組織は、カスタマイズされた関連性の高いコンテンツをユーザーに提供するためのインテリジェントなレコメンデーション ソリューションの開発に時間と労力を継続的に投資しています。 目標はさまざまです。ユーザー エクスペリエンスを変革し、有意義なインタラクションを生成し、コンテンツの消費を促進します。 これらのソリューションの一部は、過去のインタラクション パターン、ユーザー人口統計的属性、製品の類似性、およびグループの行動に基づいて構築された一般的な機械学習 (ML) モデルを使用します。 これらの属性に加えて、インタラクション時のコンテキスト (天気、場所など) が、コンテンツをナビゲートする際のユーザーの決定に影響を与える可能性があります。
この投稿では、ユーザーの現在のデバイス タイプをコンテキストとして使用して、 Amazonパーソナライズ-ベースの推奨事項。 さらに、そのようなコンテキストを使用して推奨事項を動的にフィルターする方法を示します。 この投稿では、ビデオ オン デマンド (VOD) のユースケースで Amazon Personalize をどのように使用できるかを示していますが、Amazon Personalize が複数の業界にわたって使用できることは注目に値します。
Amazon パーソナライズとは何ですか?
Amazon Personalize を使用すると、開発者は、Amazon.com がリアルタイムでパーソナライズされたレコメンデーションに使用しているのと同じタイプの ML テクノロジーを活用したアプリケーションを構築できます。 Amazon Personalize は、特定の製品の推奨事項、パーソナライズされた製品の再ランキング、カスタマイズされたダイレクトマーケティングなど、幅広いパーソナライゼーションエクスペリエンスを提供できます。 さらに、フルマネージド AI サービスとして、Amazon Personalize は ML を使用して顧客のデジタル変革を加速し、パーソナライズされた推奨事項を既存の Web サイト、アプリケーション、電子メールマーケティングシステムなどに簡単に統合できるようにします。
コンテキストが重要なのはなぜですか?
場所、時刻、デバイスの種類、天気などのユーザーのコンテキスト メタデータを使用すると、既存のユーザーにパーソナライズされたエクスペリエンスが提供され、新規ユーザーまたは未確認ユーザーのコールド スタート フェーズの改善に役立ちます。 の コールドスタート段階 ユーザーに関する履歴情報が欠如しているため、レコメンデーション エンジンがパーソナライズされていないレコメンデーションを提供する期間を指します。 アイテムをフィルタリングして宣伝するための他の要件がある状況 (ニュースや天気など) では、ユーザーの現在のコンテキスト (季節や時刻) を追加すると、推奨事項を含めたり除外したりすることで精度が向上します。
ユーザーに番組、ドキュメンタリー、映画を推奨する VOD プラットフォームの例を考えてみましょう。 行動分析に基づいて、VOD ユーザーはホームコメディなどの短いコンテンツをモバイル デバイスで消費し、映画などの長い形式のコンテンツをテレビやデスクトップで消費する傾向があることがわかっています。
ソリューションの概要
ユーザーのデバイスタイプを考慮する例を拡張して、Amazon Personalize がユーザーのデバイスがユーザーの好みのタイプのコンテンツに与える影響を自動的に学習できるように、この情報をコンテキストとして提供する方法を示します。
次の図に示すアーキテクチャ パターンに従い、コンテキストを Amazon Personalize に自動的に渡す方法を示します。 コンテキストの自動導出は、次のようにして実現されます。 アマゾンCloudFrontの REST APIなどのリクエストに含まれるヘッダー アマゾンAPIゲートウェイ それは AWSラムダ おすすめを取得する関数。 完全なコード例は、次の URL で入手できます。 GitHubリポジトリ。 私たちは、 AWS CloudFormation 必要なリソースを作成するためのテンプレート。
次のセクションでは、サンプル アーキテクチャ パターンの各ステップを設定する方法を説明します。
レシピを選ぶ
レシピは、特定のユースケース向けに用意された Amazon Personalize アルゴリズムです。 Amazon Personalize は、トレーニングモデルの一般的なユースケースに基づいたレシピを提供します。 このユースケースでは、User-Personalization レシピを使用してシンプルな Amazon Personalize カスタム レコメンダーを構築します。 インタラクション データセットに基づいて、ユーザーがインタラクションするアイテムを予測します。 さらに、このレシピでは、アイテムとユーザーのデータセットも使用して、推奨事項に影響を与えます (提供されている場合)。 このレシピの仕組みについて詳しくは、以下を参照してください。 ユーザーパーソナライゼーションレシピ.
データセットを作成してインポートする
コンテキストを利用するには、レコメンダーがモデルをトレーニングするときにコンテキストを特徴として使用できるように、インタラクションを使用してコンテキスト値を指定する必要があります。 また、推論時にユーザーの現在のコンテキストを提供する必要があります。 インタラクション スキーマ (次のコードを参照) は、ユーザーとアイテムの履歴およびリアルタイムのインタラクション データの構造を定義します。 の USER_ID
, ITEM_ID
, TIMESTAMP
フィールドは、このデータセットの Amazon Personalize に必要です。 DEVICE_TYPE
は、ユーザーの現在のコンテキストを取得してモデルのトレーニングに含めるために、この例に追加しているカスタム カテゴリ フィールドです。 Amazon Personalize は、このインタラクション データセットを使用してモデルをトレーニングし、レコメンデーション キャンペーンを作成します。
同様に、項目スキーマ (次のコードを参照) は、製品およびビデオ カタログ データの構造を定義します。 の ITEM_ID
このデータセットには Amazon Personalize で必要です。 CREATION_TIMESTAMP
は予約された列名ですが、必須ではありません。 GENRE
および ALLOWED_COUNTRIES
は、ビデオのジャンルとビデオの再生が許可されている国をキャプチャするためにこの例に追加するカスタム フィールドです。 Amazon Personalize は、このアイテム データセットを使用してモデルをトレーニングし、レコメンデーション キャンペーンを作成します。
私たちの文脈では、 過去のデータ VOD プラットフォーム上のビデオやアイテムとのエンドユーザーのインタラクション履歴を指します。 通常、このデータは収集され、アプリケーションのデータベースに保存されます。
デモの目的で、Python の Faker ライブラリを使用して、3 か月にわたるさまざまなアイテム、ユーザー、デバイス タイプとのインタラクション データセットを模擬するテスト データを生成します。 スキーマと入力インタラクション ファイルの場所が定義されたら、次のステップは、次のコード スニペットに示すように、データセット グループを作成し、データセット グループ内にインタラクション データセットを含め、最後にトレーニング データをデータセットにインポートすることです。
履歴データを収集し、モデルをトレーニングする
このステップでは、選択したレシピを定義し、以前に定義したデータセット グループを参照してソリューションとソリューション バージョンを作成します。 カスタム ソリューションを作成するときは、レシピを指定し、トレーニング パラメーターを構成します。 ソリューションのソリューションバージョンを作成すると、Amazon Personalize は、レシピとトレーニング設定に基づいてソリューションバージョンをサポートするモデルをトレーニングします。 次のコードを参照してください。
キャンペーンエンドポイントを作成する
モデルをトレーニングした後、それを キャンペーン。 キャンペーンは、トレーニングされたモデルの自動スケーリング エンドポイントを作成および管理します。これを使用して、 GetRecommendations
API。 後のステップでは、このキャンペーン エンドポイントを使用して、デバイス タイプをコンテキストとしてパラメータとして自動的に渡し、パーソナライズされた推奨事項を受け取ります。 次のコードを参照してください。
動的フィルターを作成する
作成したキャンペーンから推奨事項を取得するときに、カスタム基準に基づいて結果をフィルターできます。 この例では、ユーザーの現在の国でのみ再生が許可されているビデオを推奨するという要件を満たすフィルターを作成します。 国情報は CloudFront HTTP ヘッダーから動的に渡されます。
Lambda関数を作成する
アーキテクチャの次のステップは、CloudFront ディストリビューションからの API リクエストを処理し、Amazon Personalize キャンペーン エンドポイントを呼び出して応答する Lambda 関数を作成することです。 この Lambda 関数では、次の CloudFront リクエストの HTTP ヘッダーとクエリ文字列パラメータを分析して、それぞれユーザーのデバイスタイプとユーザー ID を特定するロジックを定義します。
CloudFront-Is-Desktop-Viewer
CloudFront-Is-Mobile-Viewer
CloudFront-Is-SmartTV-Viewer
CloudFront-Is-Tablet-Viewer
CloudFront-Viewer-Country
この関数を作成するコードは、CloudFormation テンプレートを通じてデプロイされます。
REST APIを作成する
Lambda 関数と Amazon Personalize キャンペーンのエンドポイントを CloudFront ディストリビューションにアクセスできるようにするために、Lambda プロキシとして設定された REST API エンドポイントを作成します。 API Gateway は、HTTP リクエストを Lambda 関数にルーティングする API を作成および文書化するためのツールを提供します。 Lambda プロキシ統合機能により、CloudFront は Amazon Personalize キャンペーンエンドポイントへのリクエストを抽象化する単一の Lambda 関数を呼び出すことができます。 この関数を作成するコードは、CloudFormation テンプレートを通じてデプロイされます。
CloudFront ディストリビューションを作成する
CloudFront ディストリビューションを作成するとき、これはデモ設定であるため、カスタム キャッシュ ポリシーを使用してキャッシュを無効にし、リクエストが毎回オリジンに送信されるようにします。 さらに、オリジンリクエストに含まれる必須の HTTP ヘッダーとクエリ文字列パラメータを指定するオリジンリクエストポリシーを使用します。 この関数を作成するコードは、CloudFormation テンプレートを通じてデプロイされます。
テストの推奨事項
CloudFront ディストリビューションの URL がさまざまなデバイス (デスクトップ、タブレット、電話など) からアクセスされると、そのデバイスに最も関連性の高いパーソナライズされたビデオの推奨事項が表示されます。 また、コールドユーザーが提示された場合、ユーザーのデバイスに合わせた推奨事項が提示されます。 次のサンプル出力では、ビデオの名前は、関連性を持たせるためにジャンルと実行時間を表すためにのみ使用されています。
次のコードでは、過去のやり取りに基づくコメディが好きで、電話デバイスからアクセスしている既知のユーザーに、短いホームコメディが表示されます。
次の既知のユーザーには、スマート TV デバイスからアクセスすると、過去のインタラクションに基づいて長編映画が表示されます。
電話からアクセスしているコールド (不明) ユーザには、短いながらも人気のある番組が表示されます。
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
デスクトップからアクセスするコールド (不明) ユーザーには、人気の SF 映画やドキュメンタリーが表示されます。
電話からアクセスしている次の既知のユーザーは、場所 (米国) に基づいてフィルターされた推奨事項を返しています。
まとめ
この投稿では、ユーザーのデバイス タイプをコンテキスト データとして使用して、レコメンデーションの関連性を高める方法について説明しました。 コンテキストメタデータを使用して Amazon Personalize モデルをトレーニングすると、プロファイルデータだけでなくブラウジングデバイスプラットフォームからも、新規ユーザーと既存ユーザーの両方に関連する製品を推奨できるようになります。 それだけでなく、場所 (国、都市、地域、郵便番号) や時間 (曜日、週末、平日、季節) などのコンテキストによって、ユーザーに関連性のある推奨事項を作成する機会が生まれます。 完全なコード例は、提供されている CloudFormation テンプレートを使用して実行できます。 GitHubリポジトリ そしてノートブックのクローンを作成します Amazon SageMakerスタジオ.
著者について
ジル=クッサン・サッチヴィ ネットワーキング、インフラストラクチャ、セキュリティ、IT 運用のバックグラウンドを持つ AWS エンタープライズ ソリューション アーキテクトです。 彼は、顧客が AWS 上で Well-Architected システムを構築できるよう支援することに情熱を注いでいます。 AWS に入社する前は、e コマースで 17 年間働いていました。 仕事以外では、家族と時間を過ごしたり、子供のサッカーチームを応援したりすることが好きです。
アディティヤ・ペンディヤラ ニューヨークを拠点とする AWS のシニア ソリューション アーキテクトです。 彼は、クラウドベースのアプリケーションの設計において豊富な経験を持っています。 彼は現在、大企業と協力して、拡張性、柔軟性、回復力の高いクラウド アーキテクチャの構築を支援し、クラウドに関するあらゆるものを指導しています。 彼はシッペンズバーグ大学でコンピュータ サイエンスの理学修士号を取得しており、「学ぶことをやめると、成長も止まる」という言葉を信じています。
プラバカール チャンドラセカラン AWS エンタープライズ サポートのシニア テクニカル アカウント マネージャーです。 Prabhakar は、顧客がクラウド上で最先端の AI/ML ソリューションを構築するのを楽しんでいます。 また、企業のお客様と協力して積極的なガイダンスと運用支援を提供し、AWS を使用する際のソリューションの価値を向上させます。 Prabhakar は 20 つの AWS とその他の XNUMX つのプロフェッショナル認定を取得しています。 XNUMX 年以上の専門的経験を持つ Prabhakar は、AWS に参加する前は金融サービス分野のデータ エンジニアおよびプログラム リーダーでした。
- SEO を活用したコンテンツと PR 配信。 今日増幅されます。
- PlatoData.Network 垂直生成 Ai。 自分自身に力を与えましょう。 こちらからアクセスしてください。
- プラトアイストリーム。 Web3 インテリジェンス。 知識増幅。 こちらからアクセスしてください。
- プラトンESG。 自動車/EV、 カーボン、 クリーンテック、 エネルギー、 環境、 太陽、 廃棄物管理。 こちらからアクセスしてください。
- ブロックオフセット。 環境オフセット所有権の近代化。 こちらからアクセスしてください。
- 情報源: https://aws.amazon.com/blogs/machine-learning/recommend-and-dynamically-filter-items-based-on-user-context-in-amazon-personalize/
- :持っている
- :は
- :not
- :どこ
- $UP
- 1
- 10
- 100
- 11
- 12
- 160
- 17
- 20
- 20年
- 22
- 220
- 23
- 24
- 420
- 7
- 9
- a
- 私たちについて
- 加速する
- アクセス
- アクセス可能な
- アクセス
- 精度
- 達成
- 越えて
- Action
- 追加
- 添加
- さらに
- 利点
- 後
- AI
- AI / ML
- アルゴリズム
- すべて
- ことができます
- また
- しかし
- Amazon
- Amazonパーソナライズ
- Amazon Webサービス
- Amazon.com
- an
- 分析
- 分析します
- および
- API
- API
- 建築
- です
- 配列
- AS
- 援助
- At
- 属性
- 自動的に
- 利用できます
- AWS
- 背景
- バッキング
- ベース
- BE
- なぜなら
- と考えています
- ほかに
- 両言語で
- ブラウジング
- ビルド
- 内蔵
- 焙煎が極度に未発達や過発達のコーヒーにて、クロロゲン酸の味わいへの影響は強くなり、金属を思わせる味わいと乾いたマウスフィールを感じさせます。
- by
- コール
- コール
- キャンペーン
- キャンペーン
- 缶
- できる
- キャプチャー
- 場合
- 例
- カタログ
- 認定
- 選ばれた
- 市町村
- クラウド
- コード
- 冷たい
- コラム
- COM
- コメディ
- 到来
- コマンドと
- コンピュータ
- コンピュータサイエンス
- 考えると
- 消費する
- 消費
- コンテンツ
- コンテキスト
- 文脈上の
- 連続的に
- 国
- 国
- クラフト
- 作ります
- 作成した
- 作成します。
- 作成
- 基準
- 電流プローブ
- 現在
- カスタム
- 顧客
- Customers
- カスタマイズ
- 最先端
- データ
- データベース
- データセット
- 中
- 決定
- 定義済みの
- 定義する
- 度
- 配信する
- 需要
- デモ
- 人口動態
- 展開します
- 展開
- 記載された
- デスクトップ
- 決定する
- 開発者
- 開発
- デバイス
- Devices
- 異なります
- デジタル
- 直接
- ディストリビューション
- ドキュメンタリー
- ドキュメンタリー
- ドライブ
- 原因
- ダイナミック
- 動的に
- 各
- 容易
- eコマース
- 有効
- 努力
- Eメールマーケティング
- 可能
- エンドポイント
- エンジン
- エンジニア
- 高めます
- 確保する
- Enterprise
- 企業
- あらゆる
- 例
- 除外
- 既存の
- 体験
- エクスペリエンス
- 広範囲
- 豊富な経験
- 家族
- 特徴
- 特徴
- フィクション
- フィールド
- フィールズ
- File
- filter
- 最後に
- ファイナンシャル
- 金融業務
- フレキシブル
- フォロー中
- から
- フル
- 完全に
- function
- 機能
- ゲートウェイ
- 集まった
- 生成する
- 取得する
- 受け
- 目標
- ゴエス
- グループ
- 成長する
- ガイダンス
- ガイド
- 持ってる
- he
- ヘッダーの
- 助けます
- 助け
- ことができます
- 非常に
- 彼の
- 歴史的
- history
- 保持している
- ホラー
- 認定条件
- How To
- HTML
- HTTP
- HTTPS
- ID
- if
- import
- 重要
- 改善します
- in
- include
- 含まれました
- 含めて
- 産業
- 影響
- 情報
- インフラ関連事業
- 統合する
- 統合
- インテリジェント-
- 対話
- 相互作用
- 相互作用
- に
- 投資
- IT
- リーディングシート
- 参加
- JPG
- ただ
- 知っている
- 既知の
- 欠如
- 大
- 大企業
- 後で
- リーダー
- LEARN
- 学習
- 図書館
- ような
- 好き
- 場所
- ロジック
- 長い
- で
- 機械
- 機械学習
- make
- 作成
- マネージド
- マネージャー
- 管理する
- 多くの
- マーケティング
- マスター
- 意味のある
- ML
- モバイル
- モバイルデバイス
- モデル
- 他には?
- 最も
- 動画
- の試合に
- 謎
- 名
- 名
- ナビゲート
- 必要
- ネットワーキング
- 新作
- ニュース
- 次の
- 注記
- NYC
- of
- on
- の
- 開きます
- オペレーショナル
- 業務執行統括
- 機会
- or
- 起源
- その他
- 私たちの
- でる
- 外側
- が
- パラメーター
- パラメータ
- パス
- 渡された
- 情熱的な
- 過去
- パターン
- パターン
- 期間
- 個人化
- 個人
- カスタマイズ
- 相
- 電話
- プラットフォーム
- プラトン
- プラトンデータインテリジェンス
- プラトデータ
- 演奏
- 方針
- 人気
- ポスト
- 郵便
- パワード
- 予測
- 優先
- 準備
- PLM platform.
- 前に
- 事前の
- 先を見越した
- プロセス
- プロダクト
- 製品
- プロ
- プロフィール
- 演奏曲目
- 推進する
- 提供します
- 提供
- は、大阪で
- 提供
- 代理
- 目的
- 率
- への
- 受け取ります
- レシピ
- 推奨する
- おすすめ
- 提言
- 推薦する
- 記録
- 指し
- に対する
- 地域
- 関連した
- 表現
- 要求
- リクエスト
- の提出が必要です
- 要件
- 要件
- 必要
- 予約済み
- 弾力性のあります
- リソース
- それぞれ
- 反応します
- REST
- 結果
- 返す
- ルート
- ラン
- セージメーカー
- 同じ
- 言う
- ド電源のデ
- 科学
- サイエンスフィクション
- シーズン
- セクション
- セキュリティ
- シニア
- 役立つ
- サービス
- サービス
- セッションに
- 表示する
- 示す
- 作品
- 類似
- 簡単な拡張で
- 状況
- SIX
- スマート
- スマートテレビ
- So
- サッカー
- 溶液
- ソリューション
- 一部
- スペース
- 特定の
- 過ごす
- 手順
- ステップ
- 保存され
- 文字列
- 構造
- そのような
- サポート
- システム
- タブレット
- テーラード
- 取る
- チーム
- 技術的
- テクノロジー
- template
- test
- それ
- アプリ環境に合わせて
- それら
- そこ。
- ボーマン
- 物事
- この
- 介して
- 時間
- タイムスタンプ
- 〜へ
- 豊富なツール群
- top
- トレーニング
- 訓練された
- トレーニング
- 列車
- 最適化の適用
- 変換
- true
- tv
- type
- 大学
- 未知の
- URL
- us
- つかいます
- 使用事例
- 中古
- ユーザー
- 操作方法
- users
- 使用されます
- 通常
- 値
- 価値観
- バージョン
- ビデオ
- ビデオオンデマンド
- 動画
- ました
- we
- 天気
- ウェブ
- Webサービス
- ウェブサイト
- 週間
- 週末
- いつ
- while
- 誰
- ワイド
- 意志
- 以内
- 仕事
- 働いていました
- ワーキング
- 作品
- 価値
- 年
- You
- あなたの
- ゼファーネット