Z množico člankov, videoposnetkov, zvočnih posnetkov in drugih medijev, ki jih vsak dan ustvarijo medijska podjetja, bralci vseh vrst – individualni potrošniki, korporativni naročniki in drugi – pogosto težko najdejo vsebino novic, ki je zanje najbolj pomembna. Dostava prilagojenih novic in izkušenj bralcem lahko pomaga rešiti to težavo in ustvari bolj privlačne izkušnje. Vendar zagotavljanje resnično prilagojenih priporočil predstavlja več ključnih izzivov:
- Zajemanje različnih interesov uporabnikov – Novice se lahko nanašajo na številne teme in celo znotraj določenih tem imajo bralci lahko različna zanimanja.
- Obravnava omejene zgodovine bralcev – Mnogi bralci novic imajo redko zgodovino dejavnosti. Priporočevalci se morajo hitro naučiti preferenc iz omejenih podatkov, da zagotovijo vrednost.
- Ažurnost in trendi – Dnevni cikli novic pomenijo, da morajo priporočila uravnotežiti prilagojeno vsebino z odkrivanjem novih, priljubljenih zgodb.
- Spreminjanje interesov – Zanimanja bralcev se lahko sčasoma razvijajo. Sistemi morajo zaznati premike in temu prilagoditi priporočila.
- Pojasnjevanje – Zagotavljanje preglednosti, zakaj so določene zgodbe priporočene, gradi zaupanje uporabnikov. Idealen sistem za priporočanje novic razume posameznika in se odziva na širšo novičarsko klimo in občinstvo. Spopadanje s temi izzivi je ključno za učinkovito povezovanje bralcev z vsebino, ki se jim zdi informativna in privlačna.
V tej objavi opisujemo, kako Amazonska prilagoditev lahko poganja razširljivo aplikacijo za priporočanje novic. Ta rešitev je bila implementirana pri medijski stranki s seznama Fortune 500 v prvem polletju 1 in jo je mogoče ponovno uporabiti za druge stranke, ki jih zanima ustvarjanje priporočevalcev novic.
Pregled rešitev
Amazon Personalize je odlična rešitev za poganjanje mehanizma za priporočila novic zaradi svoje zmožnosti zagotavljanja sprotnih in paketno prilagojenih priporočil v velikem obsegu. Amazon Personalize ponuja različne priporočilne recepte (algoritme), kot sta recepta User Personalization in Trending Now, ki sta posebej primerna za usposabljanje modelov priporočevalcev novic. Recept za personalizacijo uporabnika analizira preference vsakega uporabnika na podlagi njihovega sodelovanja z vsebino skozi čas. Posledica tega so prilagojeni viri novic, ki prikazujejo teme in vire, ki so najbolj pomembni za posameznega uporabnika. Recept Trending Now to dopolnjuje z zaznavanjem naraščajočih trendov in priljubljenih novic v realnem času pri vseh uporabnikih. Združevanje priporočil iz obeh receptov omogoča mehanizmu za priporočila, da uravnoteži personalizacijo z odkrivanjem pravočasnih, zelo zanimivih zgodb.
Naslednji diagram ponazarja arhitekturo aplikacije za priporočanje novic, ki jo poganja Amazon Personalize in podpira storitve AWS.
Ta rešitev ima naslednje omejitve:
- Zagotavljanje prilagojenih priporočil za pravkar objavljene članke (članke, objavljene pred nekaj minutami) je lahko izziv. V nadaljevanju te objave opisujemo, kako ublažiti to omejitev.
- Amazon Personalize ima fiksno število interakcij in funkcij nabora podatkov elementov, ki jih je mogoče uporabiti za usposabljanje modela.
- V času pisanja Amazon Personalize ne ponuja razlag priporočil na uporabniški ravni.
Sprehodimo se skozi vsako od glavnih komponent rešitve.
Predpogoji
Za izvedbo te rešitve potrebujete naslednje:
- Zgodovinski podatki in podatki o klikih uporabnikov v realnem času za
interactions
nabor podatkov - Zgodovinski in sprotni metapodatki člankov za
items
nabor podatkov
Zaužijte in pripravite podatke
Za usposabljanje modela v storitvi Amazon Personalize morate zagotoviti podatke o usposabljanju. V tej rešitvi uporabljate dve vrsti naborov podatkov o usposabljanju Amazon Personalize: nabor podatkov o interakcijah in nabor podatkov o predmetih. interactions
nabor podatkov vsebuje podatke o interakcijah uporabnik-predmet-časovni žig in items
nabor podatkov vsebuje značilnosti priporočenih člankov.
Za vnos podatkov o vadbi lahko uporabite dva različna pristopa:
- Zaužitje serije - Lahko uporabiš AWS lepilo za preoblikovanje in vnos podatkov o interakcijah in predmetih, ki se nahajajo v Preprosta storitev shranjevanja Amazon (Amazon S3) v naborih podatkov Amazon Personalize. AWS Glue izvaja operacije ekstrahiranja, preoblikovanja in nalaganja (ETL), da uskladi podatke s shemo nizov podatkov Amazon Personalize. Ko je postopek ETL končan, se izhodna datoteka postavi nazaj v Amazon S3 in je pripravljena za vnos v Amazon Personalize prek uvoz nabora podatkov.
- Zaužitje v realnem času - Lahko uporabiš Amazonski kinezi podatkovni tokovi in AWS Lambda za postopen vnos podatkov v realnem času. Funkcija Lambda izvede enake operacije pretvorbe podatkov kot opravilo paketnega vnosa na ravni posameznega zapisa in vnese podatke v Amazon Personalize z uporabo PutEvents in PutItems API-ji.
V tej rešitvi lahko vnesete tudi določene elemente in atribute podatkov o interakcijah Amazon DynamoDB. Te atribute lahko uporabite med sklepanjem v realnem času za filtriranje priporočil po poslovnih pravilih. Na primer, metapodatki o članku lahko vsebujejo imena podjetij in panog v članku. Če želite proaktivno priporočati članke o podjetjih ali panogah, o katerih uporabniki berejo, lahko zabeležite, kako pogosto se bralci ukvarjajo s članki o določenih podjetjih in panogah, in te podatke uporabite z Amazon Personalize filtri za dodatno prilagajanje priporočene vsebine. Več o uporabi elementov in atributov podatkov o interakcijah v DynamoDB razpravljamo kasneje v tej objavi.
Naslednji diagram ponazarja arhitekturo vnosa podatkov.
Trenirajte model
Večino truda pri usposabljanju modela je treba osredotočiti na model za prilagajanje uporabnika, ker lahko uporablja vse tri nize podatkov Amazon Personalize (medtem ko model Trending Now uporablja samo interactions
nabor podatkov). Priporočamo izvajanje poskusov, ki sistematično spreminjajo različne vidike procesa usposabljanja. Za stranko, ki je implementirala to rešitev, je ekipa izvedla več kot 30 poskusov. To je vključevalo spreminjanje interactions
in items
funkcije nabora podatkov, prilagoditev dolžine zgodovine interakcij, posredovane modelu, nastavitev hiperparametrov Amazon Personalize in ocenjevanje, ali je nabor podatkov eksplicitnega uporabnika izboljšal zmogljivost brez povezave (glede na povečanje časa usposabljanja).
Vsaka različica modela je bila ovrednotena na podlagi meritev, ki jih je poročal Amazon Personalize o podatkih o usposabljanju, kot tudi na podlagi meritev brez povezave po meri na naboru podatkov testa zadržanosti. Standardne metrike, ki jih je treba upoštevati, vključujejo srednjo povprečno natančnost (MAP) @ K (kjer je K število priporočil, predstavljenih bralcu), normalizirani diskontirani kumulativni dobiček, povprečni recipročni rang in pokritost. Za več informacij o teh meritvah glejte Vrednotenje različice rešitve z metriko. Priporočamo, da med temi metrikami daste prednost MAP @ K, ki zajame povprečno število člankov, ki jih je bralec kliknil med najboljšimi K članki, ki so mu priporočeni, ker je metrika MAP dober približek (resničnim) razmerjem med prikazi in kliki za članke. K je treba izbrati glede na število člankov, ki si jih bralec lahko ogleda na namizju ali mobilni spletni strani, ne da bi se moral pomikati, kar vam omogoča, da ocenite učinkovitost priporočila z minimalnim naporom bralca. Implementacija meritev po meri, kot je edinstvenost priporočila (ki opisuje, kako edinstven je bil rezultat priporočila v skupini kandidatov za uporabnike), lahko zagotovi tudi vpogled v učinkovitost priporočila.
Z Amazon Personalize vam eksperimentalni postopek omogoča določitev optimalnega nabora funkcij nabora podatkov za modela User Personalization in Trending Now. Model Trending Now obstaja v istem Amazon Personalize skupina podatkovnih zbirk kot model za prilagajanje uporabnika, zato uporablja isti nabor interactions
funkcije nabora podatkov.
Ustvarite priporočila v realnem času
Ko bralec obišče spletno stran novičarskega podjetja, bo priporočevalcu novic opravljen klic API prek Amazon API Gateway. To sproži funkcijo Lambda, ki pokliče končne točke modelov Amazon Personalize, da jih pridobi priporočila v realnem času. Med sklepanjem lahko uporabite Filtri za filtriranje izhoda začetnega priporočila na podlagi članka ali atributov interakcije z bralcem. Na primer, če je »Tema novic« (kot je šport, življenjski slog ali politika) atribut članka, lahko priporočila omejite na določene teme novic, če je to zahteva izdelka. Podobno lahko uporabite filtre za dogodke medsebojne interakcije z bralcem, kot je izključitev člankov, ki jih je bralec že prebral.
Eden od ključnih izzivov pri priporočilih v realnem času je učinkovito vključevanje pravkar objavljenih člankov (imenovanih tudi hladni izdelki) v izpis priporočil. Pravkar objavljeni članki nimajo podatkov o preteklih interakcijah, na katere se običajno zanašajo priporočevalci, sistemi za priporočila pa potrebujejo dovolj časa za obdelavo, da ocenijo, kako ustrezni so pravkar objavljeni članki za določenega uporabnika (tudi če uporabljajo le signale razmerja med uporabnikom in predmetom).
Amazon Personalize lahko izvorno samodejno zazna in priporoči nove članke, zaužite v items
nabor podatkov vsaki 2 uri. Ker pa je ta primer uporabe osredotočen na priporočila novic, potrebujete način, da priporočite nove članke takoj, ko so objavljeni in pripravljeni za branje.
Eden od načinov za rešitev te težave je oblikovanje mehanizma za naključno vstavljanje pravkar objavljenih člankov v končno priporočilo za vsakega bralca. Dodate lahko funkcijo za nadzor, kolikšen odstotek člankov v končnem naboru priporočil so bili pravkar objavljeni članki, in podobno kot prvotni izhod priporočil iz storitve Amazon Personalize lahko filtrirate pravkar objavljene članke po atributih članka (kot je »Tema novic« ), če je to zahteva izdelka. Sledite lahko interakcijam pravkar objavljenih člankov v DynamoDB, ko začnejo pritekati v sistem, in med naknadno obdelavo priporočil dajete prednost najbolj priljubljenim pravkar objavljenim člankom, dokler pravkar objavljenih člankov ne zaznajo in obdelajo modeli Amazon Personalize.
Ko imate končni nabor priporočenih člankov, se ta izhod predloži drugi funkciji Lambda za naknadno obdelavo, ki preveri izhod, da ugotovi, ali je usklajen z vnaprej določenimi poslovnimi pravili. To lahko vključuje preverjanje, ali priporočeni članki ustrezajo specifikacijam postavitve spletne strani, če so na primer priporočila na voljo v sprednji strani spletnega brskalnika. Po potrebi lahko članke prerazvrstite, da zagotovite izpolnjevanje poslovnih pravil. Priporočamo prerazvrščanje z implementacijo funkcije, ki omogoča, da članki višjega ranga padejo navzdol pri razvrščanju samo za eno mesto naenkrat, dokler niso izpolnjena vsa poslovna pravila, kar zagotavlja minimalno izgubo ustreznosti za bralce. Končni seznam naknadno obdelanih člankov se vrne spletni storitvi, ki je sprožila zahtevo za priporočila.
Naslednji diagram ponazarja arhitekturo za ta korak v rešitvi.
Ustvarite paketna priporočila
Prilagojene nadzorne plošče z novicami (s priporočili v realnem času) zahtevajo, da bralec aktivno išče novice, vendar je v našem današnjem zasedenem življenju včasih preprosto lažje prejeti najpomembnejše novice. Če želite dostaviti prilagojene članke z novicami kot povzetek e-pošte, lahko uporabite Korak funkcije AWS potek dela za ustvarjanje paketnih priporočil. Potek dela s paketnimi priporočili zbira in naknadno obdela priporočila iz našega modela personalizacije uporabnika ali končnih točk modela Trending Now, kar daje prilagodljivost pri izbiri kombinacije prilagojenih in priljubljenih člankov, ki jih skupine želijo posredovati svojim bralcem. Razvijalci imajo tudi možnost uporabe Amazon Personalize paketno sklepanje funkcija; vendar v času pisanja ustvarjanje opravila paketnega sklepanja Amazon Personalize ne podpira vključevanja elementov, zaužitih po tem, ko je bil usposobljen model po meri Amazon Personalize, in ne podpira recepta Trending Now.
Med potekom dela funkcij paketnega sklepanja je seznam bralcev razdeljen na pakete, obdelan vzporedno in predložen sloju naknadne obdelave in preverjanja, preden je poslan storitvi za ustvarjanje e-pošte. Naslednji diagram ponazarja ta potek dela.
Povečajte sistem priporočil
Za učinkovito širitev potrebujete tudi priporočevalca novic, da se prilagodi naraščajočemu številu uporabnikov in povečanemu prometu, ne da bi povzročil kakršno koli poslabšanje bralske izkušnje. Amazon Prilagodite končne točke modela izvorno samodejno merilo za zadovoljitev povečanega prometa. Inženirji morajo le nastaviti in spremljati najmanjšo spremenljivko transakcij na sekundo (TPS) za vsako končno točko Amazon Personalize.
Poleg Amazon Personalize je tukaj predstavljena aplikacija za priporočanje novic zgrajena z uporabo brezstrežniških storitev AWS, kar inženirskim ekipam omogoča, da se osredotočijo na zagotavljanje najboljše bralske izkušnje brez skrbi za vzdrževanje infrastrukture.
zaključek
V tej ekonomiji pozornosti je postajalo vedno bolj pomembno zagotavljati ustrezne in pravočasne vsebine za potrošnike. V tej objavi smo razpravljali o tem, kako lahko uporabite Amazon Personalize za izdelavo razširljivega priporočevalca novic, in o strategijah, ki jih lahko organizacije izvajajo za reševanje edinstvenih izzivov zagotavljanja priporočil za novice.
Če želite izvedeti več o storitvi Amazon Personalize in o tem, kako lahko vaši organizaciji pomaga zgraditi priporočilne sisteme, si oglejte Priročnik za razvijalce Amazon Personalize.
Srečna stavba!
O avtorjih
Bala Krishnamoorthy je višji podatkovni znanstvenik pri AWS Professional Services, kjer strankam pomaga zgraditi in uvesti rešitve, ki jih poganja AI za reševanje njihovih poslovnih izzivov. Delal je s strankami v različnih sektorjih, vključno z mediji in zabavo, finančnimi storitvami, zdravstvenim varstvom in tehnologijo. V prostem času rad preživlja čas z družino/prijatelji, ostaja aktiven, preizkuša nove restavracije, potuje in dan začne s skodelico vroče kave.
Rishi Jala je NoSQL podatkovni arhitekt s profesionalnimi storitvami AWS. Osredotoča se na arhitekturo in gradnjo visoko razširljivih aplikacij z uporabo baz podatkov NoSQL, kot je Amazon DynamoDB. Navdušen nad reševanjem težav strank, zagotavlja prilagojene rešitve za uspeh v digitalnem okolju.
- Distribucija vsebine in PR s pomočjo SEO. Okrepite se še danes.
- PlatoData.Network Vertical Generative Ai. Opolnomočite se. Dostopite tukaj.
- PlatoAiStream. Web3 Intelligence. Razširjeno znanje. Dostopite tukaj.
- PlatoESG. Ogljik, CleanTech, Energija, Okolje, sončna energija, Ravnanje z odpadki. Dostopite tukaj.
- PlatoHealth. Obveščanje o biotehnologiji in kliničnih preskušanjih. Dostopite tukaj.
- vir: https://aws.amazon.com/blogs/machine-learning/build-a-news-recommender-application-with-amazon-personalize/
- :ima
- : je
- :kje
- 100
- 2023
- 30
- 500
- 7
- 98
- a
- sposobnost
- O meni
- prilagoditi
- ustrezno
- čez
- aktivna
- aktivno
- dejavnost
- prilagodijo
- dodajte
- Naslov
- prilagajanje
- po
- Avgust
- Z AI napajanjem
- algoritmi
- uskladiti
- Poravnava
- vsi
- Dovoli
- omogoča
- že
- Prav tako
- Amazon
- Amazonska prilagoditev
- Amazon Web Services
- an
- analize
- in
- Še ena
- kaj
- API
- API-ji
- uporaba
- aplikacije
- pristopi
- Arhitektura
- SE
- članek
- članki
- AS
- vidiki
- oceniti
- At
- pozornosti
- lastnosti
- Občinstvo
- audio
- avto
- povprečno
- AWS
- AWS lepilo
- Strokovne storitve AWS
- nazaj
- Ravnovesje
- temeljijo
- BE
- ker
- postanejo
- bilo
- pred
- počutje
- BEST
- tako
- širši
- brskalnik
- izgradnjo
- Building
- Gradi
- zgrajena
- poslovni
- zaseden
- vendar
- by
- klic
- se imenuje
- poziva
- CAN
- Kandidat
- ujame
- primeru
- nekatere
- izziv
- izzivi
- izziv
- preveriti
- preverjanje
- Pregledi
- klik
- Podnebne
- Kava
- hladno
- kombinacija
- združevanje
- Podjetja
- podjetje
- Podjetja
- dokončanje
- deli
- Povezovanje
- Razmislite
- Potrošniki
- poraba
- vsebujejo
- Vsebuje
- vsebina
- nadzor
- Corporate
- pokritost
- ustvarjajo
- ustvaril
- Ustvarjanje
- Pokal
- po meri
- stranka
- Stranke, ki so
- meri
- ciklov
- vsak dan
- Dnevne novice
- nadzorne plošče
- datum
- podatkovni znanstvenik
- baze podatkov
- nabor podatkov
- dan
- poda
- dostavo
- daje
- razporedi
- opisati
- opisuje
- oblikovanje
- desktop
- odkrivanje
- Zaznali
- Ugotovite,
- Razvojni
- Razvijalci
- diagram
- drugačen
- težko
- prebaviti
- digitalni
- diskontirani
- Odkritje
- razpravlja
- razpravljali
- razne
- deljeno
- Ne
- dont
- navzdol
- pogon
- med
- vsak
- lažje
- Gospodarstvo
- učinkovito
- učinkovitost
- prizadevanje
- E-naslov
- Končna točka
- sodelovanje
- angažiran
- Motor
- Inženiring
- Inženirji
- zagotovitev
- Zabava
- oceniti
- ocenili
- ocenjevanje
- Tudi
- dogodki
- Tudi vsak
- razvijajo
- Primer
- izključuje
- obstaja
- izkušnje
- Doživetja
- eksperimentalni
- Poskusi
- Pojasnila
- ekstrakt
- Padec
- Feature
- Lastnosti
- Nekaj
- file
- filter
- Filtri
- končna
- finančna
- finančne storitve
- Najdi
- fit
- Všita
- prilagodljivost
- Osredotočite
- osredotočena
- Osredotoča
- po
- za
- Za potrošnike
- Fortune
- brezplačno
- pogosto
- iz
- začelje
- funkcija
- funkcije
- nadalje
- Gain
- ustvarjajo
- generacija
- dobili
- Giving
- dobro
- veliko
- Pridelovanje
- Imajo
- ob
- he
- zdravstveno varstvo
- pomoč
- Pomaga
- tukaj
- zelo
- njegov
- zgodovinski
- zgodovine
- zgodovina
- HOT
- URE
- Kako
- Kako
- Vendar
- HTML
- http
- HTTPS
- idealen
- if
- ponazarja
- izvajati
- izvajali
- izvajanja
- uvoz
- Pomembno
- izboljšalo
- in
- vključujejo
- vključeno
- Vključno
- Povečajte
- povečal
- vedno
- individualna
- industrij
- Industrija
- Podatki
- informativni
- Infrastruktura
- začetna
- začeti
- vpogled
- interakcije
- interakcije
- zainteresirani
- interesi
- v
- IT
- Izdelkov
- ITS
- Job
- jpg
- samo
- Ključne
- Pokrajina
- pozneje
- plast
- postavitev
- UČITE
- dolžina
- Stopnja
- način življenja
- Omejitev
- omejitve
- Limited
- Seznam
- živi
- obremenitev
- off
- je
- Glavne
- vzdrževanje
- več
- map
- Maj ..
- pomeni
- Mehanizem
- mediji
- Srečati
- pol
- metapodatki
- meritev
- Meritve
- minimalna
- minimalna
- Minute
- Omiliti
- Mobilni
- Model
- modeli
- monitor
- več
- Najbolj
- Najbolj popularni
- Množica
- morajo
- Imena
- izvirno
- Nimate
- potrebna
- Novo
- novice
- Običajno
- zdaj
- Številka
- of
- Ponudbe
- offline
- on
- ONE
- samo
- operacije
- optimalna
- Možnost
- or
- Organizacija
- organizacije
- izvirno
- Ostalo
- naši
- ven
- izhod
- več
- vzporedno
- zlasti
- strastno
- za
- odstotkov
- performance
- opravlja
- personalizacija
- prilagodite
- Prilagojene
- Kraj
- platon
- Platonova podatkovna inteligenca
- PlatoData
- politika
- bazen
- Popular
- Prispevek
- moč
- poganja
- Precision
- nastavitve
- Pripravimo
- predstavljeni
- darila
- Prednost
- določanje prednosti
- problem
- Težave
- Postopek
- Predelano
- obravnavati
- Izdelek
- strokovni
- zagotavljajo
- če
- zagotavljanje
- proxy
- objavljeno
- Push
- hitro
- uvrstitev
- Lestvica
- Cene
- Preberi
- Bralec
- bralci
- reading
- pripravljen
- pravo
- v realnem času
- podatki v realnem času
- Recept
- Priporočamo
- Priporočilo
- Priporočila
- priporočeno
- zapis
- Razmerje
- relativna
- pomembno
- zanašajo
- Prijavljeno
- zahteva
- zahteva
- zahteva
- restavracije
- omejiti
- Rezultati
- narašča
- pravila
- tek
- Enako
- razširljive
- Lestvica
- Znanstvenik
- pomaknite
- Iskalnik
- drugi
- Sektorji
- glej
- izberite
- izbran
- višji
- poslan
- služil
- Brez strežnika
- Storitev
- Storitve
- nastavite
- več
- Izmene
- shouldnt
- signali
- Podoben
- podobno
- Enostavno
- So
- Rešitev
- rešitve
- SOLVE
- Reševanje
- Včasih
- Kmalu
- Viri
- span
- specifična
- specifikacije
- Poraba
- Šport
- standardna
- Začetek
- ostati
- Korak
- shranjevanje
- zgodbe
- strategije
- predložen
- naročniki
- uspeh
- taka
- dovolj
- primerna
- podpora
- Podpora
- Površina
- sistem
- sistematično
- sistemi
- reševanje
- po meri
- prilagojene
- Bodite
- skupina
- Skupine
- Tehnologija
- Test
- da
- O
- njihove
- Njih
- te
- jih
- ta
- 3
- skozi
- čas
- pravočasno
- do
- danes
- vrh
- Teme
- tps
- sledenje
- Prometa
- Vlak
- usposobljeni
- usposabljanje
- Novice o usposabljanju
- Transakcije
- Transform
- Preoblikovanje
- Preglednost
- potovanja
- trending
- Trends
- resnično
- Zaupajte
- poskuša
- tuning
- dva
- Vrste
- razume
- edinstven
- Edinstvenost
- dokler
- uporaba
- primeru uporabe
- Rabljeni
- uporabnik
- Uporabniki
- uporablja
- uporabo
- potrjevanje
- vrednost
- spremenljivka
- raznolika
- raznolikost
- razlikujejo
- različica
- preko
- Video posnetki
- Poglej
- Obiskov
- sprehod
- želeli
- je
- način..
- we
- web
- spletni brskalnik
- spletne storitve
- Dobro
- so bili
- Kaj
- kdaj
- medtem ko
- ali
- ki
- zakaj
- bo
- z
- v
- brez
- delal
- potek dela
- zaskrbljujoče
- pisanje
- Vi
- Vaša rutina za
- zefirnet