Organizacije nenehno vlagajo čas in trud v razvoj inteligentnih priporočilnih rešitev, da bi svojim uporabnikom ponudile prilagojeno in ustrezno vsebino. Ciljev je lahko več: preoblikovanje uporabniške izkušnje, ustvarjanje smiselne interakcije in spodbujanje porabe vsebine. Nekatere od teh rešitev uporabljajo skupne modele strojnega učenja (ML), zgrajene na zgodovinskih vzorcih interakcij, demografskih atributih uporabnikov, podobnostih izdelkov in vedenju skupine. Poleg teh atributov lahko kontekst (kot je vreme, lokacija in tako naprej) v času interakcije vpliva na odločitve uporabnikov med krmarjenjem po vsebini.
V tej objavi prikazujemo, kako uporabiti trenutno vrsto uporabnikove naprave kot kontekst za izboljšanje učinkovitosti vašega Amazonska prilagoditevna podlagi priporočil. Poleg tega pokažemo, kako uporabiti tak kontekst za dinamično filtriranje priporočil. Čeprav ta objava prikazuje, kako je mogoče Amazon Personalize uporabiti za video na zahtevo (VOD), velja omeniti, da je Amazon Personalize mogoče uporabiti v več panogah.
Kaj je Amazon Personalize?
Amazon Personalize razvijalcem omogoča ustvarjanje aplikacij, ki jih poganja ista vrsta tehnologije ML, ki jo uporablja Amazon.com za prilagojena priporočila v realnem času. Amazon Personalize je sposoben zagotoviti široko paleto izkušenj personalizacije, vključno s posebnimi priporočili za izdelke, prilagojenim prerazvrščanjem izdelkov in prilagojenim neposrednim trženjem. Poleg tega Amazon Personalize kot popolnoma upravljana storitev umetne inteligence pospešuje digitalne transformacije strank z ML, kar olajša integracijo prilagojenih priporočil v obstoječa spletna mesta, aplikacije, sisteme za e-poštno trženje in še več.
Zakaj je kontekst pomemben?
Uporaba uporabnikovih kontekstualnih metapodatkov, kot so lokacija, ura, vrsta naprave in vreme, zagotavlja prilagojene izkušnje za obstoječe uporabnike in pomaga izboljšati fazo hladnega zagona za nove ali neznane uporabnike. The faza hladnega zagona se nanaša na obdobje, ko vaš mehanizem za priporočila zagotavlja neprilagojena priporočila zaradi pomanjkanja zgodovinskih informacij o tem uporabniku. V primerih, ko obstajajo druge zahteve za filtriranje in promocijo elementov (recimo v novicah in vremenu), dodajanje uporabnikovega trenutnega konteksta (letnega časa ali ure) pomaga izboljšati natančnost z vključitvijo in izključitvijo priporočil.
Vzemimo primer platforme VOD, ki uporabniku priporoča oddaje, dokumentarne filme in filme. Na podlagi analize vedenja vemo, da uporabniki VOD običajno uporabljajo krajše vsebine, kot so sitcomi, na mobilnih napravah in daljše vsebine, kot so filmi, na televiziji ali namizju.
Pregled rešitev
Če razširimo primer upoštevanja vrste uporabnikove naprave, pokažemo, kako zagotoviti te informacije kot kontekst, tako da lahko Amazon Personalize samodejno spozna vpliv uporabnikove naprave na njihove želene vrste vsebine.
Sledimo arhitekturnemu vzorcu, prikazanemu v naslednjem diagramu, da ponazorimo, kako je mogoče kontekst samodejno posredovati Amazon Personalize. Samodejno izpeljani kontekst je dosežen prek Amazon CloudFront glave, ki so vključene v zahteve, kot je API REST v Amazon API Gateway ki kliče an AWS Lambda funkcijo za pridobivanje priporočil. Oglejte si celoten primer kode, ki je na voljo na našem GitHub repozitorij. Nudimo a Oblikovanje oblaka AWS predlogo za ustvarjanje potrebnih virov.
V naslednjih razdelkih si bomo ogledali, kako nastaviti vsak korak vzorčnega arhitekturnega vzorca.
Izberite recept
Recepti so algoritmi Amazon Personalize, ki so pripravljeni za posebne primere uporabe. Amazon Personalize ponuja recepte, ki temeljijo na običajnih primerih uporabe za modele za usposabljanje. Za naš primer uporabe izdelamo preprosto priporočilo po meri Amazon Personalize z uporabo recepta za prilagajanje uporabnika. Na podlagi nabora podatkov o interakcijah predvideva elemente, s katerimi bo uporabnik komuniciral. Poleg tega ta recept uporablja tudi elemente in nabore podatkov o uporabnikih, da vpliva na priporočila, če so podana. Če želite izvedeti več o delovanju tega recepta, glejte Recept za prilagajanje uporabnika.
Ustvarite in uvozite nabor podatkov
Izkoriščanje prednosti konteksta zahteva določanje vrednosti konteksta z interakcijami, tako da lahko priporočevalci uporabljajo kontekst kot funkcije pri usposabljanju modelov. Zagotoviti moramo tudi uporabnikov trenutni kontekst v času sklepanja. Shema interakcij (glejte naslednjo kodo) definira strukturo zgodovinskih podatkov in podatkov o interakciji med uporabniki in predmeti v realnem času. The USER_ID
, ITEM_ID
in TIMESTAMP
Amazon Personalize zahteva polja za ta nabor podatkov. DEVICE_TYPE
je kategorično polje po meri, ki ga dodajamo za ta primer, da zajamemo trenutni kontekst uporabnika in ga vključimo v usposabljanje za model. Amazon Personalize uporablja ta nabor podatkov o interakcijah za usposabljanje modelov in ustvarjanje oglaševalskih akcij s priporočili.
Podobno shema elementov (glejte naslednjo kodo) definira strukturo podatkov o izdelkih in video katalogu. The ITEM_ID
zahteva Amazon Personalize za ta nabor podatkov. CREATION_TIMESTAMP
je rezervirano ime stolpca, vendar ni obvezno. GENRE
in ALLOWED_COUNTRIES
so polja po meri, ki jih dodajamo za ta primer, da zajamemo zvrst videoposnetka in države, kjer je dovoljeno predvajanje videoposnetkov. Amazon Personalize uporablja ta nabor podatkov elementov za usposabljanje modelov in ustvarjanje oglaševalskih akcij s priporočili.
V našem kontekstu, zgodovinski podatki se nanaša na zgodovino interakcije končnega uporabnika z videoposnetki in elementi na platformi VOD. Ti podatki se običajno zbirajo in shranjujejo v bazi podatkov aplikacije.
Za predstavitvene namene uporabljamo Pythonovo knjižnico Faker za ustvarjanje nekaterih testnih podatkov, ki se posmehujejo naboru podatkov o interakcijah z različnimi elementi, uporabniki in vrstami naprav v obdobju 3 mesecev. Ko sta definirani shema in lokacija datoteke za vhodne interakcije, so naslednji koraki ustvarjanje skupine nabora podatkov, vključitev nabora podatkov o interakcijah v skupino nabora podatkov in končno uvoz podatkov o usposabljanju v nabor podatkov, kot je prikazano v naslednjih izrezkih kode:
Zberite zgodovinske podatke in usposobite model
V tem koraku definiramo izbrani recept ter izdelamo rešitev in različico rešitve, ki se nanašajo na predhodno definirano skupino podatkovnih nizov. Ko ustvarite rešitev po meri, določite recept in konfigurirate parametre usposabljanja. Ko ustvarite različico rešitve za rešitev, Amazon Personalize usposobi model, ki podpira različico rešitve, na podlagi recepta in konfiguracije usposabljanja. Oglejte si naslednjo kodo:
Ustvarite končno točko oglaševalske akcije
Ko usposobite svoj model, ga razporedite v a Kampanja. Kampanja ustvari in upravlja končno točko s samodejnim skaliranjem za vaš usposobljeni model, ki jo lahko uporabite za pridobitev prilagojenih priporočil z GetRecommendations
API. V poznejšem koraku uporabimo to končno točko oglaševalske akcije za samodejno posredovanje vrste naprave kot konteksta kot parametra in prejemanje prilagojenih priporočil. Oglejte si naslednjo kodo:
Ustvarite dinamični filter
Ko prejemate priporočila iz ustvarjene akcije, lahko rezultate filtrirate na podlagi meril po meri. Za naš primer ustvarimo filter za izpolnitev zahteve po priporočanju videoposnetkov, ki jih je dovoljeno predvajati samo v trenutni državi uporabnika. Podatki o državi se dinamično posredujejo iz glave HTTP CloudFront.
Ustvarite funkcijo Lambda
Naslednji korak v naši arhitekturi je izdelava funkcije Lambda za obdelavo zahtev API-ja, ki prihajajo iz distribucije CloudFront, in odziv s priklicem končne točke kampanje Amazon Personalize. V tej funkciji Lambda definiramo logiko za analizo naslednjih glav HTTP zahteve CloudFront in parametrov poizvedbenega niza, da določimo vrsto naprave uporabnika oziroma ID uporabnika:
CloudFront-Is-Desktop-Viewer
CloudFront-Is-Mobile-Viewer
CloudFront-Is-SmartTV-Viewer
CloudFront-Is-Tablet-Viewer
CloudFront-Viewer-Country
Koda za ustvarjanje te funkcije je uvedena prek predloge CloudFormation.
Ustvarite REST API
Da omogočimo dostop do funkcije Lambda in končne točke kampanje Amazon Personalize za distribucijo CloudFront, ustvarimo končno točko REST API, nastavljeno kot proxy Lambda. Prehod API ponuja orodja za ustvarjanje in dokumentiranje API-jev, ki usmerjajo zahteve HTTP do funkcij Lambda. Funkcija integracije proxyja Lambda omogoča CloudFrontu, da pokliče eno samo funkcijo Lambda, ki abstrahira zahteve do končne točke kampanje Amazon Personalize. Koda za ustvarjanje te funkcije je uvedena prek predloge CloudFormation.
Ustvarite distribucijo CloudFront
Pri ustvarjanju distribucije CloudFront, ker je to predstavitvena nastavitev, onemogočimo predpomnjenje z uporabo pravilnika o predpomnjenju po meri, s čimer zagotovimo, da gre zahteva vsakič do izvora. Poleg tega uporabljamo pravilnik o izvorni zahtevi, ki določa zahtevane glave HTTP in parametre poizvedbenega niza, ki so vključeni v izvorno zahtevo. Koda za ustvarjanje te funkcije je uvedena prek predloge CloudFormation.
Priporočila za testiranje
Ko do URL-ja distribucije CloudFront dostopamo iz različnih naprav (namizja, tablice, telefona itd.), lahko vidimo prilagojena video priporočila, ki so najbolj pomembna za njihovo napravo. Tudi, če je predstavljen hladni uporabnik, so predstavljena priporočila, prilagojena za uporabnikovo napravo. V naslednjih vzorčnih rezultatih so imena videoposnetkov uporabljena samo za predstavitev njihovega žanra in izvajalnega časa, da jih je mogoče povezati.
V naslednji kodi je znani uporabnik, ki obožuje komedije na podlagi preteklih interakcij in dostopa s telefonske naprave, predstavljen s krajšimi sitcomi:
Naslednjemu znanemu uporabniku so na podlagi preteklih interakcij prikazani igrani filmi, ko dostopa iz pametne TV naprave:
Hladnemu (neznanemu) uporabniku, ki dostopa s telefona, so predstavljene krajše, a priljubljene oddaje:
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
Hladnemu (neznanemu) uporabniku, ki dostopa z namizja, so predstavljeni vrhunski znanstvenofantastični filmi in dokumentarci:
Naslednji znani uporabnik, ki dostopa iz telefona, vrača filtrirana priporočila glede na lokacijo (ZDA):
zaključek
V tej objavi smo opisali, kako uporabiti vrsto uporabniške naprave kot kontekstualne podatke, da bodo vaša priporočila ustreznejša. Uporaba kontekstualnih metapodatkov za usposabljanje modelov Amazon Personalize vam bo pomagala priporočiti izdelke, ki so pomembni za nove in obstoječe uporabnike, ne samo iz podatkov profila, ampak tudi iz platforme naprave za brskanje. Ne le to, kontekst, kot sta lokacija (država, mesto, regija, poštna številka) in čas (dan v tednu, konec tedna, dan v tednu, sezona), odpira priložnost za pripravo priporočil, ki so povezana z uporabnikom. Celoten primer kode lahko zaženete s predlogo CloudFormation, ki je na voljo v našem GitHub repozitorij in kloniranje zvezkov v Amazon SageMaker Studio.
O avtorjih
Gilles-Kuessan Satchivi je AWS Enterprise Solutions Architect z izkušnjami na področju omrežij, infrastrukture, varnosti in operacij IT. Strastno želi pomagati strankam zgraditi dobro arhitekturne sisteme na AWS. Preden se je pridružil AWS, je 17 let delal v e-trgovini. Zunaj službe rad preživlja čas z družino in navija za nogometno ekipo svojih otrok.
Aditya Pendyala je višji arhitekt za rešitve pri AWS s sedežem v New Yorku. Ima bogate izkušnje z arhitekturo aplikacij v oblaku. Trenutno sodeluje z velikimi podjetji, da bi jim pomagal oblikovati zelo razširljive, prilagodljive in odporne arhitekture v oblaku ter jih usmerjal glede vseh stvari v oblaku. Ima magisterij iz računalništva na univerzi Shippensburg in verjame v citat "Ko se prenehaš učiti, prenehaš rasti."
Prabhakar Chandrasekaran je višji tehnični vodja računa s podporo za podjetja AWS. Prabhakar uživa v tem, da strankam pomaga zgraditi vrhunske rešitve AI/ML v oblaku. Sodeluje tudi s podjetniškimi strankami, ki jim zagotavlja proaktivno vodenje in operativno pomoč ter jim pomaga izboljšati vrednost njihovih rešitev pri uporabi AWS. Prabhakar ima šest AWS in šest drugih poklicnih certifikatov. Z več kot 20-letnimi poklicnimi izkušnjami je bil Prabhakar podatkovni inženir in vodja programa na področju finančnih storitev, preden se je pridružil AWS.
- 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. Avtomobili/EV, Ogljik, CleanTech, Energija, Okolje, sončna energija, Ravnanje z odpadki. Dostopite tukaj.
- BlockOffsets. Posodobitev okoljskega offset lastništva. Dostopite tukaj.
- vir: https://aws.amazon.com/blogs/machine-learning/recommend-and-dynamically-filter-items-based-on-user-context-in-amazon-personalize/
- :ima
- : je
- :ne
- :kje
- $GOR
- 1
- 10
- 100
- 11
- 12
- 160
- 17
- 20
- 20 let
- 22
- 220
- 23
- 24
- 420
- 7
- 9
- a
- O meni
- pospeši
- dostopna
- dostopen
- Dostop
- Račun
- natančnost
- doseže
- čez
- Ukrep
- dodajanje
- Poleg tega
- Poleg tega
- Prednost
- po
- AI
- AI / ML
- algoritmi
- vsi
- omogoča
- Prav tako
- Čeprav
- Amazon
- Amazonska prilagoditev
- Amazon Web Services
- Amazon.com
- an
- Analiza
- analizirati
- in
- API
- API-ji
- aplikacije
- Arhitektura
- SE
- Array
- AS
- pomoč
- At
- lastnosti
- samodejno
- Na voljo
- AWS
- ozadje
- podloga
- temeljijo
- BE
- ker
- pred
- meni
- poleg tega
- tako
- Brskanje
- izgradnjo
- zgrajena
- vendar
- by
- klic
- poziva
- Akcija
- Kampanje
- CAN
- lahko
- zajemanje
- primeru
- primeri
- Katalog
- certifikati
- izbran
- mesto
- Cloud
- Koda
- hladno
- Stolpec
- COM
- Komedija
- prihajajo
- Skupno
- računalnik
- Računalništvo
- konfiguracija
- upoštevamo
- porabijo
- poraba
- vsebina
- ozadje
- kontekstualno
- stalno
- države
- država
- obrti
- ustvarjajo
- ustvaril
- ustvari
- Ustvarjanje
- Merila
- Trenutna
- Trenutno
- po meri
- stranka
- Stranke, ki so
- meri
- vrhunsko
- datum
- Baze podatkov
- nabor podatkov
- dan
- odločitve
- opredeljen
- Določa
- Stopnja
- dostavo
- Povpraševanje
- demo
- demografske
- razporedi
- razporejeni
- opisano
- desktop
- Ugotovite,
- Razvijalci
- razvoju
- naprava
- naprave
- drugačen
- digitalni
- neposredna
- distribucija
- dokumentarci
- Dokumentarec
- pogon
- 2
- dinamično
- dinamično
- vsak
- lažje
- elektronskem poslovanju
- učinkovitost
- prizadevanje
- E-naslov
- Email Marketing
- omogoča
- Končna točka
- Motor
- inženir
- okrepi
- zagotoviti
- Podjetje
- podjetja
- Tudi vsak
- Primer
- izključuje
- obstoječih
- izkušnje
- Doživetja
- obsežen
- Obširne izkušnje
- družina
- Feature
- Lastnosti
- Fiction
- Polje
- Področja
- file
- filmi
- filter
- končno
- finančna
- finančne storitve
- prilagodljiv
- sledi
- po
- za
- iz
- polno
- v celoti
- funkcija
- funkcije
- Prehod
- zbranih
- ustvarjajo
- dobili
- pridobivanje
- Cilji
- goes
- skupina
- Grow
- Navodila
- Vodniki
- Imajo
- he
- Glave
- pomoč
- pomoč
- Pomaga
- zelo
- njegov
- zgodovinski
- zgodovina
- drži
- horror
- Kako
- Kako
- HTML
- http
- HTTPS
- ID
- if
- uvoz
- Pomembno
- izboljšanje
- in
- vključujejo
- vključeno
- Vključno
- industrij
- vplivajo
- Podatki
- Infrastruktura
- vhod
- integrirati
- integracija
- Inteligentna
- interakcijo
- interakcije
- interakcije
- v
- vlaganjem
- IT
- Izdelkov
- pridružil
- jpg
- samo
- Vedite
- znano
- Pomanjkanje
- velika
- Velika podjetja
- pozneje
- Vodja
- UČITE
- učenje
- Knjižnica
- kot
- všeč mi je
- kraj aktivnosti
- Logika
- Long
- ljubi
- stroj
- strojno učenje
- Znamka
- Izdelava
- upravlja
- upravitelj
- upravlja
- več
- Trženje
- mojster
- smiselna
- metapodatki
- ML
- Mobilni
- mobilne naprave
- Model
- modeli
- več
- Najbolj
- filmi
- več
- Mystery
- Ime
- Imena
- krmarjenje
- potrebno
- mreženje
- Novo
- novice
- Naslednja
- Opažam
- NYC
- of
- on
- samo
- Odpre
- operativno
- operacije
- Priložnost
- or
- poreklo
- Ostalo
- naši
- ven
- zunaj
- več
- parameter
- parametri
- mimo
- opravil
- strastno
- preteklosti
- Vzorec
- vzorci
- Obdobje
- personalizacija
- prilagodite
- Prilagojene
- faza
- telefon
- platforma
- platon
- Platonova podatkovna inteligenca
- PlatoData
- igral
- politika
- Popular
- Prispevek
- razglednico
- poganja
- Napovedi
- prednostno
- pripravljeni
- predstavljeni
- prej
- Predhodna
- Proaktivna
- Postopek
- Izdelek
- Izdelki
- strokovni
- profil
- Program
- spodbujanje
- zagotavljajo
- če
- zagotavlja
- zagotavljanje
- proxy
- namene
- kvota
- v realnem času
- prejeti
- Recept
- Priporočamo
- Priporočilo
- Priporočila
- priporočilo
- zapis
- nanaša
- o
- okolica
- pomembno
- zastopanje
- zahteva
- zahteva
- obvezna
- zahteva
- Zahteve
- zahteva
- pridržane
- odporno
- viri
- oziroma
- Odzove
- REST
- Rezultati
- vrnitev
- Pot
- Run
- sagemaker
- Enako
- pravijo,
- razširljive
- Znanost
- Znanstvena fantastika
- Sezona
- oddelki
- varnost
- glej
- višji
- služijo
- Storitev
- Storitve
- nastavite
- nastavitev
- Prikaži
- pokazale
- Razstave
- podobnosti
- Enostavno
- sam
- situacije
- SIX
- pametna
- Smart TV
- So
- Soccer
- Rešitev
- rešitve
- nekaj
- Vesolje
- specifična
- preživeti
- Korak
- Koraki
- shranjeni
- String
- Struktura
- taka
- podpora
- sistemi
- Tablet
- prilagojene
- Bodite
- skupina
- tehnični
- Tehnologija
- Predloga
- Test
- da
- O
- njihove
- Njih
- Tukaj.
- te
- stvari
- ta
- skozi
- čas
- Časovni žig
- do
- orodja
- vrh
- Vlak
- usposobljeni
- usposabljanje
- vlaki
- Transform
- transformacije
- Res
- tv
- tip
- Vrste
- univerza
- neznan
- URL
- us
- uporaba
- primeru uporabe
- Rabljeni
- uporabnik
- Uporabniška izkušnja
- Uporabniki
- uporablja
- uporabo
- navadno
- vrednost
- Vrednote
- različica
- Video
- video na zahtevo
- Video posnetki
- je
- we
- Vreme
- web
- spletne storitve
- spletne strani
- teden
- vikend
- kdaj
- medtem
- WHO
- široka
- bo
- z
- v
- delo
- delal
- deluje
- deluje
- vredno
- let
- Vi
- Vaša rutina za
- zefirnet