Amazonパーソナライズ 新しいことを発表することに興奮しています 今流行っている ユーザーの間で最速のペースで人気を集めているアイテムを推奨するのに役立つレシピ。
Amazon Personalize は、開発者がパーソナライズされたエクスペリエンスをユーザーに簡単に提供できるようにする、完全マネージド型の機械学習 (ML) サービスです。 Web サイト、アプリケーション、およびターゲットを絞ったマーケティング キャンペーンでパーソナライズされた製品およびコンテンツのレコメンデーションを強化することで、顧客エンゲージメントを向上させることができます。 ML の経験がなくても開始できます。API を使用して、数回クリックするだけで高度なパーソナライズ機能を簡単に構築できます。 すべてのデータは暗号化されて非公開かつ安全に保たれ、ユーザー向けのレコメンデーションを作成するためにのみ使用されます。
ユーザーの関心は、外部イベントや他のユーザーの関心など、さまざまな要因に基づいて変化する可能性があります。 ウェブサイトやアプリにとって、ユーザー エンゲージメントを向上させるために、これらの変化する関心に合わせてレコメンデーションを調整することが重要です。 Trending-Now を使用すると、トレンド ニュース、人気のソーシャル コンテンツ、新しくリリースされた映画など、他のアイテムよりも急速に人気が高まっているアイテムをカタログから表示できます。 Amazon Personalize は、他のカタログ アイテムよりも急速に人気が高まっているアイテムを探して、ユーザーが同業者を惹きつけているアイテムを見つけられるようにします。 Amazon Personalize では、ユーザーからの最新のインタラクション データに基づいて、30 分、1 時間、3 時間、または 1 日ごとのオプションを使用して、独自のビジネス コンテキストに応じて傾向を計算する期間を定義することもできます。
この投稿では、この新しいレシピを使用して、トップ トレンドのアイテムをユーザーに推奨する方法を示します。
ソリューションの概要
Trending-Now は、設定可能な時間間隔での各アイテムのインタラクションの増加を計算することにより、トップ トレンド アイテムを特定します。 上昇率が最も高いアイテムがトレンドアイテムと見なされます。 時間は、インタラクション データセットのタイムスタンプ データに基づいています。 ソリューションを作成するときにトレンド検出頻度を指定することで、時間間隔を指定できます。
Trending-Now レシピにはインタラクション データセットが必要です。これには、Web サイトまたはアプリでの個々のユーザーおよびアイテム イベント (クリック、ウォッチ、購入など) の記録と、イベントのタイムスタンプが含まれています。 パラメータを使用できます トレンド発見頻度 傾向を計算して更新する時間間隔を定義します。 たとえば、トレンドが急速に変化するトラフィックの多い Web サイトがある場合、トレンド検出頻度として 30 分を指定できます。 Amazon Personalize は 30 分ごとに、正常に取り込まれたインタラクションを確認し、トレンド アイテムを更新します。 このレシピを使用すると、過去 30 分間に導入され、既存のカタログ アイテムよりもユーザー ベースから高い関心を集めている新しいコンテンツをキャプチャして表示することもできます。 パラメータ値が 2 時間を超える場合、Amazon Personalize はトレンドアイテムの推奨事項を 2 時間ごとに自動的に更新して、新しいインタラクションと新しいアイテムを考慮します。
トラフィックが少ないが 30 分の値を使用するデータセットでは、インタラクション データがまばらまたは欠落しているため、レコメンデーションの精度が低下する可能性があります。 Trending-Now レシピでは、少なくとも過去 2 期間のインタラクション データを提供する必要があります (この期間は、希望するトレンド発見頻度です)。 過去 XNUMX 期間のインタラクション データが存在しない場合、Amazon Personalize は、必要な最小データが利用可能になるまで、トレンド アイテムを人気のあるアイテムに置き換えます。
Trending-Now レシピは、カスタム データセット グループとビデオ オンデマンド ドメイン データセット グループの両方で利用できます。 この投稿では、カスタム データセット グループを使用したメディア ユース ケース向けのこの新しい Trending-Now 機能を使用して、急速に変化するユーザーの関心の傾向に合わせてレコメンデーションを調整する方法を示します。 次の図は、ソリューションのワークフローを示しています。
たとえば、ビデオ オン デマンド アプリケーションでは、この機能を使用して、トレンド発見頻度に 1 時間を指定することで、過去 1 時間にどの映画がトレンドであるかを表示できます。 Amazon Personalize は、1 時間のデータごとに、前回の評価以降のインタラクションの増加率が最も高いアイテムを特定します。 使用可能な頻度には、30 分、1 時間、3 時間、および 1 日が含まれます。
前提条件
Trending-Now レシピを使用するには、まず Amazon Personalize コンソールで Amazon Personalize リソースをセットアップする必要があります。 データセット グループを作成し、データをインポートして、ソリューション バージョンをトレーニングし、キャンペーンを展開します。 詳細な手順については、次を参照してください。 始める.
この投稿では、コンソール アプローチに従って、新しい Trending-Now レシピを使用してキャンペーンを展開しました。 または、これを使用して SDK アプローチを使用してソリューション全体を構築することもできます。 ノート. どちらのアプローチでも、 MovieLens パブリック データセット.
データセットを準備する
次の手順を実行して、データセットを準備します。
- データセット グループを作成する.
- 以下を使用してインタラクション データセットを作成します。 スキーマ:
- インタラクション データをインポートする から Amazon Personalize へ Amazon シンプル ストレージ サービス (Amazon S3)。
インタラクション データには、映画レビュー データセットである MovieLens の評価履歴を使用します。
以下の Python コードを使用して、MovieLens パブリック データセットからインタラクション データセットをキュレートしてください。
MovieLens
データセットには user_id
, rating
, item_id
、ユーザーとアイテム間の対話、およびこの対話が行われた時間 (UNIX エポック時間として与えられるタイムスタンプ)。 データセットには、映画 ID を実際のタイトルとジャンルにマッピングするための映画タイトル情報も含まれています。 次の表は、データセットのサンプルです。
ユーザーID | ITEM_ID | タイムスタンプ | TITLE | ジャンル |
116927 | 1101 | 1105210919 | トップガン(1986) | アクション|ロマンス |
158267 | 719 | 974847063 | 多重度(1996) | コメディ |
55098 | 186871 | 1526204585 | ヒール (2017) | ドキュメンタリー |
159290 | 59315 | 1485663555 | アイアンマン(2008) | アクション|アドベンチャー|SF |
108844 | 34319 | 1428229516 | ザ・アイランド (2005) | アクション|SF|スリラー |
85390 | 2916 | 953264936 | トータルリコール(1990) | アクション|アドベンチャー|SF|スリラー |
103930 | 18 | 839915700 | フォー・ルームズ (1995) | コメディ |
104176 | 1735 | 985295513 | 大きな期待(1998) | ドラマ|ロマンス |
97523 | 1304 | 1158428003 | ブッチキャシディとサンダンスキッド(1969) | アクション|ウエスタン |
87619 | 6365 | 1066077797 | マトリックス リローデッド (2003) | アクション|アドベンチャー|SF|スリラー|IMAX |
精選されたデータセットには以下が含まれます USER_ID
, ITEM_ID
(映画ID)、および TIMESTAMP
Amazon Personalize モデルをトレーニングします。 これらは、Trending-Now レシピでモデルをトレーニングするための必須フィールドです。 次の表は、キュレートされたデータセットのサンプルです。
ユーザーID | ITEM_ID | タイムスタンプ |
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 |
モデルをトレーニングする
データセットのインポート ジョブが完了したら、モデルをトレーニングする準備が整います。
- ソフトウェア設定ページで、下図のように ソリューション タブを選択 ソリューションを作成する.
- 選択する
new aws-trending-now
レシピ。 - 高度な設定 セクション、セット トレンド発見頻度 30分まで。
- 選択する ソリューションを作成する トレーニングを開始します。
キャンペーンを作成する
Amazon Personalize では、キャンペーンを使用してユーザーに推奨事項を作成します。 このステップでは、前のステップで作成したソリューションを使用してキャンペーンを作成し、Trending-Now の推奨事項を取得します。
- ソフトウェア設定ページで、下図のように キャンペーン タブを選択 キャンペーンを作成.
- キャンペーン名、名前を入力します。
- ソリューション、ソリューションを選択します
trending-now-solution
. - ソリューションバージョンIDを使用するソリューションバージョンを選択します
aws-trending-now
レシピ。 - XNUMX 秒あたりの最小プロビジョニング トランザクション、デフォルト値のままにします。
- 選択する キャンペーンを作成 キャンペーンの作成を開始します。
推奨事項を取得する
キャンペーンを作成または更新した後、トレンドのアイテムの推奨リストを、高いものから低いものへと並べ替えて取得できます。 キャンペーン中(trending-now-campaign
) パーソナライゼーション API タブを選択 推奨事項を取得する.
次のスクリーンショットは、キャンペーンの詳細ページと、 GetRecommendations
おすすめアイテムとおすすめ ID を含む呼び出し。
からの結果 GetRecommendations
呼び出しには、推奨アイテムの ID が含まれます。 次の表は、読みやすくするために ID を実際の映画のタイトルにマッピングした後のサンプルです。 マッピングを実行するコードは、添付のノートブックに記載されています。
ITEM_ID | TITLE |
356 | フォレスト·ガンプ/一期一会(1994) |
318 | ショーシャンクの空に (1994) |
58559 | ダークナイト ザ (2008) |
33794 | バットマンビギンズ(2005) |
44191 | Vフォー·ヴェンデッタ(2006) |
48516 | ディパーテッド、ザ (2006) |
195159 | スパイダーマン:スパイダーバース(2018) |
122914 | アベンジャーズ/インフィニティ・ウォー – パート II (2019) |
91974 | アンダーワールド:覚醒(2012) |
204698 | ジョーカー(2019) |
トレンドのおすすめを入手する
を使用してソリューション バージョンを作成した後、 aws-trending-now
Amazon Personalize は、設定可能な時間間隔での各アイテムのインタラクションの増加を計算することで、トップトレンドのアイテムを特定します。 上昇率が最も高いアイテムがトレンドアイテムと見なされます。 時間は、インタラクション データセットのタイムスタンプ データに基づいています。
それでは、最新のインタラクションを Amazon Personalize に提供して、トレンドのアイテムを計算しましょう。 を作成することにより、リアルタイムの取り込みを使用して最新のインタラクションを提供できます。 イベントトラッカー または、増分モードのデータセット インポート ジョブを使用した一括データ アップロードを介して。 ノートブックには、イベントトラッカーを使用して最新のリアルタイムインタラクションデータを Amazon Personalize に個別にインポートするためのサンプルコードが用意されています。
この投稿では、増分モードのデータセット インポート ジョブを使用した一括データ アップロードとして、最新のインタラクションを提供します。 以下の Python コードを使用して、ダミーの増分インタラクションを生成し、データセット インポート ジョブを使用して増分インタラクション データをアップロードしてください。
いくつかの値をランダムに選択することにより、これらの相互作用を合成的に生成しました。 USER_ID
および ITEM_ID
、それらのユーザーと最新のタイムスタンプを持つアイテムとの間の対話を生成します。 次の表には、ランダムに選択された ITEM_ID
インクリメンタル インタラクションを生成するために使用される値。
ITEM_ID | TITLE |
153 | バットマンフォーエヴァー(1995) |
260 | スター・ウォーズ:エピソードIV –新しい希望(1977) |
1792 | 米国の元帥(1998) |
2363 | ゴジラ (ゴジラ) (1954) |
2407 | コクーン (1985) |
2459 | 悪魔のいけにえ、(1974) |
3948 | 両親に会う (2000) |
6539 | パイレーツ・オブ・カリビアン/ザ・カース・オブ・ザ・… |
8961 | インクレディブル (2004) |
61248 | デス・レース (2008) |
インクリメンタル インタラクション データをアップロードする 選択することにより 現在のデータセットに追加 次のスナップショットに示すように (または、API を使用する場合はインクリメンタル モードを使用します)。
インクリメンタル インタラクション データセットのインポート ジョブが完了したら、新しいレコメンデーションが反映されるように設定したトレンド検出頻度の長さを待ちます。
選択する 推奨事項を取得する キャンペーン API ページで、トレンドになっているアイテムの最新の推奨リストを取得します。
これで、推奨アイテムの最新のリストが表示されます。 次の表には、読みやすくするために ID を実際の映画のタイトルにマッピングした後のデータが含まれています。 マッピングを実行するコードは、添付のノートブックに記載されています。
ITEM_ID | TITLE |
260 | スター・ウォーズ:エピソードIV –新しい希望(1977) |
6539 | パイレーツ・オブ・カリビアン/ザ・カース・オブ・ザ・… |
153 | バットマンフォーエヴァー(1995) |
3948 | 両親に会う (2000) |
1792 | 米国の元帥(1998) |
2459 | 悪魔のいけにえ、(1974) |
2363 | ゴジラ (ゴジラ) (1954) |
61248 | デス・レース (2008) |
8961 | インクレディブル (2004) |
2407 | コクーン (1985) |
上記 GetRecommendations
呼び出しには、推奨アイテムの ID が含まれます。 今、私たちは ITEM_ID
推奨される値は、Amazon Personalize モデルに提供した増分インタラクション データセットからのものです。 合成データセットから最近 30 分間にインタラクションを得たアイテムはこれらだけであるため、これは驚くべきことではありません。
Trending-Now モデルを正常にトレーニングして、ユーザーに人気が高まっているアイテムのレコメンデーションを生成し、ユーザーの関心に応じてレコメンデーションを調整しました。 今後は、このコードを適応させて他のレコメンダーを作成できます。
使用することもできます フィルター Trending-Now レシピと一緒に、長いビデオと短いビデオなど、さまざまなタイプのコンテンツ間のトレンドを区別するか、適用します。 販促フィルター ビジネス目標に沿ったルールに基づいて、特定のアイテムを明示的に推奨します。
クリーンアップ
この投稿で説明されている手順に従って、アカウントで作成した未使用のリソースを必ずクリーンアップしてください。 フィルター、レコメンダー、データセット、およびデータセット グループを削除するには、 AWSマネジメントコンソール または Python SDK を使用します。
まとめ
新しい aws-trending-now
Amazon Personalize のレシピは、ユーザーの間で急速に人気が高まっているアイテムを特定し、急速に変化するユーザーの関心の傾向に合わせて推奨事項を調整するのに役立ちます。
Amazon Personalize の詳細については、 Amazon Personalize 開発者ガイド.
著者について
ヴァムシ クリシュナ エナボタラ AWS の上級応用 AI スペシャリスト アーキテクトです。 彼は、さまざまなセクターの顧客と協力して、影響力の大きいデータ、分析、および機械学習のイニシアチブを加速させています。 AI と ML のレコメンデーション システム、NLP、コンピューター ビジョンの分野に情熱を注いでいます。 仕事以外では、Vamshi は RC 愛好家であり、RC 機器 (飛行機、車、ドローン) を組み立て、ガーデニングも楽しんでいます。
アンチット・グプタ は、Amazon Personalize のシニア プロダクト マネージャーです。 彼女は、機械学習ソリューションの構築を容易にする製品の提供に注力しています。 余暇には、料理、ボード/カード ゲーム、読書を楽しんでいます。
アビシェーク・マンガル は、Amazon Personalize のソフトウェア エンジニアであり、大規模な顧客にサービスを提供するためのソフトウェア システムの設計に取り組んでいます。 余暇にはアニメを見るのが好きで、「ワンピース」は最近の歴史の中で最高のストーリーテリングだと信じています.
- SEO を活用したコンテンツと PR 配信。 今日増幅されます。
- Platoblockchain。 Web3メタバースインテリジェンス。 知識の増幅。 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-top-trending-items-to-your-users-using-the-new-amazon-personalize-recipe/
- :は
- $UP
- 1
- 10
- 100
- 1985
- 1994
- 1996
- 1998
- 2012
- 2017
- 2018
- 2019
- 7
- a
- 私たちについて
- 加速する
- 従った
- 精度
- 適応する
- 後
- AI
- すべて
- ことができます
- Amazon
- Amazonパーソナライズ
- 間で
- 分析論
- および
- アニメ
- アナウンス
- API
- API
- アプリ
- 適用された
- 応用AI
- 申し込む
- アプローチ
- アプローチ
- アプリ
- です
- エリア
- AS
- At
- 自動的に
- 利用できます
- AWS
- ベース
- ベース
- BE
- なぜなら
- になる
- と考えています
- 以下
- の間に
- ビルド
- 建物
- ビジネス
- by
- 計算する
- 計算された
- 計算
- コール
- キャンペーン
- キャンペーン
- 缶
- 取得することができます
- 機能
- キャプチャー
- カリブ海
- 自動車
- 場合
- カタログ
- 変化する
- 変化
- 選択する
- コード
- コラム
- COM
- コンプリート
- コンピュータ
- Computer Vision
- 見なさ
- 領事
- 含まれています
- コンテンツ
- コンテキスト
- 作ります
- 作成した
- 作成
- 重大な
- キュレーション
- 電流プローブ
- 呪い
- カスタム
- 顧客
- 顧客エンゲージメント
- Customers
- データ
- データセット
- 日付時刻
- 中
- デフォルト
- 度
- 配信する
- 配信する
- 実証します
- によっては
- 展開します
- 希望
- 詳細
- Developer
- 開発者
- 異なります
- 区別する
- 発見する
- 発見
- そうではありません
- ドメイン
- ドローン
- 各
- 容易
- 簡単に
- 可能
- では使用できません
- 婚約
- 魅力的
- エンジニア
- 入力します
- 熱狂者
- 全体
- 時代
- 装置
- 評価
- イベント
- イベント
- あらゆる
- 例
- 興奮した
- 期待
- 体験
- エクスペリエンス
- 外部
- 要因
- 速いです
- 最速
- 特徴
- 少数の
- フィールズ
- フィルター
- 名
- 焦点を当てて
- 続いて
- フォロー中
- に前進
- フォワード
- 周波数
- から
- フル
- 完全に
- 獲得
- Games
- 生成する
- 生成された
- 生成
- 取得する
- 与えられた
- 目標
- 行く
- 大きい
- 最大
- グループ
- グループの
- 持ってる
- 助けます
- ことができます
- ハイ
- より高い
- 最高
- history
- 希望
- HOURS
- 認定条件
- How To
- HTML
- HTTP
- HTTPS
- i
- ID
- 識別する
- 識別する
- import
- 改善します
- in
- include
- 含ま
- 増える
- 個人
- 個別に
- 無限大
- 情報
- イニシアチブ
- 説明書
- 相互作用
- 相互作用
- 関心
- 利益
- 導入
- IT
- リーディングシート
- ジョブ
- JPG
- キッド
- 騎士
- 姓
- 最新の
- 学習
- コメントを残す
- 長さ
- ような
- リスト
- 長い
- LOOKS
- ロー
- 機械
- 機械学習
- make
- 作る
- man
- マネージド
- 管理
- マネージャー
- 義務的な
- 地図
- マッピング
- マーケティング
- メディア
- 最小
- 分
- 行方不明
- ML
- モード
- 他には?
- 最も
- 映画
- 動画
- 名
- 必要
- 新作
- ニュース
- NLP
- ノート
- of
- on
- オプション
- その他
- 概説
- 外側
- 平和
- ページ
- パンダ
- パラメーター
- 両親
- 部
- 情熱的な
- 過去
- 実行する
- 期間
- 期間
- 個人化
- 個人
- カスタマイズ
- ピース
- 場所
- 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
- 再生
- お願いします
- 貧しいです
- 人気
- 人気
- ポスト
- 電源
- 準備
- 前
- 事前の
- プライベート
- プロダクト
- プロダクトマネージャー
- 製品
- 提供します
- 提供
- 提供
- 公共
- 購入
- Python
- レース
- ランダム
- 急速に
- レート
- 評価
- 評価
- リーディング
- 準備
- への
- 最近
- レシピ
- 推奨する
- おすすめ
- 提言
- 推奨される
- 記録
- 償還
- 反映
- リリース
- replace
- の提出が必要です
- 必要
- リソース
- 結果
- レビュー
- 上昇
- 客室
- ルール
- s
- 規模
- SDDK
- セクション
- セクター
- 安全に
- 選択
- 選択
- シニア
- 役立つ
- サービス
- セッションに
- ショート
- 表示する
- 示す
- 作品
- 簡単な拡張で
- から
- Snapshot
- 社会
- ソフトウェア
- ソフトウェアエンジニア
- 溶液
- ソリューション
- 一部
- 洗練された
- 専門家
- 特定の
- start
- 開始
- 手順
- ステップ
- ストレージ利用料
- 文字列
- 首尾よく
- そのような
- 表面
- 驚くべき
- 合成
- 総合的に
- システム
- テーブル
- 対象となります
- それ
- アプリ環境に合わせて
- ボーマン
- 介して
- 時間
- タイムスタンプ
- 役職
- タイトル
- 〜へ
- top
- トラフィック
- トレーニング
- 訓練された
- トレーニング
- 取引
- トレンド
- トレンド
- トレンドニュース
- トレンド
- ユニーク
- UNIX
- 未使用
- アップデイト
- つかいます
- 使用事例
- ユーザー
- users
- 値
- 価値観
- 多様
- 速度
- バージョン
- 、
- 動画
- ビジョン
- vs
- wait
- 戦争
- よく見る
- ウオッチ
- ウェブサイト
- ウェブサイト
- WELL
- この試験は
- which
- while
- 意志
- 無し
- 仕事
- 作品
- You
- あなたの
- ゼファーネット
- 〒