Organizacje nieustannie inwestują czas i wysiłek w opracowywanie inteligentnych rozwiązań rekomendacyjnych, aby dostarczać swoim użytkownikom spersonalizowane i odpowiednie treści. Celów może być wiele: zmiana doświadczeń użytkowników, generowanie znaczących interakcji i zwiększanie konsumpcji treści. Niektóre z tych rozwiązań wykorzystują typowe modele uczenia maszynowego (ML) oparte na historycznych wzorcach interakcji, atrybutach demograficznych użytkowników, podobieństwach produktów i zachowaniach grupowych. Oprócz tych atrybutów kontekst (taki jak pogoda, lokalizacja itd.) w czasie interakcji może wpływać na decyzje użytkowników podczas przeglądania treści.
W tym poście pokazujemy, jak wykorzystać bieżący typ urządzenia użytkownika jako kontekst, aby zwiększyć skuteczność Twojego Amazon Personalizujoparte na zaleceniach. Dodatkowo pokazujemy, jak wykorzystać taki kontekst do dynamicznego filtrowania rekomendacji. Chociaż ten post pokazuje, w jaki sposób Amazon Personalize może być używany w przypadku użycia wideo na żądanie (VOD), warto zauważyć, że Amazon Personalize może być używany w wielu branżach.
Co to jest personalizacja Amazon?
Amazon Personalize umożliwia programistom tworzenie aplikacji opartych na tym samym typie technologii uczenia maszynowego, który jest używany przez Amazon.com do spersonalizowanych rekomendacji w czasie rzeczywistym. Amazon Personalize jest w stanie zapewnić szeroką gamę doświadczeń personalizacyjnych, w tym rekomendacje konkretnych produktów, spersonalizowaną zmianę rankingu produktów i spersonalizowany marketing bezpośredni. Dodatkowo, jako w pełni zarządzana usługa AI, Amazon Personalize przyspiesza cyfrową transformację klientów dzięki ML, ułatwiając integrację spersonalizowanych rekomendacji z istniejącymi stronami internetowymi, aplikacjami, systemami marketingu e-mailowego i nie tylko.
Dlaczego kontekst jest ważny?
Korzystanie z kontekstowych metadanych użytkownika, takich jak lokalizacja, pora dnia, typ urządzenia i pogoda, zapewnia spersonalizowane doświadczenia obecnym użytkownikom i pomaga usprawnić fazę zimnego startu dla nowych lub niezidentyfikowanych użytkowników. The faza zimnego startu odnosi się do okresu, w którym Twój silnik rekomendacji dostarcza niespersonalizowane rekomendacje ze względu na brak historycznych informacji o tym użytkowniku. W sytuacjach, w których istnieją inne wymagania dotyczące filtrowania i promowania elementów (na przykład w wiadomościach i pogodzie), dodanie bieżącego kontekstu użytkownika (pory roku lub pory dnia) pomaga poprawić dokładność poprzez uwzględnianie i wykluczanie rekomendacji.
Weźmy na przykład platformę VOD, która poleca użytkownikowi programy, dokumenty i filmy. Na podstawie analizy zachowania wiemy, że użytkownicy VOD mają tendencję do konsumowania krótszych treści, takich jak sitcomy, na urządzeniach mobilnych i dłuższych treści, takich jak filmy, na telewizorze lub komputerze.
Omówienie rozwiązania
Rozwijając przykład rozważania typu urządzenia użytkownika, pokazujemy, jak podać te informacje jako kontekst, aby Amazon Personalize mógł automatycznie poznać wpływ urządzenia użytkownika na preferowane przez niego rodzaje treści.
Postępujemy zgodnie ze wzorcem architektury pokazanym na poniższym diagramie, aby zilustrować, w jaki sposób kontekst może być automatycznie przekazywany do Amazon Personalize. Automatyczne uzyskiwanie kontekstu odbywa się poprzez Amazon CloudFront nagłówki, które są zawarte w żądaniach, takich jak interfejs API REST w Brama Amazon API to nazywa się AWS Lambda funkcja pobierania rekomendacji. Zapoznaj się z pełnym przykładem kodu dostępnym na naszej stronie Repozytorium GitHub. zapewniamy Tworzenie chmury AWS szablon do tworzenia niezbędnych zasobów.
W kolejnych sekcjach omówimy, jak skonfigurować każdy krok przykładowego wzorca architektury.
Wybierz przepis
Przepisy to algorytmy Amazon Personalize, które są przygotowane do konkretnych przypadków użycia. Amazon Personalize zapewnia przepisy oparte na typowych przypadkach użycia modeli szkoleniowych. Na potrzeby naszego przypadku stworzyliśmy prostą niestandardową rekomendację Amazon Personalize, korzystając z przepisu User-Personalization. Przewiduje elementy, z którymi użytkownik będzie wchodzić w interakcje na podstawie zestawu danych interakcji. Ponadto ta receptura używa również zestawów danych elementów i użytkowników, aby wpływać na rekomendacje, jeśli są dostępne. Aby dowiedzieć się więcej o tym, jak działa ten przepis, zobacz Przepis na personalizację użytkownika.
Utwórz i zaimportuj zestaw danych
Wykorzystanie kontekstu wymaga określenia wartości kontekstu z interakcjami, aby osoby polecające mogły używać kontekstu jako funkcji podczas uczenia modeli. Musimy również podać aktualny kontekst użytkownika w czasie wnioskowania. Schemat interakcji (zobacz poniższy kod) definiuje strukturę historycznych i rzeczywistych danych interakcji między użytkownikami a elementami. The USER_ID
, ITEM_ID
, TIMESTAMP
pola są wymagane przez Amazon Personalize dla tego zestawu danych. DEVICE_TYPE
to niestandardowe pole kategorialne, które dodajemy w tym przykładzie, aby uchwycić bieżący kontekst użytkownika i uwzględnić go w szkoleniu modelu. Amazon Personalize używa tego zestawu danych interakcji do trenowania modeli i tworzenia kampanii rekomendacyjnych.
Podobnie schemat pozycji (patrz poniższy kod) definiuje strukturę danych katalogu produktów i wideo. The ITEM_ID
jest wymagane przez Amazon Personalize dla tego zestawu danych. CREATION_TIMESTAMP
jest zastrzeżoną nazwą kolumny, ale nie jest wymagana. GENRE
i ALLOWED_COUNTRIES
to niestandardowe pola, które dodajemy na potrzeby tego przykładu, aby uchwycić gatunek filmu i kraje, w których można go odtwarzać. Amazon Personalize używa tego zestawu danych elementów do trenowania modeli i tworzenia kampanii rekomendacji.
W naszym kontekście dane historyczne odnosi się do historii interakcji użytkownika końcowego z filmami i elementami na platformie VOD. Dane te są zazwyczaj gromadzone i przechowywane w bazie danych aplikacji.
Do celów demonstracyjnych używamy biblioteki Faker w Pythonie do generowania niektórych danych testowych naśladujących zestaw danych interakcji z różnymi elementami, użytkownikami i typami urządzeń w okresie 3 miesięcy. Po zdefiniowaniu schematu i lokalizacji pliku interakcji wejściowych, następnymi krokami jest utworzenie grupy zestawów danych, włączenie zestawu danych interakcji do grupy zestawów danych, a na koniec zaimportowanie danych szkoleniowych do zestawu danych, jak pokazano w następujących fragmentach kodu:
Zbierz dane historyczne i wytrenuj model
W tym kroku definiujemy wybraną recepturę i tworzymy rozwiązanie oraz wersję rozwiązania odnoszącą się do wcześniej zdefiniowanej grupy zbiorów danych. Tworząc niestandardowe rozwiązanie, określasz recepturę i konfigurujesz parametry szkolenia. Kiedy tworzysz wersję rozwiązania dla rozwiązania, Amazon Personalize trenuje model wspierający wersję rozwiązania na podstawie receptury i konfiguracji szkoleniowej. Zobacz następujący kod:
Utwórz punkt końcowy kampanii
Po przeszkoleniu modelu wdrażasz go w pliku kampania. Kampania tworzy i zarządza automatycznie skalowanym punktem końcowym dla wytrenowanego modelu, którego można użyć do uzyskania spersonalizowanych rekomendacji za pomocą GetRecommendations
API. W późniejszym kroku używamy tego punktu końcowego kampanii, aby automatycznie przekazywać typ urządzenia jako kontekst jako parametr i otrzymywać spersonalizowane rekomendacje. Zobacz następujący kod:
Utwórz filtr dynamiczny
Otrzymując rekomendacje z utworzonej kampanii, możesz filtrować wyniki na podstawie niestandardowych kryteriów. W naszym przykładzie tworzymy filtr spełniający wymóg polecania filmów, które mogą być odtwarzane tylko z bieżącego kraju użytkownika. Informacje o kraju są przekazywane dynamicznie z nagłówka HTTP CloudFront.
Utwórz funkcję Lambda
Kolejnym krokiem w naszej architekturze jest stworzenie funkcji Lambda do przetwarzania żądań API pochodzących z dystrybucji CloudFront i odpowiadania poprzez wywołanie punktu końcowego kampanii Amazon Personalize. W tej funkcji Lambda definiujemy logikę do analizy następujących nagłówków HTTP żądania CloudFront i parametrów ciągu zapytania w celu określenia odpowiednio typu urządzenia użytkownika i identyfikatora użytkownika:
CloudFront-Is-Desktop-Viewer
CloudFront-Is-Mobile-Viewer
CloudFront-Is-SmartTV-Viewer
CloudFront-Is-Tablet-Viewer
CloudFront-Viewer-Country
Kod do utworzenia tej funkcji jest wdrażany za pomocą szablonu CloudFormation.
Utwórz interfejs API REST
Aby funkcja Lambda i punkt końcowy kampanii Amazon Personalize były dostępne dla dystrybucji CloudFront, tworzymy punkt końcowy REST API skonfigurowany jako proxy Lambda. API Gateway zapewnia narzędzia do tworzenia i dokumentowania interfejsów API, które kierują żądania HTTP do funkcji Lambda. Funkcja integracji proxy Lambda umożliwia CloudFront wywołanie pojedynczej funkcji Lambda, która pobiera żądania abstrakcji do punktu końcowego kampanii Amazon Personalize. Kod do utworzenia tej funkcji jest wdrażany za pomocą szablonu CloudFormation.
Utwórz dystrybucję CloudFront
Podczas tworzenia dystrybucji CloudFront, ponieważ jest to konfiguracja demonstracyjna, wyłączamy buforowanie za pomocą niestandardowej polityki buforowania, zapewniając, że żądanie trafia do źródła za każdym razem. Ponadto używamy zasad żądania pochodzenia, które określają wymagane nagłówki HTTP i parametry ciągu zapytania, które są zawarte w żądaniu pochodzenia. Kod do utworzenia tej funkcji jest wdrażany za pomocą szablonu CloudFormation.
Zalecenia dotyczące testów
Kiedy dostęp do adresu URL dystrybucji CloudFront jest uzyskiwany z różnych urządzeń (komputer stacjonarny, tablet, telefon itd.), możemy zobaczyć spersonalizowane rekomendacje wideo, które są najbardziej odpowiednie dla ich urządzenia. Ponadto, jeśli prezentowany jest zimny użytkownik, prezentowane są rekomendacje dostosowane do urządzenia użytkownika. W poniższych przykładowych wynikach nazwy filmów są używane tylko do reprezentowania ich gatunku i środowiska wykonawczego, aby można je było powiązać.
W poniższym kodzie znany użytkownik, który uwielbia komedie oparte na przeszłych interakcjach i uzyskuje dostęp z urządzenia telefonicznego, otrzymuje krótsze sitcomy:
Następujący znany użytkownik otrzymuje filmy fabularne podczas uzyskiwania dostępu z urządzenia Smart TV w oparciu o wcześniejsze interakcje:
Zimnemu (nieznanemu) użytkownikowi uzyskującemu dostęp z telefonu prezentowane są krótsze, ale popularne programy:
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
Zimnemu (nieznanemu) użytkownikowi uzyskującemu dostęp z komputera stacjonarnego prezentowane są najlepsze filmy science fiction i filmy dokumentalne:
Następujący znany użytkownik uzyskujący dostęp z telefonu zwraca przefiltrowane rekomendacje na podstawie lokalizacji (USA):
Wnioski
W tym poście opisaliśmy, jak używać typu urządzenia użytkownika jako danych kontekstowych, aby Twoje rekomendacje były bardziej trafne. Wykorzystanie kontekstowych metadanych do trenowania modeli Amazon Personalize pomoże Ci rekomendować produkty, które są odpowiednie zarówno dla nowych, jak i obecnych użytkowników, nie tylko na podstawie danych profilowych, ale także z platformy urządzenia do przeglądania. Co więcej, kontekst, taki jak lokalizacja (kraj, miasto, region, kod pocztowy) i czas (dzień tygodnia, weekend, dzień tygodnia, pora roku) otwiera możliwość sformułowania rekomendacji odnoszących się do użytkownika. Możesz uruchomić pełny przykład kodu, korzystając z szablonu CloudFormation dostępnego w naszym Repozytorium GitHub i klonowanie notatników do Studio Amazon SageMaker.
O autorach
Gilles-Kuessan Satchivi jest architektem AWS Enterprise Solutions z doświadczeniem w sieciach, infrastrukturze, bezpieczeństwie i operacjach IT. Pasjonuje się pomaganiem klientom w budowaniu dobrze zaprojektowanych systemów na AWS. Zanim dołączył do AWS, przez 17 lat pracował w e-commerce. Poza pracą lubi spędzać czas z rodziną i kibicować drużynie piłkarskiej swoich dzieci.
Aditya Pendyala jest starszym architektem rozwiązań w firmie AWS z siedzibą w Nowym Jorku. Posiada bogate doświadczenie w architekturze aplikacji opartych na chmurze. Obecnie współpracuje z dużymi przedsiębiorstwami, pomagając im w tworzeniu wysoce skalowalnych, elastycznych i odpornych architektur chmurowych, a także doradza im we wszystkich kwestiach związanych z chmurą. Uzyskał tytuł magistra informatyki na Shippensburg University i wierzy w cytat „Kiedy przestajesz się uczyć, przestajesz się rozwijać”.
Prabhakara Chandrasekarana jest Senior Technical Account Managerem z AWS Enterprise Support. Prabhakar lubi pomagać klientom w tworzeniu najnowocześniejszych rozwiązań AI/ML w chmurze. Współpracuje również z klientami korporacyjnymi, zapewniając proaktywne wskazówki i pomoc operacyjną, pomagając im poprawić wartość ich rozwiązań podczas korzystania z AWS. Prabhakar posiada sześć certyfikatów AWS i sześć innych certyfikatów zawodowych. Z ponad 20-letnim doświadczeniem zawodowym Prabhakar był inżynierem danych i liderem programu w obszarze usług finansowych przed dołączeniem do AWS.
- Dystrybucja treści i PR oparta na SEO. Uzyskaj wzmocnienie już dziś.
- PlatoData.Network Pionowe generatywne AI. Wzmocnij się. Dostęp tutaj.
- PlatoAiStream. Inteligencja Web3. Wiedza wzmocniona. Dostęp tutaj.
- PlatonESG. Motoryzacja / pojazdy elektryczne, Węgiel Czysta technologia, Energia, Środowisko, Słoneczny, Gospodarowanie odpadami. Dostęp tutaj.
- Przesunięcia bloków. Modernizacja własności offsetu środowiskowego. Dostęp tutaj.
- Źródło: https://aws.amazon.com/blogs/machine-learning/recommend-and-dynamically-filter-items-based-on-user-context-in-amazon-personalize/
- :ma
- :Jest
- :nie
- :Gdzie
- $W GÓRĘ
- 1
- 10
- 100
- 11
- 12
- 160
- 17
- 20
- 20 roku
- 22
- 220
- 23
- 24
- 420
- 7
- 9
- a
- O nas
- przyspiesza
- dostęp
- dostępny
- Dostęp
- Konto
- precyzja
- osiągnięty
- w poprzek
- Działania
- dodanie
- dodatek
- do tego
- Korzyść
- Po
- AI
- AI / ML
- Algorytmy
- Wszystkie kategorie
- pozwala
- również
- Chociaż
- Amazonka
- Amazon Personalizuj
- Amazon Web Services
- Amazon.com
- an
- analiza
- w czasie rzeczywistym sprawiają,
- i
- api
- Pszczoła
- aplikacje
- architektura
- SĄ
- Szyk
- AS
- Wsparcie
- At
- atrybuty
- automatycznie
- dostępny
- AWS
- tło
- poparcie
- na podstawie
- BE
- bo
- zanim
- uważa,
- oprócz
- obie
- Przeglądanie
- budować
- wybudowany
- ale
- by
- wezwanie
- Połączenia
- Kampania
- Kampanie
- CAN
- zdolny
- zdobyć
- walizka
- Etui
- katalog
- certyfikaty
- wybrany
- Miasto
- Chmura
- kod
- zimno
- Kolumna
- COM
- Komedia
- przyjście
- wspólny
- komputer
- Computer Science
- systemu
- wobec
- konsumować
- konsumpcja
- zawartość
- kontekst
- kontekstowy
- bez przerwy
- kraje
- kraj
- rzemiosło
- Stwórz
- stworzony
- tworzy
- Tworzenie
- Kryteria
- Aktualny
- Obecnie
- zwyczaj
- klient
- Klientów
- dostosowane
- pionierski nowatorski
- dane
- Baza danych
- zbiory danych
- dzień
- Decyzje
- zdefiniowane
- Definiuje
- Stopień
- dostarczanie
- Kreowanie
- próbny
- demograficzny
- rozwijać
- wdrażane
- opisane
- stacjonarny
- Ustalać
- deweloperzy
- rozwijanie
- urządzenie
- urządzenia
- różne
- cyfrowy
- kierować
- 分配
- dokumentalne
- dokumentalny
- napęd
- z powodu
- dynamiczny
- dynamicznie
- każdy
- łatwiej
- ecommerce
- skuteczność
- wysiłek
- E-mail marketing
- Umożliwia
- Punkt końcowy
- silnik
- inżynier
- wzmacniać
- zapewnienie
- Enterprise
- przedsiębiorstwa
- Każdy
- przykład
- z pominięciem
- Przede wszystkim system został opracowany
- doświadczenie
- Doświadczenia
- rozległy
- Szerokie doświadczenie
- członków Twojej rodziny
- Cecha
- Korzyści
- Fikcja
- pole
- Łąka
- filet
- filmy
- filtrować
- W końcu
- budżetowy
- usługi finansowe
- elastyczne
- obserwuj
- następujący
- W razie zamówieenia projektu
- od
- pełny
- w pełni
- funkcjonować
- Funkcje
- Bramka
- zebrane
- Generować
- otrzymać
- miejsce
- Gole
- Goes
- Zarządzanie
- Rosnąć
- poradnictwo
- Przewodniki
- Have
- he
- headers
- pomoc
- pomoc
- pomaga
- wysoko
- jego
- historyczny
- historia
- posiada
- przerażenie
- W jaki sposób
- How To
- HTML
- http
- HTTPS
- ID
- if
- importować
- ważny
- podnieść
- in
- zawierać
- włączony
- Włącznie z
- przemysłowa
- wpływ
- Informacja
- Infrastruktura
- wkład
- integrować
- integracja
- Inteligentny
- interakcji
- wzajemne oddziaływanie
- Interakcje
- najnowszych
- inwestowanie
- IT
- szt
- łączący
- jpg
- właśnie
- Wiedzieć
- znany
- Brak
- duży
- Duże przedsiębiorstwa
- później
- lider
- UCZYĆ SIĘ
- nauka
- Biblioteka
- lubić
- lubi
- lokalizacja
- logika
- długo
- kocha
- maszyna
- uczenie maszynowe
- robić
- Dokonywanie
- zarządzane
- kierownik
- zarządza
- wiele
- Marketing
- mistrz
- wymowny
- Metadane
- ML
- Aplikacje mobilne
- urządzenia mobilne
- model
- modele
- jeszcze
- większość
- Kino
- wielokrotność
- Tajemnica
- Nazwa
- Nazwy
- żeglujący
- niezbędny
- sieci
- Nowości
- aktualności
- Następny
- Zauważając
- NYC
- of
- on
- tylko
- otwiera
- operacyjny
- operacje
- Okazja
- or
- pochodzenie
- Inne
- ludzkiej,
- na zewnątrz
- zewnętrzne
- koniec
- parametr
- parametry
- przechodzić
- minęło
- namiętny
- Przeszłość
- Wzór
- wzory
- okres
- personalizacja
- personalizować
- Personalizowany
- faza
- telefon
- Platforma
- plato
- Analiza danych Platona
- PlatoDane
- grał
- polityka
- Popularny
- Post
- za pośrednictwem tradycyjnej poczty
- powered
- Prognozy
- Korzystny
- przygotowany
- przedstawione
- poprzednio
- Wcześniejszy
- Proaktywne
- wygląda tak
- Produkt
- Produkty
- profesjonalny
- Profil
- Program
- promować
- zapewniać
- pod warunkiem,
- zapewnia
- że
- pełnomocnik
- cele
- zacytować
- w czasie rzeczywistym
- otrzymać
- Przepis
- polecić
- Rekomendacja
- zalecenia
- polecający
- rekord
- odnosi
- w sprawie
- region
- reprezentacja
- zażądać
- wywołań
- wymagany
- wymaganie
- wymagania
- Wymaga
- zarezerwowany
- sprężysty
- Zasoby
- odpowiednio
- Odpowiadać
- REST
- Efekt
- powrót
- Trasa
- run
- sagemaker
- taki sam
- powiedzieć
- skalowalny
- nauka
- Fantastyka naukowa
- Pora roku
- działy
- bezpieczeństwo
- widzieć
- senior
- służyć
- usługa
- Usługi
- zestaw
- ustawienie
- pokazać
- pokazane
- Targi
- podobieństwa
- Prosty
- pojedynczy
- sytuacje
- SIX
- mądry
- Smart TV
- So
- Piłka nożna
- rozwiązanie
- Rozwiązania
- kilka
- Typ przestrzeni
- specyficzny
- wydać
- Ewolucja krok po kroku
- Cel
- przechowywany
- sznur
- Struktura
- taki
- wsparcie
- systemy
- Tablet
- dostosowane
- Brać
- zespół
- Techniczny
- Technologia
- szablon
- test
- że
- Połączenia
- ich
- Im
- Tam.
- Te
- rzeczy
- to
- Przez
- czas
- znak czasu
- do
- narzędzia
- Top
- Pociąg
- przeszkolony
- Trening
- pociągi
- Przekształcać
- przemiany
- prawdziwy
- tv
- rodzaj
- typy
- uniwersytet
- nieznany
- URL
- us
- posługiwać się
- przypadek użycia
- używany
- Użytkownik
- Doświadczenie użytkownika
- Użytkownicy
- zastosowania
- za pomocą
- zazwyczaj
- wartość
- Wartości
- wersja
- Wideo
- wideo na żądanie
- Filmy
- była
- we
- Pogoda
- sieć
- usługi internetowe
- strony internetowe
- tydzień
- weekend
- jeśli chodzi o komunikację i motywację
- Podczas
- KIM
- szeroki
- będzie
- w
- w ciągu
- Praca
- pracował
- pracujący
- działa
- wartość
- lat
- You
- Twój
- zefirnet