Amazon personaliseren is verheugd om de nieuwe aan te kondigen Trending-nu recept om u te helpen items aan te bevelen die in het snelste tempo aan populariteit winnen onder uw gebruikers.
Amazon Personalize is een volledig beheerde machine learning-service (ML) waarmee ontwikkelaars hun gebruikers gemakkelijk gepersonaliseerde ervaringen kunnen bieden. Hiermee kunt u de klantbetrokkenheid verbeteren door gepersonaliseerde product- en inhoudsaanbevelingen in websites, applicaties en gerichte marketingcampagnes mogelijk te maken. U kunt aan de slag zonder enige eerdere ML-ervaring, met behulp van API's om eenvoudig geavanceerde personalisatiemogelijkheden te bouwen met een paar klikken. Al uw gegevens zijn gecodeerd om privรฉ en veilig te zijn en worden alleen gebruikt om aanbevelingen voor uw gebruikers te doen.
Gebruikersinteresses kunnen veranderen op basis van verschillende factoren, zoals externe gebeurtenissen of de interesses van andere gebruikers. Het is van cruciaal belang voor websites en apps om hun aanbevelingen af โโte stemmen op deze veranderende interesses om de betrokkenheid van gebruikers te verbeteren. Met Trending-Now kunt u items uit uw catalogus naar boven halen die sneller populair worden dan andere items, zoals trending nieuws, populaire sociale inhoud of nieuw uitgebrachte films. Amazon Personalize zoekt naar items die sneller in populariteit stijgen dan andere catalogusitems om gebruikers te helpen items te ontdekken die hun leeftijdsgenoten aanspreken. Met Amazon Personalize kun je ook de tijdsperioden definiรซren waarover trends worden berekend, afhankelijk van hun unieke zakelijke context, met opties voor elke 30 minuten, 1 uur, 3 uur of 1 dag, op basis van de meest recente interactiegegevens van gebruikers.
In dit bericht laten we zien hoe je dit nieuwe recept kunt gebruiken om populaire items aan te bevelen aan je gebruikers.
Overzicht oplossingen
Trending-Now identificeert de meest trending items door de toename in interacties te berekenen die elk item heeft gedurende configureerbare tijdsintervallen. De items met het hoogste stijgingspercentage worden beschouwd als trending items. De tijd is gebaseerd op tijdstempelgegevens in uw interactiedataset. U kunt het tijdsinterval specificeren door een trendontdekkingsfrequentie op te geven wanneer u uw oplossing maakt.
Het Trending-Now-recept vereist een interactiedataset, die een record bevat van de individuele gebruikers- en itemgebeurtenissen (zoals klikken, horloges of aankopen) op uw website of app, samen met de tijdstempels van de gebeurtenis. U kunt de parameters gebruiken Trendontdekkingsfrequentie om de tijdsintervallen te definiรซren waarover trends worden berekend en vernieuwd. Als u bijvoorbeeld een website met veel verkeer heeft met snel veranderende trends, kunt u 30 minuten opgeven als frequentie voor het ontdekken van trends. Elke 30 minuten kijkt Amazon Personalize naar de interacties die met succes zijn verwerkt en worden de trending items vernieuwd. Met dit recept kunt u ook alle nieuwe inhoud vastleggen en zichtbaar maken die in de afgelopen 30 minuten is geรฏntroduceerd en waarvoor uw gebruikers meer interesse hebben getoond dan voor bestaande catalogusitems. Voor parameterwaarden die langer zijn dan 2 uur, vernieuwt Amazon Personalize automatisch de trending itemaanbevelingen om de 2 uur om rekening te houden met nieuwe interacties en nieuwe items.
Datasets die weinig verkeer hebben maar een waarde van 30 minuten gebruiken, kunnen een slechte aanbevelingsnauwkeurigheid zien vanwege schaarse of ontbrekende interactiegegevens. Het Trending-Now-recept vereist dat u interactiegegevens verstrekt voor ten minste twee eerdere tijdsperioden (deze tijdsperiode is uw gewenste frequentie voor het ontdekken van trends). Als er de afgelopen 2 tijdsperioden geen interactiegegevens bestaan, vervangt Amazon Personalize de trending items door populaire items totdat de vereiste minimale gegevens beschikbaar zijn.
Het Trending-Now-recept is beschikbaar voor zowel aangepaste datasetgroepen als video-on-demand-domeindatasetgroepen. In dit bericht laten we zien hoe u uw aanbevelingen kunt afstemmen op de snel veranderende trends in gebruikersinteresse met deze nieuwe Trending-Now-functie voor een media-use-case met een aangepaste datasetgroep. Het volgende diagram illustreert de oplossingsworkflow.
In video-on-demand-toepassingen kunt u deze functie bijvoorbeeld gebruiken om te laten zien welke films trending zijn in het afgelopen uur door 1 uur op te geven voor uw trendontdekkingsfrequentie. Voor elk uur aan gegevens identificeert Amazon Personalize de items met de grootste toename in interacties sinds de laatste evaluatie. Beschikbare frequenties zijn 1 minuten, 1 uur, 30 uur en 1 dag.
Voorwaarden
Om het Trending-Now-recept te gebruiken, moet u eerst Amazon Personalize-bronnen instellen op de Amazon Personalize-console. Maak uw datasetgroep, importeer uw gegevens, train een oplossingsversie en implementeer een campagne. Zie voor volledige instructies Aan de slag.
Voor dit bericht hebben we de consolebenadering gevolgd om een โโcampagne in te zetten met het nieuwe Trending-Now-recept. Als alternatief kunt u de volledige oplossing bouwen met behulp van de SDK-benadering waarmee deze wordt meegeleverd notitieboekje. Voor beide benaderingen gebruiken we de MovieLens openbare gegevensset.
De dataset voorbereiden
Voer de volgende stappen uit om uw dataset voor te bereiden:
- Een datasetgroep maken.
- Maak een interactiedataset met behulp van het volgende schema:
- Importeer de interactiegegevens naar Amazon Personaliseren van Amazon eenvoudige opslagservice (Amazone S3).
Voor de interactiegegevens gebruiken we de beoordelingsgeschiedenis van de filmrecensiegegevensset, MovieLens.
Gebruik de onderstaande python-code om de dataset voor interacties uit de openbare dataset van MovieLens te beheren.
De MovieLens
dataset bevat de user_id
, rating
, item_id
, interacties tussen de gebruikers en items, en de tijd waarop deze interactie plaatsvond (een tijdstempel, dat wordt gegeven als UNIX epoch time). De dataset bevat ook filmtitelinformatie om de film-ID toe te wijzen aan de eigenlijke titel en genres. De volgende tabel is een voorbeeld van de dataset.
GEBRUIKERSNAAM | ITEM ID | TIJDSTAMP | TITEL | GENRES |
116927 | 1101 | 1105210919 | Topkanon (1986) | Actie|Romantiek |
158267 | 719 | 974847063 | Veelvoud (1996) | Komedie |
55098 | 186871 | 1526204585 | Genezen (2017) | Documentaire |
159290 | 59315 | 1485663555 | Iron Man (2008) | Actie|Avontuur|Scifi |
108844 | 34319 | 1428229516 | Eiland, De (2005) | Actie|Scifi|Thriller |
85390 | 2916 | 953264936 | Total Recall (1990) | Actie|Avontuur|Scifi|Thriller |
103930 | 18 | 839915700 | Vier kamers (1995) | Komedie |
104176 | 1735 | 985295513 | Grote verwachtingen (1998) | Drama | Romantiek |
97523 | 1304 | 1158428003 | Butch Cassidy en de Sundance Kid (1969) | Actie|Westers |
87619 | 6365 | 1066077797 | Matrix herladen, The (2003) | Actie|Avontuur|Scifi|Thriller|IMAX |
De samengestelde dataset bevat USER_ID
, ITEM_ID
(film-ID), en TIMESTAMP
om het Amazon Personalize-model te trainen. Dit zijn de verplichte verplichte velden om een โโmodel te trainen met het Trending-Now-recept. De volgende tabel is een voorbeeld van de beheerde dataset.
GEBRUIKERSNAAM | ITEM ID | TIJDSTAMP |
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 |
Train een model
Nadat de importtaak van de gegevensset is voltooid, bent u klaar om uw model te trainen.
- Op de Oplossingen tabblad, kies Maak een oplossing.
- Kies de
new aws-trending-now
recept. - In het Geavanceerde configuratie sectie, instellen Trendontdekkingsfrequentie tot 30 minuten.
- Kies Maak een oplossing om te beginnen met trainen.
Maak een campagne
In Amazon Personalize gebruik je een campagne om aanbevelingen te doen voor je gebruikers. In deze stap maakt u een campagne met de oplossing die u in de vorige stap heeft gemaakt en krijgt u de Trending-Now-aanbevelingen:
- Op de Campagnes tabblad, kies Maak campagne.
- Voor campagne naam, voer een naam in.
- Voor Oplossing, kies de oplossing
trending-now-solution
. - Voor Versie-oplossing oplossing, kies de oplossingsversie die de
aws-trending-now
recept. - Voor Minimaal ingerichte transacties per seconde, laat het op de standaardwaarde staan.
- Kies Maak campagne om te beginnen met het maken van uw campagne.
Ontvang aanbevelingen
Nadat u uw campagne heeft gemaakt of geรผpdatet, kunt u een aanbevolen lijst krijgen met items die trending zijn, gesorteerd van hoog naar laag. Op de campagne (trending-now-campaign
) Personalisatie-API tabblad, kies Ontvang aanbevelingen.
De volgende schermafbeelding toont de campagnedetailpagina met resultaten van een GetRecommendations
oproep die de aanbevolen items en de aanbevelings-ID bevat.
De resultaten van de GetRecommendations
call bevat de ID's van aanbevolen items. De volgende tabel is een voorbeeld nadat de ID's zijn toegewezen aan de daadwerkelijke filmtitels voor leesbaarheid. De code om de toewijzing uit te voeren, vindt u in het bijgevoegde notitieblok.
ITEM ID | TITEL |
356 | Forrest Gump (1994) |
318 | Shawshank verlossing, de (1994) |
58559 | Donkere ridder, de (2008) |
33794 | Batman begint (2005) |
44191 | V voor Vendetta (2006) |
48516 | Vertrokken, The (2006) |
195159 | Spider-Man: Into the Spider-Vers (2018) |
122914 | Avengers: Infinity War โ Deel II (2019) |
91974 | Onderwereld: Ontwaken (2012) |
204698 | Joker (2019) |
Krijg trending aanbevelingen
Nadat u een oplossingsversie hebt gemaakt met behulp van het aws-trending-now
recept, identificeert Amazon Personalize de meest trending items door de toename in interacties te berekenen die elk item heeft over configureerbare tijdsintervallen. De items met het hoogste stijgingspercentage worden beschouwd als trending items. De tijd is gebaseerd op tijdstempelgegevens in uw interactiedataset.
Laten we nu de nieuwste interacties aan Amazon Personalize geven om de trending items te berekenen. We kunnen de nieuwste interacties bieden met behulp van realtime opname door een gebeurtenis tracker of via een bulkgegevensupload met een dataset-importtaak in incrementele modus. In de notebook hebben we voorbeeldcode geleverd om de nieuwste realtime interactiegegevens individueel te importeren in Amazon Personalize met behulp van de gebeurtenistracker.
Voor dit bericht bieden we de nieuwste interacties als bulkgegevensupload met een dataset-importtaak in incrementele modus. Gebruik onderstaande python-code om dummy incrementele interacties te genereren en upload de incrementele interactiegegevens met behulp van een dataset-importtaak.
We hebben deze interacties synthetisch gegenereerd door willekeurig een paar waarden voor te selecteren USER_ID
en ITEM_ID
en het genereren van interacties tussen die gebruikers en items met de nieuwste tijdstempels. De volgende tabel bevat de willekeurig geselecteerde ITEM_ID
waarden die worden gebruikt voor het genereren van incrementele interacties.
ITEM ID | TITEL |
153 | Batman voor altijd (1995) |
260 | Star Wars: Episode IV - A New Hope (1977) |
1792 | Amerikaanse maarschalken (1998) |
2363 | Godzilla (Gojira) (1954) |
2407 | Cocon (1985) |
2459 | Texas kettingzaag bloedbad, The (1974) |
3948 | Ontmoet de ouders (2000) |
6539 | Pirates of the Caribbean: De vloek van de bla... |
8961 | Ongelofelijk, De (2004) |
61248 | Dodenrace (2008) |
Upload de incrementele interactiegegevens door selecteren Toevoegen aan huidige dataset (of gebruik de incrementele modus als u API's gebruikt), zoals weergegeven in de volgende momentopname.
Nadat de importtaak van de gegevensset met incrementele interacties is voltooid, wacht u tot de lengte van de trendontdekkingsfrequentietijd die u hebt geconfigureerd om de nieuwe aanbevelingen weer te geven.
Kies Ontvang aanbevelingen op de campagne-API-pagina om de nieuwste aanbevolen lijst met trending items te krijgen.
Nu zien we de nieuwste lijst met aanbevolen items. De volgende tabel bevat de gegevens na het toewijzen van de ID's aan de daadwerkelijke filmtitels voor leesbaarheid. De code om de toewijzing uit te voeren, vindt u in het bijgevoegde notitieblok.
ITEM ID | TITEL |
260 | Star Wars: Episode IV - A New Hope (1977) |
6539 | Pirates of the Caribbean: De vloek van de bla... |
153 | Batman voor altijd (1995) |
3948 | Ontmoet de ouders (2000) |
1792 | Amerikaanse maarschalken (1998) |
2459 | Texas kettingzaag bloedbad, The (1974) |
2363 | Godzilla (Gojira) (1954) |
61248 | Dodenrace (2008) |
8961 | Ongelofelijk, De (2004) |
2407 | Cocon (1985) |
De voorgaande GetRecommendations
call bevat de ID's van aanbevolen items. Nu zien we de ITEM_ID
aanbevolen waarden zijn afkomstig uit de dataset voor incrementele interacties die we hadden verstrekt aan het Amazon Personalize-model. Dit is niet verwonderlijk omdat dit de enige items zijn die in de meest recente 30 minuten interacties hebben verkregen uit onze synthetische dataset.
U hebt nu met succes een Trending-Now-model getraind om itemaanbevelingen te genereren die populair worden bij uw gebruikers en om de aanbevelingen af โโte stemmen op de interesse van de gebruiker. In de toekomst kunt u deze code aanpassen om andere aanbevelers te maken.
U kunt ook gebruik maken van filters samen met het Trending-Now-recept om de trends tussen verschillende soorten inhoud, zoals lange versus korte video's, te onderscheiden of toe te passen promotionele filters om expliciet specifieke items aan te bevelen op basis van regels die aansluiten bij uw bedrijfsdoelstellingen.
Opruimen
Zorg ervoor dat u alle ongebruikte bronnen opruimt die u in uw account hebt gemaakt terwijl u de stappen volgt die in dit bericht worden beschreven. U kunt filters, aanbevelingen, datasets en datasetgroepen verwijderen via de AWS-beheerconsole of met behulp van de Python SDK.
Samengevat
De nieuwe aws-trending-now
recept van Amazon Personalize helpt u bij het identificeren van de items die snel populair worden bij uw gebruikers en bij het afstemmen van uw aanbevelingen op de snel veranderende trends in gebruikersinteresse.
Voor meer informatie over Amazon Personalize, zie de Amazon Personaliseer ontwikkelaarsgids.
Over de auteurs
Vamshi Krishna Enabothala is Sr. Applied AI Specialist Architect bij AWS. Hij werkt samen met klanten uit verschillende sectoren om high-impact data-, analyse- en machine learning-initiatieven te versnellen. Hij is gepassioneerd door aanbevelingssystemen, NLP en computervisiegebieden in AI en ML. Naast zijn werk is Vamshi een RC-liefhebber, bouwt hij RC-apparatuur (vliegtuigen, auto's en drones) en houdt hij ook van tuinieren.
Anchit Gupta is Senior Product Manager voor Amazon Personalize. Ze richt zich op het leveren van producten die het makkelijker maken om machine learning-oplossingen te bouwen. In haar vrije tijd houdt ze van koken, bord-/kaartspellen spelen en lezen.
Abishek Mangal is een Software Engineer voor Amazon Personalize en werkt aan het ontwerpen van softwaresystemen om klanten op grote schaal te bedienen. In zijn vrije tijd kijkt hij graag naar anime en gelooft dat 'One Piece' het beste verhaal in de recente geschiedenis is.
- Door SEO aangedreven content en PR-distributie. Word vandaag nog versterkt.
- Platoblockchain. Web3 Metaverse Intelligentie. Kennis versterkt. Toegang hier.
- Bron: https://aws.amazon.com/blogs/machine-learning/recommend-top-trending-items-to-your-users-using-the-new-amazon-personalize-recipe/
- :is
- $UP
- 1
- 10
- 100
- 1985
- 1994
- 1996
- 1998
- 2012
- 2017
- 2018
- 2019
- 7
- a
- Over
- versnellen
- Volgens
- Account
- nauwkeurigheid
- aanpassen
- Na
- AI
- Alles
- toestaat
- Amazone
- Amazon personaliseren
- onder
- analytics
- en
- Anime
- aankondigen
- api
- APIs
- gebruiken
- toepassingen
- toegepast
- Toegepaste AI
- Solliciteer
- nadering
- benaderingen
- apps
- ZIJN
- gebieden
- AS
- At
- webmaster.
- Beschikbaar
- AWS
- baseren
- gebaseerde
- BE
- omdat
- worden
- gelooft
- onder
- tussen
- bouw
- Gebouw
- bedrijfsdeskundigen
- by
- berekenen
- berekend
- het berekenen van
- Bellen
- Campagne
- Campagnes
- CAN
- Kan krijgen
- mogelijkheden
- vangen
- Caribbean
- auto's
- geval
- catalogus
- verandering
- veranderende
- Kies
- code
- columns
- COM
- compleet
- computer
- Computer visie
- beschouwd
- troosten
- bevat
- content
- verband
- en je merk te creรซren
- aangemaakt
- Wij creรซren
- kritisch
- curated
- Actueel
- vervloeken
- gewoonte
- klant
- Klantbinding
- Klanten
- gegevens
- datasets
- datetime
- dag
- Standaard
- Mate
- leveren
- het leveren van
- tonen
- Afhankelijk
- implementeren
- gewenste
- detail
- Ontwikkelaar
- ontwikkelaars
- anders
- onderscheiden
- Onthul Nu
- ontdekking
- Nee
- domein
- Drones
- elk
- gemakkelijker
- gemakkelijk
- maakt
- versleutelde
- engagement
- boeiende
- ingenieur
- Enter
- enthousiast
- Geheel
- tijdperk
- uitrusting
- evaluatie
- Event
- EVENTS
- Alle
- voorbeeld
- opgewonden
- verwachtingen
- ervaring
- Ervaringen
- extern
- factoren
- sneller
- snelste
- Kenmerk
- weinig
- Velden
- filters
- Voornaam*
- richt
- gevolgd
- volgend
- Voor
- altijd
- Naar voren
- Frequentie
- oppompen van
- vol
- geheel
- met het verkrijgen van
- Spellen
- voortbrengen
- gegenereerde
- het genereren van
- krijgen
- gegeven
- Doelen
- gaan
- meer
- beste
- Groep
- Groep
- Hebben
- hulp
- helpt
- Hoge
- hoger
- hoogst
- geschiedenis
- hoop
- HOURS
- Hoe
- How To
- HTML
- http
- HTTPS
- i
- ID
- identificeert
- identificeren
- importeren
- verbeteren
- in
- omvatten
- omvat
- Laat uw omzet
- individueel
- individueel
- Infinity
- informatie
- initiatieven
- instructies
- wisselwerking
- interacties
- belang
- belangen
- geรฏntroduceerd
- IT
- artikelen
- Jobomschrijving:
- jpg
- Kind
- Ridder
- Achternaam*
- laatste
- leren
- Verlof
- Lengte
- als
- Lijst
- lang
- LOOKS
- Laag
- machine
- machine learning
- maken
- MERKEN
- man
- beheerd
- management
- manager
- verplicht
- kaart
- in kaart brengen
- Marketing
- Media
- minimum
- minuten
- vermist
- ML
- Mode
- model
- meer
- meest
- filmpje
- Films
- naam
- Noodzaak
- New
- nieuws
- nlp
- notitieboekje
- of
- on
- Opties
- Overige
- geschetst
- buiten
- Tempo
- pagina
- panda's
- parameter
- ouders
- deel
- hartstochtelijk
- verleden
- Uitvoeren
- periode
- periodes
- Personalisatie
- Verpersoonlijken
- Gepersonaliseerde
- stuk
- plaats
- Plato
- Plato gegevensintelligentie
- PlatoData
- spelen
- dan
- arm
- Populair
- populariteit
- Post
- Powering
- Voorbereiden
- vorig
- Voorafgaand
- privaat
- Product
- product manager
- Producten
- zorgen voor
- mits
- het verstrekken van
- publiek
- aankopen
- Python
- Race
- willekeurige
- snel
- tarief
- waardering
- waarderingen
- lezing
- klaar
- real-time
- recent
- recept
- adviseren
- Aanbeveling
- aanbevelingen
- aanbevolen
- record
- terugkoop
- weerspiegeld
- uitgebracht
- vervangen
- nodig
- vereist
- Resources
- Resultaten
- beoordelen
- stijgende
- Studio's
- reglement
- s
- Scale
- sdk
- sectie
- Sectoren
- beveiligen
- gekozen
- selecteren
- senior
- dienen
- service
- reeks
- Bermuda's
- tonen
- getoond
- Shows
- Eenvoudig
- sinds
- Momentopname
- Social
- Software
- Software Engineer
- oplossing
- Oplossingen
- sommige
- geraffineerd
- specialist
- specifiek
- begin
- gestart
- Stap voor
- Stappen
- mediaopslag
- Draad
- Met goed gevolg
- dergelijk
- Oppervlak
- verrassend
- synthetisch
- synthetisch
- Systems
- tafel
- doelgerichte
- dat
- De
- hun
- Deze
- Door
- niet de tijd of
- tijdstempel
- Titel
- titels
- naar
- top
- verkeer
- Trainen
- getraind
- Trainingen
- Transacties
- trend
- trending
- Trending News
- Trends
- types
- unieke
- unix
- ongebruikt
- bijwerken
- .
- use case
- Gebruiker
- gebruikers
- waarde
- Values
- variรซteit
- Snelheid
- versie
- via
- Video's
- visie
- vs
- wachten
- oorlog
- Bekijk de introductievideo
- horloges
- Website
- websites
- GOED
- Wat
- welke
- en
- wil
- Met
- zonder
- Mijn werk
- Bedrijven
- You
- Your
- zephyrnet
- Postcode