Anpassa dina rekommendationer genom att marknadsföra specifika föremål med hjälp av affärsregler med Amazon Personalize

Idag är vi glada att meddela kampanjer funktion i Amazon Personalize som låter dig uttryckligen rekommendera specifika objekt till dina användare baserat på regler som är i linje med dina affärsmål. Du kan till exempel ha marknadsföringspartnerskap som kräver att du marknadsför vissa varumärken, internt innehåll eller kategorier som du vill förbättra synligheten för. Kampanjer ger dig mer kontroll över rekommenderade varor. Du kan definiera affärsregler för att identifiera reklamartiklar och visa upp dem i hela din användarbas, utan extra kostnad. Du kontrollerar också procentandelen av det marknadsförda innehållet i dina rekommendationer. Amazon Personalize hittar automatiskt relevanta föremål i uppsättningen reklamartiklar som uppfyller din affärsregel och distribuerar dem inom varje användares rekommendationer.

Amazon Personalize gör det möjligt för dig att förbättra kundernas engagemang genom att driva personliga produkt- och innehållsrekommendationer på webbplatser, applikationer och riktade marknadsföringskampanjer. Du kan komma igång utan tidigare erfarenhet av maskininlärning (ML) genom att använda API:er för att enkelt bygga sofistikerade anpassningsmöjligheter med några få klick. All din data är krypterad för att vara privat och säker, och används endast för att skapa rekommendationer för dina användare.

I det här inlägget visar vi hur du anpassar dina rekommendationer med den nya kampanjfunktionen för ett e-handelsfall.

Lösningsöversikt

Olika företag kan använda kampanjer baserat på sina individuella mål för den typ av innehåll de vill öka engagemanget för. Du kan använda kampanjer för att få en procentandel av dina rekommendationer att vara av en viss typ för alla program oavsett domän. Till exempel, i e-handelsapplikationer kan du använda den här funktionen för att 20 % av de rekommenderade artiklarna ska vara de som är markerade som på rea, eller från ett visst varumärke eller kategori. För video-on-demand användningsfall kan du använda den här funktionen för att fylla 40 % av en karusell med nyligen lanserade program och filmer som du vill lyfta fram, eller för att marknadsföra liveinnehåll. Du kan använda kampanjer i domändatauppsättningsgrupper och anpassade datasetgrupper (Användaranpassning och Liknande artiklar recept).

Amazon Personalize gör det enkelt att konfigurera kampanjer: skapa först ett filter som väljer de objekt du vill marknadsföra. Du kan använda Amazon Personalize-konsolen eller API för att skapa ett filter med din logik med hjälp av Amazon Personalize DSL (domänspecifikt språk). Det tar bara några minuter. När du sedan begär rekommendationer, ange kampanjen genom att ange filtret, procentandelen av rekommendationerna som ska matcha det filtret och, om så krävs, de dynamiska filterparametrarna. De marknadsförda föremålen fördelas slumpmässigt i rekommendationerna, men befintliga rekommendationer tas inte bort.

Följande diagram visar hur du kan använda kampanjer i rekommendationer i Amazon Personalize.

Du definierar objekten som ska marknadsföras i katalogsystemet, laddar dem till Amazon Personalize-objektdataset och får sedan rekommendationer. Att få rekommendationer utan att ange en kampanj returnerar de mest relevanta varorna, och i det här exemplet endast en vara från de marknadsförda varorna. Det finns ingen garanti för att marknadsförda varor returneras. Att få rekommendationer med 50 % marknadsförda varor returnerar hälften av de varor som tillhör de marknadsförda föremålen.

Det här inlägget leder dig genom processen att definiera och tillämpa kampanjer i dina rekommendationer i Amazon Personalize för att säkerställa att resultaten från en kampanj eller rekommendator innehåller specifika föremål som du vill att användarna ska se. För det här exemplet skapar vi en detaljhandelsrekommendator och marknadsför artiklar med CATEGORY_L2 as halloween, vilket motsvarar Halloween-dekorationer. Ett kodexempel för detta användningsfall finns tillgängligt på GitHub.

Förutsättningar

För att använda kampanjer måste du först ställa in några Amazon Personalize-resurser på Amazon Personalize-konsolen. Skapa din datauppsättningsgrupp, ladda din data och träna en rekommendator. För fullständiga instruktioner, se Komma igång.

1. Skapa en datauppsättningsgrupp.
2. Skapa ett Interactions dataset med hjälp av följande schema:

   {
       "type": "record",
       "name": "Interactions",
       "namespace": "com.amazonaws.personalize.schema",
       "fields": [
           {
               "name": "USER_ID",
               "type": "string"
           },
           {
               "name": "ITEM_ID",
               "type": "string"
           },
           {
               "name": "TIMESTAMP",
               "type": "long"
           },
           {
               "name": "EVENT_TYPE",
               "type": "string"
           }
       ],
       "version": "1.0"
   }

3. Importera interaktionsdata till Amazon Anpassa från Amazon enkel lagringstjänst (Amazon S3). För detta exempel använder vi följande datafil. Vi genererade syntetiska data baserat på koden i Retail Demo Store-projekt. Se GitHub-repo för att lära dig mer om data och potentiella användningsområden.
4. Skapa ett Items dataset med följande schema:

   {
       "type": "record",
       "name": "Items",
       "namespace": "com.amazonaws.personalize.schema",
       "fields": [
           {
               "name": "ITEM_ID",
               "type": "string"
           },
           {
               "name": "PRICE",
               "type": "float"
           },
           {
               "name": "CATEGORY_L1",
               "type": ["string"],
               "categorical": true
           },
           {
               "name": "CATEGORY_L2",
               "type": ["string"],
               "categorical": true
           },
           {
               "name": "GENDER",
               "type": ["string"],
               "categorical": true
           }
       ],
       "version": "1.0"
   }

5. Importera artikeldata till Amazon Personalize från Amazon S3. För detta exempel använder vi följande datafil, baserat på koden i Retail Demo Store-projekt.För mer information om att formatera och importera dina interaktioner och objektdata från Amazon S3, se Importera massposter.
6. Skapa en rekommendator. I det här exemplet skapar vi en "Rekommenderas för dig"-rekommenderare.

Skapa ett filter för dina kampanjer

Nu när du har ställt in dina Amazon Personalize-resurser kan du skapa en filtrera som väljer artiklarna för din kampanj.

Du kan skapa ett statiskt filter där alla variabler hårdkodas vid filterskapandet. Till exempel för att lägga till alla objekt som har CATEGORY_L2 as halloween, använd följande filteruttryck:

INCLUDE ItemID WHERE Items.CATEGORY_L2 IN ("halloween")

Du kan också skapa dynamiska filter. Dynamiska filter är anpassningsbara i realtid när du begär rekommendationerna. För att skapa ett dynamiskt filter definierar du dina filteruttryckskriterier med en platshållarparameter istället för ett fast värde. Detta gör att du kan välja de värden som ska filtreras genom att tillämpa ett filter på en rekommendationsförfrågan, snarare än när du skapar ditt uttryck. Du tillhandahåller ett filter när du ringer till Få rekommendationer or GetPersonalizedRanking API-operationer, eller som en del av dina indata när du genererar rekommendationer i batch-läge genom en parti inferens jobb.

Till exempel, för att välja alla objekt i en kategori som valts när du gör ditt slutledningsanrop med ett filter tillämpat, använd följande filteruttryck:

INCLUDE ItemID WHERE Items.CATEGORY_L2 IN ($CATEGORY)

Du kan använda föregående DSL för att skapa ett anpassningsbart filter på Amazon Personalize-konsolen. Slutför följande steg:

1. På Amazon Personalize-konsolen, på filter sida, välj Skapa filter.
2. För Filternamn, ange namnet på ditt filter (för det här inlägget anger vi category_filter).
3. Välja Bygg uttryck eller lägg till ditt uttryck manuellt för att skapa ditt anpassade filter.
4. Bygg uttrycket "Inkludera ItemID VAR Items.CATEGORY_L2 IN $CATEGORY"För Värdeanger du ett värde på $ plus ett parameternamn som liknar ditt egendomsnamn och lätt att komma ihåg (för det här exemplet, $CATEGORY).
5. Om du vill koppla samman ytterligare uttryck med ditt filter kan du välja plustecknet.
6. För att lägga till ytterligare filteruttryck väljer du Lägg till uttryck.
7. Välja Skapa filter.
   

Du kan också skapa filter via createFilter API i Amazon Anpassa. För mer information, se Skapa filter.

Tillämpa kampanjer på dina rekommendationer

Tillämpa a filtrera när få rekommendationer är ett bra sätt att skräddarsy dina rekommendationer till specifika kriterier. Användning av filter tillämpar dock filtret direkt på alla rekommendationer som returneras. När du använder kampanjer kan du välja hur stor procentandel av rekommendationerna som motsvarar de marknadsförda föremålen, vilket gör att du kan blanda och matcha personliga rekommendationer och de bästa föremålen som matchar marknadsföringskriterierna för varje användare i de proportioner som är rimliga för ditt affärsanvändningsfall.

Följande exempelkod är ett förfrågningsorgan för GetRecommendations API som får rekommendationer för en användare som använder "Rekommenderat för dig" rekommenderar:

{
    "recommenderArn" = "arn:aws:personalize:us-west-2:000000000000:recommender/test-recommender",
    userId = "1",
    numResults = 20
}

Denna begäran returnerar personliga rekommendationer för den angivna användaren. Av artiklarna i katalogen är dessa de 20 mest relevanta artiklarna för användaren.

Vi kan göra samma anrop och använda ett filter för att endast returnera objekt som matchar filtret. Följande exempelkod är en begärandekropp för GetRecommendations API som får rekommendationer för en användare som använder rekommendationen "Rekommenderas för dig" och tillämpar en dynamiskt filter att endast returnera relevanta varor som har CATEGORY_L2 as halloween:

{
    "recommenderArn" = "arn:aws:personalize:us-west-2:000000000000:recommender/test-recommender",
    userId = "1",
    numResults = 20,
    filterArn = "arn:aws:personalize:us-west-2:000000000000:filter/category_filter",
    filterValues={ "CATEGORY": ""halloween""}
}

Denna begäran returnerar personliga rekommendationer för den angivna användaren som har CATEGORY_L2 as halloween. Av artiklarna i katalogen är dessa de 20 mest relevanta artiklarna med CATEGORY_L2 as halloween för användaren.

Du kan använda kampanjer om du vill att en viss procentandel av artiklarna ska ha ett attribut som du vill marknadsföra, och resten ska vara de artiklar som är mest relevanta för denna användare av alla artiklar i katalogen. Vi kan göra samma samtal och tillämpa en kampanj. Följande exempelkod är en begärandekropp för GetRecommendations API som får rekommendationer för en användare som använder rekommendationen "Rekommenderas för dig" och tillämpar en kampanj för att inkludera en viss procentandel av relevanta varor som har CATEGORY_L2 as halloween:

{
    recommenderArn = "arn:aws:personalize:us-west-2:000000000000:recommender/test-recommender",
    userId = "1",
    numResults = 20,
    promotions = [{
        "name" : "halloween_promotion",
        "percentPromotedItems" : 20,
        "filterArn": "arn:aws:personalize:us-west-2:000000000000:filter/category_filter",
        "filterValues": {
            "CATEGORY" : ""halloween""
        }
    }]
}

Denna begäran returnerar 20 % av rekommendationerna som matchar filtret som anges i kampanjen: artiklar med CATEGORY_L2 as halloween; och 80 % personliga rekommendationer för den angivna användaren som är de mest relevanta föremålen för användaren av föremålen i katalogen.

Du kan använda ett filter i kombination med kampanjer. Filtret i parameterblocket på översta nivån gäller endast de icke-marknadsförda objekten.

Filtret för att välja de marknadsförda objekten anges i promotions parameterblock. Följande exempelkod är en begärandekropp för GetRecommendations API som får rekommendationer för en användare som använder rekommendationen "Recommended for You" och använder det dynamiska filtret som vi har använt två gånger. Det första filtret gäller icke-marknadsförda artiklar, välja artiklar med CATEGORY_L2 as decorative, och det andra filtret gäller kampanjen, marknadsföring av objekt med CATEGORY_L2 as halloween:

{
    recommenderArn = "arn:aws:personalize:us-west-2:000000000000:recommender/test-recommender",
    userId = "1",
    numResults = 20,
    "filterArn": "arn:aws:personalize:us-west-2:000000000000:filter/category_filter",
    "filterValues": {
        "CATEGORY" : ""decorative""
    }
    promotions = [{
        "name" : "halloween_promotion",
        "percentPromotedItems" : 20,
        "filterArn": "arn:aws:personalize:us-west-2:000000000000:filter/category_filter",
        "filterValues": {
            "CATEGORY" : ""halloween""
        }
    }]
}

Denna begäran returnerar 20 % av rekommendationerna som matchar filtret som anges i kampanjen: artiklar med CATEGORY_L2 as halloween. De återstående 80 % av de rekommenderade artiklarna är personliga rekommendationer för den angivna användaren CATEGORY_L2 as decorative. Dessa är de mest relevanta artiklarna för användaren av artiklarna i katalogen med CATEGORY_L2 as decorative.

Städa upp

Se till att du städar bort alla oanvända resurser som du skapat i ditt konto samtidigt som du följer stegen som beskrivs i det här inlägget. Du kan ta bort filter, rekommendationer, datamängder och datasetgrupper via AWS Management Console eller med Python SDK.

Sammanfattning

Lägga kampanjer  i Amazon Personalize låter dig anpassa dina rekommendationer för varje användare genom att inkludera objekt som du uttryckligen vill öka synlighet och engagemang för. Kampanjer låter dig också ange vilken procentandel av de rekommenderade föremålen som ska vara marknadsförda föremål, vilket skräddarsyr rekommendationerna för att uppfylla dina affärsmål utan extra kostnad. Du kan använda kampanjer för rekommendationer genom att använda recepten för användaranpassning och liknande artiklar, samt använda falloptimerade rekommendationer.

För mer information om Amazon Personalize, se Vad är Amazon personifiera?

Om författarna

Anna Gruebler är lösningsarkitekt på AWS.

Alex Burkleaux är lösningsarkitekt på AWS. Hon fokuserar på att hjälpa kunder att tillämpa maskininlärning och dataanalys för att lösa problem inom media- och underhållningsbranschen. På fritiden njuter hon av att umgås med familjen och frivilligt arbeta som skidpatrullör vid sin lokala skidbacke.

Liam Morrison är Solutions Architect Manager på AWS. Han leder ett team fokuserat på Marketing Intelligence-tjänster. Han har tillbringat de senaste 5 åren fokuserat på praktiska tillämpningar av maskininlärning inom media och underhållning, och hjälpt kunder att implementera personalisering, naturlig språkbehandling, datorseende och mer.