha su intervalli di tempo configurabili. Gli articoli con il più alto tasso di incremento sono considerati articoli di tendenza. L'ora si basa sui dati timestamp nel set di dati delle interazioni. Puoi specificare l'intervallo di tempo fornendo una frequenza di rilevamento delle tendenze quando crei la tua soluzione.
La ricetta Trending-Now richiede un set di dati sulle interazioni, che contiene un record dei singoli eventi utente ed elemento (come clic, visualizzazioni o acquisti) sul tuo sito Web o app insieme ai timestamp degli eventi. Puoi usare il parametro Frequenza di scoperta delle tendenze per definire gli intervalli di tempo in cui le tendenze vengono calcolate e aggiornate. Ad esempio, se si dispone di un sito Web ad alto traffico con tendenze in rapida evoluzione, è possibile specificare 30 minuti come frequenza di individuazione delle tendenze. Ogni 30 minuti, Amazon Personalize esamina le interazioni che sono state acquisite con successo e aggiorna gli elementi di tendenza. Questa ricetta ti consente inoltre di acquisire e far emergere qualsiasi nuovo contenuto che è stato introdotto negli ultimi 30 minuti e che ha riscontrato un grado di interesse più elevato da parte della tua base di utenti rispetto a qualsiasi elemento del catalogo preesistente. Per tutti i valori dei parametri superiori a 2 ore, Amazon Personalize aggiorna automaticamente i consigli sugli articoli di tendenza ogni 2 ore per tenere conto delle nuove interazioni e dei nuovi articoli.
I set di dati con traffico ridotto ma che utilizzano un valore di 30 minuti possono visualizzare una scarsa precisione dei consigli a causa di dati sulle interazioni scarsi o mancanti. La ricetta Trending-Now richiede che tu fornisca i dati di interazione per almeno due periodi di tempo passati (questo periodo di tempo è la frequenza di scoperta della tendenza desiderata). Se i dati di interazione non esistono per gli ultimi 2 periodi di tempo, Amazon Personalize sostituirà gli articoli di tendenza con articoli popolari finché non saranno disponibili i dati minimi richiesti.
La formula Trending-Now è disponibile sia per i gruppi di set di dati personalizzati che per i gruppi di set di dati di dominio di video on demand. In questo post, dimostriamo come personalizzare i tuoi consigli per le tendenze in rapida evoluzione nell'interesse degli utenti con questa nuova funzionalità Trending-Now per un caso d'uso multimediale con un gruppo di set di dati personalizzato. Il diagramma seguente illustra il flusso di lavoro della soluzione.
Ad esempio, nelle applicazioni video su richiesta, puoi utilizzare questa funzione per mostrare quali film sono di tendenza nell'ultima ora specificando 1 ora per la frequenza di rilevamento delle tendenze. Per ogni ora di dati, Amazon Personalize identifica gli articoli con il maggior tasso di aumento delle interazioni dall'ultima valutazione. Le frequenze disponibili includono 1 minuti, 1 ora, 30 ore e 1 giorno.
Prerequisiti
Per utilizzare la ricetta Trending-Now, devi prima configurare le risorse Amazon Personalize sulla console Amazon Personalize. Crea il tuo gruppo di set di dati, importa i dati, addestra una versione della soluzione e distribuisci una campagna. Per le istruzioni complete, vedere Per iniziare.
Per questo post, abbiamo seguito l'approccio della console per distribuire una campagna utilizzando la nuova ricetta Trending-Now. In alternativa, puoi creare l'intera soluzione utilizzando l'approccio SDK fornito taccuino. Per entrambi gli approcci, usiamo il Set di dati pubblico MovieLens.
Prepara il set di dati
Completare i seguenti passaggi per preparare il set di dati:
- Crea un gruppo di set di dati.
- Crea un set di dati sulle interazioni utilizzando quanto segue schema:
- Importa i dati delle interazioni su Amazon Personalizza da Servizio di archiviazione semplice Amazon (Amazon S3).
Per i dati sulle interazioni, utilizziamo la cronologia delle valutazioni dal set di dati delle recensioni dei film, MovieLens.
Utilizza il codice Python sottostante per curare il set di dati delle interazioni dal set di dati pubblico di MovieLens.
Il MovieLens
il set di dati contiene il user_id
, rating
, item_id
, le interazioni tra gli utenti e gli elementi e l'ora in cui si è verificata questa interazione (un timestamp, che viene fornito come UNIX epoch time). Il set di dati contiene anche informazioni sul titolo del film per mappare l'ID del film al titolo e ai generi effettivi. La tabella seguente è un esempio del set di dati.
ID UTENTE | NUMERO IDENTIFICATIVO DELL'OGGETTO | TIMESTAMP | TITOLO | GENERI |
116927 | 1101 | 1105210919 | Top Gun (1986) | Azione|Romanzo |
158267 | 719 | 974847063 | Molteplicità (1996) | Commedia |
55098 | 186871 | 1526204585 | Guarisci (2017) | Documentario |
159290 | 59315 | 1485663555 | Iron Man (2008) | Azione|Avventura|Fantascienza |
108844 | 34319 | 1428229516 | Isola, L' (2005) | Azione|Fantascienza|Thriller |
85390 | 2916 | 953264936 | Total Recall (1990) | Azione|Avventura|Fantascienza|Thriller |
103930 | 18 | 839915700 | Quattro stanze (1995) | Commedia |
104176 | 1735 | 985295513 | Grandi aspettative (1998) | Drammatico|Romanzo |
97523 | 1304 | 1158428003 | Butch Cassidy e Sundance Kid (1969) | Azione|Western |
87619 | 6365 | 1066077797 | Matrix Reloaded, Il (2003) | Azione|Avventura|Fantascienza|Thriller|IMAX |
Il set di dati curato include USER_ID
, ITEM_ID
(ID film) e TIMESTAMP
per addestrare il modello Amazon Personalize. Questi sono i campi richiesti obbligatori per addestrare un modello con la ricetta Trending-Now. La tabella seguente è un esempio del set di dati selezionato.
ID UTENTE | NUMERO IDENTIFICATIVO DELL'OGGETTO | TIMESTAMP |
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 |
Addestra un modello
Al termine del processo di importazione del set di dati, sei pronto per addestrare il tuo modello.
- Sulla Soluzioni scheda, scegliere Crea soluzione.
- Scegliere il
new aws-trending-now
ricetta. - Nel Configurazione avanzata sezione, impostare Frequenza di scoperta delle tendenze a 30 minuti.
- Scegli Crea soluzione per iniziare la formazione.
Crea una campagna
In Amazon Personalize, utilizzi una campagna per formulare raccomandazioni per i tuoi utenti. In questo passaggio, crei una campagna utilizzando la soluzione che hai creato nel passaggio precedente e ottieni i consigli Trending-Now:
- Sulla Responsabile Campagne scheda, scegliere Crea campagna.
- Nel nome della campagna, inserisci un nome.
- Nel Soluzione, scegli la soluzione
trending-now-solution
. - Nel ID versione soluzione, scegli la versione della soluzione che utilizza l'estensione
aws-trending-now
ricetta. - Nel Transazioni di provisioning minime al secondo, lascialo al valore predefinito.
- Scegli Crea campagna per iniziare a creare la tua campagna.
Ottieni consigli
Dopo aver creato o aggiornato la tua campagna, puoi ottenere un elenco consigliato di elementi di tendenza, ordinati dal più alto al più basso. Sulla campagna (trending-now-campaign
) API di personalizzazione scheda, scegliere Ottieni consigli.
Lo screenshot seguente mostra la pagina dei dettagli della campagna con i risultati di un file GetRecommendations
chiamata che include gli elementi consigliati e l'ID raccomandazione.
I risultati del GetRecommendations
call include gli ID degli elementi consigliati. La tabella seguente è un esempio dopo aver mappato gli ID ai titoli dei film effettivi per la leggibilità. Il codice per eseguire la mappatura è fornito nel taccuino allegato.
NUMERO IDENTIFICATIVO DELL'OGGETTO | TITOLO |
356 | Forrest Gump (1994) |
318 | La redenzione di Shawshank, The (1994) |
58559 | Cavaliere oscuro, il (2008) |
33794 | Batman Begins (2005) |
44191 | V per Vendetta (2006) |
48516 | Defunto, Il (2006) |
195159 | Spider-Man: Nel verso del ragno (2018) |
122914 | Avengers: Infinity War – Parte II (2019) |
91974 | Underworld: Risveglio (2012) |
204698 | Joker (2019) |
Ottieni consigli sulle tendenze
Dopo aver creato una versione della soluzione utilizzando il file aws-trending-now
ricetta, Amazon Personalize identificherà gli articoli di maggior tendenza calcolando l'aumento delle interazioni che ogni articolo ha su intervalli di tempo configurabili. Gli articoli con il più alto tasso di incremento sono considerati articoli di tendenza. L'ora si basa sui dati timestamp nel set di dati delle interazioni.
Ora forniamo le ultime interazioni ad Amazon Personalize per calcolare gli articoli di tendenza. Possiamo fornire le interazioni più recenti utilizzando l'inserimento in tempo reale creando un file tracker eventi o tramite un caricamento in blocco dei dati con un processo di importazione di set di dati in modalità incrementale. Nel notebook, abbiamo fornito un codice di esempio per importare individualmente i dati più recenti sulle interazioni in tempo reale in Amazon Personalize utilizzando il tracker di eventi.
Per questo post forniremo le ultime interazioni come caricamento di dati in blocco con un processo di importazione di set di dati in modalità incrementale. Utilizzare il codice Python sottostante per generare interazioni incrementali fittizie e caricare i dati delle interazioni incrementali utilizzando un processo di importazione del set di dati.
Abbiamo generato sinteticamente queste interazioni selezionando casualmente alcuni valori per USER_ID
ed ITEM_ID
e generando interazioni tra quegli utenti e gli elementi con i timestamp più recenti. La seguente tabella contiene i selezionati casualmente ITEM_ID
valori utilizzati per generare interazioni incrementali.
NUMERO IDENTIFICATIVO DELL'OGGETTO | TITOLO |
153 | Batman Forever (1995) |
260 | Star Wars: Episode IV - A New Hope (1977) |
1792 | Marescialli degli Stati Uniti (1998) |
2363 | Godzilla (Gojira) (1954) |
2407 | Bozzolo (1985) |
2459 | Massacro della motosega in Texas, The (1974) |
3948 | Incontra i genitori (2000) |
6539 | Pirati dei Caraibi: La Maledizione del Bla… |
8961 | Incredibili, Gli (2004) |
61248 | Corsa alla morte (2008) |
Carica i dati delle interazioni incrementali selezionando Aggiungi al set di dati corrente (o usa la modalità incrementale se usi le API), come mostrato nello snapshot seguente.
Dopo il completamento del processo di importazione del set di dati delle interazioni incrementali, attendere la lunghezza del tempo di frequenza di rilevamento delle tendenze configurato per riflettere i nuovi consigli.
Scegli Ottieni consigli nella pagina dell'API della campagna per ottenere l'ultimo elenco consigliato di articoli di tendenza.
Ora vediamo l'ultimo elenco di elementi consigliati. La tabella seguente contiene i dati dopo aver mappato gli ID ai titoli dei film effettivi per la leggibilità. Il codice per eseguire la mappatura è fornito nel taccuino allegato.
NUMERO IDENTIFICATIVO DELL'OGGETTO | TITOLO |
260 | Star Wars: Episode IV - A New Hope (1977) |
6539 | Pirati dei Caraibi: La Maledizione del Bla… |
153 | Batman Forever (1995) |
3948 | Incontra i genitori (2000) |
1792 | Marescialli degli Stati Uniti (1998) |
2459 | Massacro della motosega in Texas, The (1974) |
2363 | Godzilla (Gojira) (1954) |
61248 | Corsa alla morte (2008) |
8961 | Incredibili, Gli (2004) |
2407 | Bozzolo (1985) |
Il precedente GetRecommendations
call include gli ID degli elementi consigliati. Ora vediamo il ITEM_ID
i valori consigliati provengono dal set di dati delle interazioni incrementali che abbiamo fornito al modello Amazon Personalize. Ciò non sorprende perché questi sono gli unici elementi che hanno ottenuto interazioni negli ultimi 30 minuti dal nostro set di dati sintetici.
Ora hai addestrato con successo un modello Trending-Now per generare consigli sugli articoli che stanno diventando popolari tra i tuoi utenti e adattare i consigli in base all'interesse degli utenti. Andando avanti, puoi adattare questo codice per creare altri consiglieri.
È inoltre possibile utilizzare filtri insieme alla ricetta Trending-Now per differenziare le tendenze tra diversi tipi di contenuti, come video lunghi e brevi, o applicare filtri promozionali per consigliare esplicitamente elementi specifici in base a regole in linea con i tuoi obiettivi aziendali.
ripulire
Assicurati di ripulire tutte le risorse inutilizzate che hai creato nel tuo account mentre segui i passaggi descritti in questo post. È possibile eliminare filtri, suggerimenti, set di dati e gruppi di set di dati tramite il Console di gestione AWS o usando Python SDK.
Sommario
Il nuovo aws-trending-now
La ricetta di Amazon Personalize ti aiuta a identificare gli articoli che stanno rapidamente diventando popolari tra i tuoi utenti e ad adattare i tuoi consigli alle tendenze in rapida evoluzione nell'interesse degli utenti.
Per ulteriori informazioni su Amazon Personalize, consulta il Guida per sviluppatori di Amazon Personalize.
Circa gli autori
Vamshi Krishna Enabothala è Sr. Applied AI Specialist Architect presso AWS. Lavora con clienti di diversi settori per accelerare iniziative di dati, analisi e apprendimento automatico ad alto impatto. È appassionato di sistemi di raccomandazione, PNL e aree di visione artificiale in AI e ML. Al di fuori del lavoro, Vamshi è un appassionato di RC, costruisce attrezzature RC (aerei, automobili e droni) e ama anche il giardinaggio.
Anchit Gupta è Senior Product Manager per Amazon Personalize. Si concentra sulla fornitura di prodotti che semplificano la creazione di soluzioni di machine learning. Nel tempo libero le piace cucinare, giocare a giochi da tavolo/di carte e leggere.
Abhishek Mangal è un Software Engineer per Amazon Personalize e lavora alla progettazione di sistemi software per servire i clienti su larga scala. Nel suo tempo libero, gli piace guardare gli anime e crede che "One Piece" sia il più grande pezzo di narrazione della storia recente.
- Distribuzione di contenuti basati su SEO e PR. Ricevi amplificazione oggi.
- Platoblockchain. Web3 Metaverse Intelligence. Conoscenza amplificata. Accedi qui.
- Fonte: https://aws.amazon.com/blogs/machine-learning/recommend-top-trending-items-to-your-users-using-the-new-amazon-personalize-recipe/
- :È
- $ SU
- 1
- 10
- 100
- 1985
- 1994
- 1996
- 1998
- 2012
- 2017
- 2018
- 2019
- 7
- a
- WRI
- accelerare
- Secondo
- Il mio account
- precisione
- adattare
- Dopo shavasana, sedersi in silenzio; saluti;
- AI
- Tutti
- consente
- Amazon
- Amazon Personalizza
- tra
- analitica
- ed
- anime
- Annunciare
- api
- API
- App
- applicazioni
- applicato
- AI applicata
- APPLICA
- approccio
- approcci
- applicazioni
- SONO
- aree
- AS
- At
- automaticamente
- disponibile
- AWS
- base
- basato
- BE
- perché
- diventando
- crede
- sotto
- fra
- costruire
- Costruzione
- affari
- by
- calcolare
- calcolato
- calcolo
- chiamata
- Campagna
- Responsabile Campagne
- Materiale
- Può ottenere
- funzionalità
- catturare
- caraibico
- auto
- Custodie
- catalogo
- il cambiamento
- cambiando
- Scegli
- codice
- colonne
- COM
- completamento di una
- computer
- Visione computerizzata
- considerato
- consolle
- contiene
- contenuto
- contesto
- creare
- creato
- Creazione
- critico
- a cura
- Corrente
- maledire
- costume
- cliente
- Il coinvolgimento del cliente
- Clienti
- dati
- dataset
- datetime
- giorno
- Predefinito
- Laurea
- consegnare
- consegna
- dimostrare
- Dipendente
- schierare
- desiderato
- dettaglio
- Costruttori
- sviluppatori
- diverso
- differenziare
- scopri
- scoperta
- non
- dominio
- Droni
- ogni
- più facile
- facilmente
- Abilita
- crittografato
- Fidanzamento
- impegnandosi
- ingegnere
- entrare
- appassionato
- Intero
- epoca
- usate
- valutazione
- Evento
- eventi
- Ogni
- esempio
- eccitato
- le aspettative
- esperienza
- Esperienze
- esterno
- Fattori
- più veloce
- più veloce
- caratteristica
- pochi
- campi
- filtri
- Nome
- si concentra
- seguito
- i seguenti
- Nel
- per sempre
- Avanti
- Frequenza
- da
- pieno
- completamente
- guadagnando
- Giochi
- generare
- generato
- la generazione di
- ottenere
- dato
- Obiettivi
- andando
- maggiore
- maggiore
- Gruppo
- Gruppo
- Avere
- Aiuto
- aiuta
- Alta
- superiore
- massimo
- storia
- speranza
- ORE
- Come
- Tutorial
- HTML
- http
- HTTPS
- i
- ID
- identifica
- identificare
- importare
- competenze
- in
- includere
- inclusi
- Aumento
- individuale
- Individualmente
- infinito
- informazioni
- iniziative
- istruzioni
- interazione
- interazioni
- interesse
- interessi
- introdotto
- IT
- elementi
- Lavoro
- jpg
- Ragazzo
- Cavaliere
- Cognome
- con i più recenti
- apprendimento
- Lasciare
- Lunghezza
- piace
- Lista
- Lunghi
- SEMBRA
- Basso
- macchina
- machine learning
- make
- FA
- uomo
- gestito
- gestione
- direttore
- obbligatorio
- carta geografica
- mappatura
- Marketing
- Media
- ordine
- Minuti
- mancante
- ML
- Moda
- modello
- Scopri di più
- maggior parte
- film
- Film
- Nome
- Bisogno
- New
- notizie
- nlp
- taccuino
- of
- on
- Opzioni
- Altro
- delineato
- al di fuori
- Pace
- pagina
- panda
- parametro
- genitori
- parte
- appassionato
- passato
- Eseguire
- periodo
- periodi
- personalizzazione
- personalizzare
- Personalizzata
- pezzo
- posto
- Platone
- Platone Data Intelligence
- PlatoneDati
- gioco
- per favore
- povero
- Popolare
- popolarità
- Post
- Accensione
- Preparare
- precedente
- Precedente
- un bagno
- Prodotto
- product manager
- Prodotti
- fornire
- purché
- fornitura
- la percezione
- acquisti
- Python
- Gara
- casuale
- rapidamente
- tasso
- valutazione
- valutazioni
- Lettura
- pronto
- tempo reale
- recente
- ricetta
- raccomandare
- Consigli
- raccomandazioni
- raccomandato
- record
- riscatto
- riflette
- rilasciato
- sostituire
- necessario
- richiede
- Risorse
- Risultati
- recensioni
- crescita
- Camere
- norme
- s
- Scala
- sdk
- Sezione
- Settori
- sicuro
- selezionato
- Selezione
- anziano
- servire
- servizio
- set
- Corti
- mostrare attraverso le sue creazioni
- mostrato
- Spettacoli
- Un'espansione
- da
- Istantanea
- Social
- Software
- Software Engineer
- soluzione
- Soluzioni
- alcuni
- sofisticato
- specialista
- specifico
- inizia a
- iniziato
- step
- Passi
- conservazione
- Corda
- Con successo
- tale
- superficie
- sorprendente
- sintetico
- sinteticamente
- SISTEMI DI TRATTAMENTO
- tavolo
- mirata
- che
- Il
- loro
- Strumenti Bowman per analizzare le seguenti finiture:
- Attraverso
- tempo
- timestamp
- Titolo
- titoli
- a
- top
- traffico
- Treni
- allenato
- Training
- Le transazioni
- Trend
- trend
- Notizie Trend
- tendenze
- Tipi di
- unico
- unix
- non usato
- Aggiornanento
- uso
- caso d'uso
- Utente
- utenti
- APPREZZIAMO
- Valori
- varietà
- Velocità
- versione
- via
- Video
- visione
- vs
- aspettare
- guerra
- Orologio
- orologi
- Sito web
- siti web
- WELL
- Che
- quale
- while
- volere
- con
- senza
- Lavora
- lavori
- Tu
- Trasferimento da aeroporto a Sharm
- zefiro
- Codice postale