아마존 개인화 새로운 소식을 전하게 된 것을 기쁘게 생각합니다 지금 추세 사용자 사이에서 가장 빠른 속도로 인기를 얻고 있는 항목을 추천할 수 있도록 도와주는 레시피입니다.
Amazon Personalize는 개발자가 사용자에게 개인화된 경험을 쉽게 제공할 수 있게 해주는 완전관리형 기계 학습(ML) 서비스입니다. 웹 사이트, 애플리케이션 및 타겟 마케팅 캠페인에서 개인화된 제품 및 콘텐츠 권장 사항을 강화하여 고객 참여를 개선할 수 있습니다. ML 경험이 없어도 API를 사용하여 클릭 몇 번으로 정교한 개인화 기능을 쉽게 구축할 수 있습니다. 모든 데이터는 비공개 및 보안을 위해 암호화되며 사용자를 위한 권장 사항을 만드는 데만 사용됩니다.
사용자 관심사는 외부 이벤트 또는 다른 사용자의 관심사와 같은 다양한 요인에 따라 변경될 수 있습니다. 사용자 참여를 개선하기 위해 웹 사이트와 앱이 이러한 변화하는 관심사에 맞게 권장 사항을 조정하는 것이 중요합니다. Trending-Now를 사용하면 트렌드 뉴스, 인기 있는 소셜 콘텐츠 또는 새로 출시된 영화와 같이 다른 항목보다 더 빠른 속도로 인기가 높아지고 있는 카탈로그 항목을 표시할 수 있습니다. Amazon Personalize는 다른 카탈로그 항목보다 더 빠른 속도로 인기가 높아지고 있는 항목을 찾아 사용자가 동료의 관심을 끄는 항목을 찾는 데 도움을 줍니다. 또한 Amazon Personalize를 사용하면 사용자의 가장 최근 상호 작용 데이터를 기반으로 30분, 1시간, 3시간 또는 1일 옵션을 사용하여 고유한 비즈니스 컨텍스트에 따라 추세가 계산되는 기간을 정의할 수 있습니다.
이 게시물에서는 이 새로운 레시피를 사용하여 사용자에게 인기 있는 항목을 추천하는 방법을 보여줍니다.
솔루션 개요
Trending-Now는 구성 가능한 시간 간격 동안 각 항목의 상호 작용 증가를 계산하여 상위 추세 항목을 식별합니다. 증가율이 가장 높은 항목이 추세 항목으로 간주됩니다. 시간은 상호 작용 데이터 세트의 타임스탬프 데이터를 기반으로 합니다. 솔루션을 만들 때 추세 검색 빈도를 제공하여 시간 간격을 지정할 수 있습니다.
Trending-Now 레시피에는 이벤트 타임스탬프와 함께 웹 사이트 또는 앱의 개별 사용자 및 항목 이벤트(예: 클릭, 보기 또는 구매)의 레코드가 포함된 상호 작용 데이터 세트가 필요합니다. 매개변수를 사용할 수 있습니다. 트렌드 발견 빈도 추세가 계산되고 새로 고쳐지는 시간 간격을 정의합니다. 예를 들어 트렌드가 빠르게 변화하는 트래픽이 많은 웹 사이트가 있는 경우 트렌드 검색 빈도로 30분을 지정할 수 있습니다. Amazon Personalize는 30분마다 성공적으로 수집된 상호 작용을 살펴보고 추세 항목을 새로 고칩니다. 또한 이 레시피를 사용하면 지난 30분 동안 도입되었으며 기존 카탈로그 항목보다 사용자 기반에서 더 높은 관심을 보이는 새 콘텐츠를 캡처하고 표시할 수 있습니다. 2시간보다 큰 파라미터 값의 경우 Amazon Personalize는 새로운 상호 작용 및 새 항목을 고려하여 2시간마다 추세 항목 권장 사항을 자동으로 새로 고칩니다.
트래픽이 적지만 30분 값을 사용하는 데이터 세트는 희박하거나 누락된 상호 작용 데이터로 인해 추천 정확도가 낮을 수 있습니다. Trending-Now 레시피를 사용하려면 적어도 두 개의 과거 기간에 대한 상호 작용 데이터를 제공해야 합니다(이 기간은 원하는 추세 발견 빈도임). 지난 2개 기간 동안 상호 작용 데이터가 존재하지 않으면 Amazon Personalize는 필요한 최소 데이터를 사용할 수 있을 때까지 추세 항목을 인기 항목으로 대체합니다.
Trending-Now 레시피는 맞춤형 데이터 세트 그룹과 주문형 비디오 도메인 데이터 세트 그룹 모두에 사용할 수 있습니다. 이 게시물에서는 사용자 지정 데이터 세트 그룹이 있는 미디어 사용 사례에 대한 이 새로운 Trending-Now 기능을 사용하여 빠르게 변화하는 사용자 관심 추세에 대한 권장 사항을 조정하는 방법을 보여줍니다. 다음 다이어그램은 솔루션 워크플로를 보여줍니다.
예를 들어, 주문형 비디오 애플리케이션에서 이 기능을 사용하면 추세 검색 빈도로 1시간을 지정하여 지난 1시간 동안 어떤 영화가 유행했는지 표시할 수 있습니다. 데이터 1시간마다 Amazon Personalize는 마지막 평가 이후 상호 작용이 가장 많이 증가한 항목을 식별합니다. 사용 가능한 빈도에는 30분, 1시간, 3시간 및 1일이 포함됩니다.
사전 조건
Trending-Now 레시피를 사용하려면 먼저 Amazon Personalize 콘솔에서 Amazon Personalize 리소스를 설정해야 합니다. 데이터 세트 그룹을 만들고, 데이터를 가져오고, 솔루션 버전을 교육하고, 캠페인을 배포합니다. 전체 지침은 다음을 참조하세요. 시작하기.
이 게시물에서는 콘솔 접근 방식을 따라 새로운 Trending-Now 레시피를 사용하여 캠페인을 배포했습니다. 또는 제공된 SDK 접근 방식을 사용하여 전체 솔루션을 구축할 수 있습니다. 수첩. 두 접근 방식 모두에 대해 다음을 사용합니다. MovieLens 공개 데이터 세트.
데이터세트 준비
데이터세트를 준비하려면 다음 단계를 완료하세요.
- 데이터세트 그룹 만들기.
- 다음을 사용하여 상호 작용 데이터 세트를 만듭니다. 개요:
- 상호 작용 데이터 가져오기 Amazon Personalize로 아마존 단순 스토리지 서비스 (아마존 S3).
상호 작용 데이터의 경우 영화 리뷰 데이터 세트인 MovieLens의 평가 기록을 사용합니다.
아래의 Python 코드를 사용하여 MovieLens 공개 데이터세트에서 상호작용 데이터세트를 관리하세요.
XNUMXD덴탈의 MovieLens
데이터 세트에는 user_id
, rating
, item_id
, 사용자와 항목 간의 상호 작용 및 이 상호 작용이 발생한 시간(UNIX epoch 시간으로 제공되는 타임스탬프). 데이터 세트에는 영화 ID를 실제 제목 및 장르에 매핑하기 위한 영화 제목 정보도 포함되어 있습니다. 다음 표는 데이터 세트의 샘플입니다.
USER_ID | ITEM_ID | 타임 스탬프 | TITLE | 장르 |
116927 | 1101 | 1105210919 | 탑건 (1986) | 액션|로맨스 |
158267 | 719 | 974847063 | 다중성 (1996) | 희극 |
55098 | 186871 | 1526204585 | 힐 (2017) | 다큐멘터리 |
159290 | 59315 | 1485663555 | 철 남자 (2008) | 액션|어드벤처|공상과학 |
108844 | 34319 | 1428229516 | 아일랜드, 더 (2005) | 액션|SF|스릴러 |
85390 | 2916 | 953264936 | 총 리콜 (1990) | 액션|어드벤처|SF|스릴러 |
103930 | 18 | 839915700 | 포 룸 (1995) | 희극 |
104176 | 1735 | 985295513 | 위대한 기대 (1998) | 드라마|로맨스 |
97523 | 1304 | 1158428003 | 부치 캐시디와 선댄스 키드 (1969) | 액션|서양 |
87619 | 6365 | 1066077797 | 매트릭스 리로디드, The (2003) | 액션|어드벤처|공상과학|스릴러|IMAX |
선별된 데이터 세트에는 다음이 포함됩니다. USER_ID
, ITEM_ID
(동영상 ID) 및 TIMESTAMP
Amazon Personalize 모델을 교육합니다. Trending-Now 레시피로 모델을 교육하는 데 필요한 필수 필드입니다. 다음 표는 선별된 데이터 세트의 샘플입니다.
USER_ID | ITEM_ID | 타임 스탬프 |
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 |
모델 훈련
데이터세트 가져오기 작업이 완료되면 모델을 교육할 준비가 된 것입니다.
- 에 솔루션 탭에서 솔루션 만들기.
- 선택
new aws-trending-now
레시피. - . 고급 구성 섹션, 설정 트렌드 발견 빈도 30 분.
- 왼쪽 메뉴에서 솔루션 만들기 훈련을 시작합니다.
캠페인 만들기
Amazon Personalize에서는 캠페인을 사용하여 사용자에게 권장 사항을 제시합니다. 이 단계에서는 이전 단계에서 생성한 솔루션을 사용하여 캠페인을 생성하고 Trending-Now 권장 사항을 얻습니다.
- 에 캠페인 탭에서 캠페인 만들기.
- 럭셔리 캠페인 이름이름을 입력하십시오.
- 럭셔리 해법, 솔루션을 선택
trending-now-solution
. - 럭셔리 솔루션 버전 ID, 사용하는 솔루션 버전을 선택하십시오.
aws-trending-now
레시피. - 럭셔리 초당 최소 프로비저닝 트랜잭션, 기본값으로 둡니다.
- 왼쪽 메뉴에서 캠페인 만들기 캠페인 만들기를 시작합니다.
추천 받기
캠페인을 생성하거나 업데이트한 후 가장 높은 항목에서 가장 낮은 항목으로 정렬된 인기 항목의 추천 목록을 얻을 수 있습니다. 캠페인에 (trending-now-campaign
) 개인화 API 탭에서 추천 받기.
다음 스크린 샷은 GetRecommendations
추천 아이템과 추천 아이디가 포함된 호출.
의 결과 GetRecommendations
call은 추천 아이템의 ID를 포함합니다. 다음 표는 가독성을 위해 ID를 실제 영화 제목에 매핑한 후의 샘플입니다. 매핑을 수행하는 코드는 첨부된 노트북에 제공됩니다.
ITEM_ID | TITLE |
356 | 포레스트 검프 (1994) |
318 | 쇼생크 탈출, The (1994) |
58559 | 다크나이트, 더 (2008) |
33794 | 배트맨 비긴즈 (2005) |
44191 | 복수를 위한 브이(2006) |
48516 | 디파티드, 더 (2006) |
195159 | Spider-Man : Into the Spider-Verse (2018) |
122914 | 어벤져스: 인피니티 워 - 파트 2019 (XNUMX) |
91974 | 언더월드: 각성(2012) |
204698 | 조커 (2019) |
트렌드 추천 받기
다음을 사용하여 솔루션 버전을 만든 후 aws-trending-now
레시피를 사용하면 Amazon Personalize는 구성 가능한 시간 간격 동안 각 항목의 상호 작용 증가를 계산하여 가장 인기 있는 항목을 식별합니다. 증가율이 가장 높은 항목이 추세 항목으로 간주됩니다. 시간은 상호 작용 데이터 세트의 타임스탬프 데이터를 기반으로 합니다.
이제 최신 상호 작용을 Amazon Personalize에 제공하여 추세 항목을 계산해 보겠습니다. 생성하여 실시간 수집을 사용하여 최신 상호작용을 제공할 수 있습니다. 이벤트 트래커 또는 증분 모드에서 데이터 세트 가져오기 작업으로 대량 데이터 업로드를 통해. 노트북에는 최신 실시간 상호 작용 데이터를 이벤트 추적기를 사용하여 Amazon Personalize로 개별적으로 가져오는 샘플 코드가 제공됩니다.
이 게시물에서는 증분 모드에서 데이터 세트 가져오기 작업을 사용하여 대량 데이터 업로드로 최신 상호 작용을 제공합니다. 아래 Python 코드를 사용하여 더미 증분 상호 작용을 생성하고 데이터 세트 가져오기 작업을 사용하여 증분 상호 작용 데이터를 업로드하십시오.
우리는 다음에 대한 몇 가지 값을 무작위로 선택하여 이러한 상호 작용을 종합적으로 생성했습니다. USER_ID
및 ITEM_ID
, 해당 사용자와 최신 타임스탬프가 있는 항목 간의 상호 작용을 생성합니다. 다음 표에는 무작위로 선택된 ITEM_ID
증분 상호 작용을 생성하는 데 사용되는 값입니다.
ITEM_ID | TITLE |
153 | 배트맨 포에버 (1995) |
260 | 스타 워즈 : 에피소드 IV – 새로운 희망 (1977) |
1792 | 미국 원수 (1998) |
2363 | 고질라 (고지라) (1954) |
2407 | 코쿤 (1985) |
2459 | 텍사스 전기톱 학살, The (1974) |
3948 | 부모를 만나다 (2000) |
6539 | 캐리비안의 해적: 블라의 저주… |
8961 | 인크레더블, 더 (2004) |
61248 | 데스 레이스 (2008) |
증분 상호 작용 데이터 업로드 선택하여 현재 데이터 세트에 추가 (또는 API를 사용하는 경우 증분 모드 사용), 다음 스냅샷과 같이.
증분 상호 작용 데이터 세트의 가져오기 작업이 완료된 후 새 권장 사항이 반영되도록 구성한 추세 검색 빈도 시간 동안 기다립니다.
왼쪽 메뉴에서 추천 받기 캠페인 API 페이지에서 트렌드 아이템의 최신 추천 목록을 가져옵니다.
이제 최신 추천 항목 목록이 표시됩니다. 다음 표에는 가독성을 위해 ID를 실제 영화 제목에 매핑한 후의 데이터가 포함되어 있습니다. 매핑을 수행하는 코드는 첨부된 노트북에 제공됩니다.
ITEM_ID | TITLE |
260 | 스타 워즈 : 에피소드 IV – 새로운 희망 (1977) |
6539 | 캐리비안의 해적: 블라의 저주… |
153 | 배트맨 포에버 (1995) |
3948 | 부모를 만나다 (2000) |
1792 | 미국 원수 (1998) |
2459 | 텍사스 전기톱 학살, The (1974) |
2363 | 고질라 (고지라) (1954) |
61248 | 데스 레이스 (2008) |
8961 | 인크레더블, 더 (2004) |
2407 | 코쿤 (1985) |
앞의 GetRecommendations
call은 추천 아이템의 ID를 포함합니다. 이제 우리는 ITEM_ID
권장 값은 Amazon Personalize 모델에 제공한 증분 상호 작용 데이터 세트에서 가져온 것입니다. 합성 데이터 세트에서 가장 최근 30분 동안 상호 작용을 얻은 유일한 항목이기 때문에 이는 놀라운 일이 아닙니다.
이제 Trending-Now 모델을 성공적으로 교육하여 사용자에게 인기를 끌고 있는 항목 추천을 생성하고 사용자 관심에 따라 추천을 맞춤화했습니다. 앞으로 이 코드를 수정하여 다른 추천자를 만들 수 있습니다.
VOUS pouvez의 aussi 사용 필터 Trending-Now 레시피와 함께 긴 동영상과 짧은 동영상과 같은 다양한 유형의 콘텐츠 간 트렌드를 구분하거나 적용할 수 있습니다. 프로모션 필터 비즈니스 목표에 부합하는 규칙에 따라 특정 항목을 명시적으로 추천합니다.
정리
이 게시물에 설명된 단계를 수행하는 동안 계정에서 생성한 사용하지 않는 리소스를 모두 정리해야 합니다. 다음을 통해 필터, 추천자, 데이터세트 및 데이터세트 그룹을 삭제할 수 있습니다. AWS 관리 콘솔 또는 Python SDK를 사용합니다.
요약
새로운 aws-trending-now
Amazon Personalize의 레시피는 사용자에게 빠르게 인기를 얻고 있는 항목을 식별하고 빠르게 변화하는 사용자 관심 추세에 맞게 권장 사항을 조정하는 데 도움이 됩니다.
Amazon Personalize에 대한 자세한 내용은 다음을 참조하십시오. Amazon Personalize 개발자 가이드.
저자 소개
밤시 크리슈나 에나보탈라 AWS의 선임 응용 AI 전문 설계자입니다. 그는 영향력이 큰 데이터, 분석 및 기계 학습 이니셔티브를 가속화하기 위해 다양한 부문의 고객과 협력합니다. 그는 추천 시스템, NLP, AI 및 ML의 컴퓨터 비전 영역에 열정적입니다. 업무 외적으로 Vamshi는 RC 장비(비행기, 자동차, 드론)를 만드는 RC 애호가이며 정원 가꾸기도 즐깁니다.
안치트 굽타 Amazon Personalize의 선임 제품 관리자입니다. 그녀는 기계 학습 솔루션을 보다 쉽게 구축할 수 있는 제품을 제공하는 데 중점을 둡니다. 여가 시간에는 요리, 보드/카드 게임, 독서를 즐깁니다.
아비섹 망갈 Amazon Personalize의 소프트웨어 엔지니어이며 규모에 맞게 고객에게 서비스를 제공하기 위해 소프트웨어 시스템을 설계하는 작업을 합니다. 여가 시간에는 애니메이션을 보는 것을 좋아하며 '원피스'가 최근 역사상 가장 위대한 스토리텔링 작품이라고 생각합니다.
- SEO 기반 콘텐츠 및 PR 배포. 오늘 증폭하십시오.
- 플라토 블록체인. Web3 메타버스 인텔리전스. 지식 증폭. 여기에서 액세스하십시오.
- 출처: https://aws.amazon.com/blogs/machine-learning/recommend-top-trending-items-to-your-users-using-the-new-amazon-personalize-recipe/
- :이다
- $UP
- 1
- 10
- 100
- 1985
- 1994
- 1996
- 1998
- 2012
- 2017
- 2018
- 2019
- 7
- a
- 소개
- 가속
- 에 따르면
- 계정
- 각색하다
- 후
- AI
- All
- 수
- 아마존
- 아마존 개인화
- 중
- 분석
- 및
- 애니메이션
- 알리다
- API를
- API
- 앱
- 어플리케이션
- 적용된
- 응용 AI
- 신청
- 접근
- 구혼
- 앱
- 있군요
- 지역
- AS
- At
- 자동적으로
- 가능
- AWS
- 기지
- 기반으로
- BE
- 때문에
- 되고
- 생각
- 이하
- 사이에
- 빌드
- 건물
- 사업
- by
- 계산하다
- 계산 된
- 계산하는
- 전화
- 운동
- 캠페인
- CAN
- 얻을 수 있습니다
- 기능
- 포착
- 카리브해
- 자동차
- 케이스
- 목록
- 이전 단계로 돌아가기
- 변화
- 왼쪽 메뉴에서
- 암호
- 열
- COM
- 완전한
- 컴퓨터
- 컴퓨터 비전
- 고려
- 콘솔에서
- 이 포함되어 있습니다
- 함유량
- 문맥
- 만들
- 만든
- 만들기
- 임계
- 기획
- Current
- 저주
- 관습
- 고객
- 고객 참여
- 고객
- 데이터
- 데이터 세트
- 날짜 시간
- 일
- 태만
- 도
- 배달하다
- 배달
- 보여
- 의존
- 배포
- 원하는
- 세부 묘사
- 개발자
- 개발자
- 다른
- 구별 짓다
- 발견
- 발견
- 하지 않습니다
- 도메인
- 드론
- 마다
- 쉽게
- 용이하게
- 수
- 암호화
- 약혼
- 매력적인
- 기사
- 엔터 버튼
- 매니아
- 전체의
- 시대
- 장비
- 평가
- 이벤트
- 이벤트
- 모든
- 예
- 흥분한
- 기대
- 경험
- 체험
- 외부
- 요인
- 빠른
- 가장 빠른
- 특색
- 를
- Fields
- 필터
- 먼저,
- 집중
- 다음에
- 수행원
- 럭셔리
- 영원히
- 앞으로
- 진동수
- 에
- 가득 찬
- 충분히
- 획득
- Games
- 생성
- 생성
- 생성
- 얻을
- 주어진
- 목표
- 가는
- 큰
- 가장 큰
- 그룹
- 여러 떼
- 있다
- 도움
- 도움이
- 높은
- 더 높은
- 최고
- history
- 기대
- 진료 시간
- 방법
- How To
- HTML
- HTTP
- HTTPS
- i
- ID
- 식별하다
- 확인
- import
- 개선
- in
- 포함
- 포함
- 증가
- 개인
- 개별적으로
- 무한대
- 정보
- 이니셔티브
- 명령
- 상호 작용
- 상호 작용
- 관심
- 이해
- 소개
- IT
- 항목
- 일
- JPG
- 아이
- 기사
- 성
- 최근
- 배우기
- 휴가
- 길이
- 처럼
- 명부
- 긴
- 봐라.
- 낮은
- 기계
- 기계 학습
- 확인
- 제작
- 사람
- 관리
- 구축
- 매니저
- 필수
- 지도
- 매핑
- 마케팅
- 미디어
- 최저한의
- 회의록
- 누락
- ML
- 모드
- 모델
- 배우기
- 가장
- 영화
- 영화 산업
- name
- 필요
- 신제품
- news
- nlp
- 수첩
- of
- on
- 옵션
- 기타
- 설명
- 외부
- 평화
- 페이지
- 팬더
- 매개 변수
- 부모님
- 부품
- 열렬한
- 과거
- 수행
- 기간
- 미문
- 개인
- 개인
- 맞춤형 교육 플랫폼
- 조각
- 장소
- 플라톤
- 플라톤 데이터 인텔리전스
- 플라토데이터
- 연주
- 부디
- 가난한
- 인기 문서
- 인기
- 게시하다
- 전원
- Prepare
- 너무 이른
- 이전에
- 사설
- 프로덕트
- 제품 관리자
- 제품
- 제공
- 제공
- 제공
- 공개
- 구매
- Python
- 경주
- 닥치는대로의
- 빠르게
- 율
- 평가
- 평가
- 읽기
- 준비
- 실시간
- 최근
- 조리법
- 권하다
- 추천
- 추천
- 추천
- 기록
- 구속
- 반영
- 출시
- 교체
- 필수
- 필요
- 제품 자료
- 결과
- 리뷰
- 상승
- 객실
- 규칙
- s
- 규모
- SDK
- 섹션
- 부문
- 안전해야합니다.
- 선택된
- 선택
- 연장자
- 서브
- 서비스
- 세트
- 짧은
- 표시
- 표시
- 쇼
- 단순, 간단, 편리
- 이후
- 스냅 사진
- 사회적
- 소프트웨어
- 소프트웨어 엔지니어
- 해결책
- 솔루션
- 일부
- 정교한
- 전문가
- 구체적인
- 스타트
- 시작
- 단계
- 단계
- 저장
- 끈
- 성공적으로
- 이러한
- 표면
- 놀라운
- 인조
- 종합적으로
- 시스템은
- 테이블
- 대상
- 그
- XNUMXD덴탈의
- 그들의
- Bowman의
- 을 통하여
- 시간
- 따라서 오른쪽 하단에
- Title
- 제목들
- 에
- 상단
- 교통
- Train
- 훈련 된
- 트레이닝
- 거래 내역
- 경향
- 동향
- 트렌드 뉴스
- 트렌드
- 유형
- 유일한
- 유닉스
- 미사용의
- 업데이트
- 사용
- 유스 케이스
- 사용자
- 사용자
- 가치
- 마케팅은:
- 종류
- 속도
- 버전
- 를 통해
- 동영상
- 시력
- vs
- 기다리다
- 전쟁
- 손목 시계
- 시계
- 웹 사이트
- 웹 사이트
- 잘
- 뭐
- 어느
- 동안
- 의지
- 과
- 없이
- 작업
- 일
- 자신의
- 너의
- 제퍼 넷
- 지퍼