Kuruluşlar, kullanıcılarına özelleştirilmiş ve alakalı içerik sunmak için akıllı öneri çözümleri geliştirmeye sürekli olarak zaman ve çaba harcıyor. Hedefler çok olabilir: kullanıcı deneyimini dönüştürmek, anlamlı etkileşim oluşturmak ve içerik tüketimini artırmak. Bu çözümlerden bazıları, geçmiş etkileşim modelleri, kullanıcı demografik özellikleri, ürün benzerlikleri ve grup davranışı üzerine kurulu yaygın makine öğrenimi (ML) modellerini kullanır. Bu özelliklerin yanı sıra, etkileşim sırasındaki bağlam (hava durumu, konum vb.), kullanıcıların içerikte gezinirken verdikleri kararları etkileyebilir.
Bu gönderide, etkinliğinizi artırmak için kullanıcının mevcut cihaz türünü bağlam olarak nasıl kullanacağınızı gösteriyoruz. Amazon Kişiselleştirdayalı öneriler. Ek olarak, önerileri dinamik olarak filtrelemek için böyle bir bağlamın nasıl kullanılacağını gösteriyoruz. Bu gönderi, Amazon Personalize'ın isteğe bağlı video (VOD) kullanım durumu için nasıl kullanılabileceğini gösterse de, Amazon Personalize'ın birden çok sektörde kullanılabileceğini belirtmekte fayda var.
Amazon Kişiselleştirme nedir?
Amazon Personalize, geliştiricilerin gerçek zamanlı kişiselleştirilmiş öneriler için Amazon.com tarafından kullanılanla aynı makine öğrenimi teknolojisiyle desteklenen uygulamalar oluşturmasına olanak tanır. Amazon Personalize, belirli ürün önerileri, kişiselleştirilmiş ürün yeniden sıralaması ve özelleştirilmiş doğrudan pazarlama dahil olmak üzere çok çeşitli kişiselleştirme deneyimleri sunma yeteneğine sahiptir. Ayrıca tamamen yönetilen bir yapay zeka hizmeti olan Amazon Personalize, makine öğrenimi ile müşterilerin dijital dönüşümlerini hızlandırarak kişiselleştirilmiş önerilerin mevcut web sitelerine, uygulamalara, e-posta pazarlama sistemlerine ve daha fazlasına entegre edilmesini kolaylaştırır.
Bağlam neden önemlidir?
Bir kullanıcının konum, günün saati, cihaz türü ve hava durumu gibi bağlamsal meta verilerini kullanmak, mevcut kullanıcılar için kişiselleştirilmiş deneyimler sağlar ve yeni veya tanımlanamayan kullanıcılar için soğuk başlangıç aşamasını iyileştirmeye yardımcı olur. bu soğuk başlatma aşaması öneri motorunuzun, söz konusu kullanıcıyla ilgili geçmiş bilgilerinin olmaması nedeniyle kişiselleştirilmemiş öneriler sağladığı dönemi ifade eder. Öğeleri filtrelemek ve tanıtmak için başka gereksinimlerin olduğu durumlarda (haberlerde ve hava durumunda), bir kullanıcının mevcut bağlamını (mevsim veya günün saati) eklemek, önerileri dahil ederek ve hariç tutarak doğruluğu artırmaya yardımcı olur.
Kullanıcıya şovlar, belgeseller ve filmler öneren bir VOD platformu örneğini ele alalım. Davranış analizine dayanarak, VOD kullanıcılarının sitcom'lar gibi daha kısa içerikleri mobil cihazlarda ve filmler gibi daha uzun içerikleri TV'lerinde veya masaüstlerinde tüketme eğiliminde olduklarını biliyoruz.
Çözüme genel bakış
Bir kullanıcının cihaz türünü dikkate alma örneğini genişleterek, Amazon Personalize'ın bir kullanıcının cihazının tercih ettikleri içerik türleri üzerindeki etkisini otomatik olarak öğrenebilmesi için bu bilgilerin bağlam olarak nasıl sağlanacağını gösteriyoruz.
İçeriğin otomatik olarak Amazon Personalize'a nasıl aktarılabileceğini göstermek için aşağıdaki diyagramda gösterilen mimari modelini izliyoruz. İçeriğin otomatik olarak türetilmesi, Amazon CloudFront REST API gibi isteklere dahil edilen başlıklar Amazon API Ağ Geçidi bu çağıran bir AWS Lambda önerileri alma işlevi. adresinde bulunan tam kod örneğine bakın. GitHub deposu. biz sağlamak AWS CloudFormation gerekli kaynakları oluşturmak için şablon.
Aşağıdaki bölümlerde, örnek mimari modelinin her adımının nasıl kurulacağını inceleyeceğiz.
Bir tarif seçin
Tarifler, belirli kullanım durumları için hazırlanan Amazon Personalize algoritmalarıdır. Amazon Personalize, eğitim modelleri için yaygın kullanım örneklerini temel alan tarifler sağlar. Kullanım durumumuz için, Kullanıcı Kişiselleştirme tarifini kullanarak basit bir Amazon Personalize özel öneri aracı oluşturuyoruz. Etkileşim veri kümesine dayalı olarak bir kullanıcının etkileşimde bulunacağı öğeleri tahmin eder. Ek olarak, bu tarif, varsa önerileri etkilemek için öğeleri ve kullanıcı veri kümelerini de kullanır. Bu tarifin nasıl çalıştığı hakkında daha fazla bilgi edinmek için bkz. Kullanıcı Kişiselleştirme tarifi.
Veri kümesi oluşturma ve içe aktarma
Bağlamdan yararlanmak, etkileşimli bağlam değerlerinin belirtilmesini gerektirir, böylece tavsiye verenler, modelleri eğitirken bağlamı özellikler olarak kullanabilir. Ayrıca, çıkarım zamanında kullanıcının mevcut bağlamını da sağlamalıyız. Etkileşim şeması (aşağıdaki koda bakın), kullanıcılardan öğelere geçmiş ve gerçek zamanlı etkileşim verilerinin yapısını tanımlar. bu USER_ID
, ITEM_ID
, ve TIMESTAMP
alanlar, bu veri kümesi için Amazon Personalize tarafından zorunludur. DEVICE_TYPE
kullanıcının mevcut bağlamını yakalamak ve model eğitimine dahil etmek için bu örnek için eklediğimiz özel bir kategorik alandır. Amazon Personalize, modelleri eğitmek ve öneri kampanyaları oluşturmak için bu etkileşim veri kümesini kullanır.
Benzer şekilde, ürün şeması (aşağıdaki koda bakın) ürün ve video kataloğu verilerinin yapısını tanımlar. bu ITEM_ID
Bu veri kümesi için Amazon Personalize tarafından gereklidir. CREATION_TIMESTAMP
ayrılmış bir sütun adıdır ancak zorunlu değildir. GENRE
ve ALLOWED_COUNTRIES
videonun türünü ve videoların oynatılmasına izin verilen ülkeleri yakalamak için bu örnek için eklediğimiz özel alanlardır. Amazon Personalize, modelleri eğitmek ve öneri kampanyaları oluşturmak için bu ürün veri kümesini kullanır.
Bizim bağlamımızda, tarihsel veri VOD platformundaki videolar ve öğelerle son kullanıcı etkileşim geçmişini ifade eder. Bu veriler genellikle uygulamanın veritabanında toplanır ve saklanır.
Demo amaçlı olarak, 3 aylık bir süre boyunca farklı öğeler, kullanıcılar ve cihaz türleriyle etkileşim veri kümesiyle dalga geçen bazı test verileri oluşturmak için Python'un Faker kitaplığını kullanıyoruz. Şema ve girdi etkileşimleri dosya konumu tanımlandıktan sonra sonraki adımlar, bir veri kümesi grubu oluşturmak, etkileşimler veri kümesini veri kümesi grubuna dahil etmek ve son olarak, aşağıdaki kod parçacıklarında gösterildiği gibi eğitim verilerini veri kümesine aktarmaktır:
Geçmiş verileri toplayın ve modeli eğitin
Bu adımda, seçilen reçeteyi tanımlıyor ve daha önce tanımlanmış veri seti grubuna atıfta bulunarak bir çözüm ve çözüm versiyonu oluşturuyoruz. Özel bir çözüm oluşturduğunuzda, bir tarif belirtir ve eğitim parametrelerini yapılandırırsınız. Çözüm için bir çözüm sürümü oluşturduğunuzda Amazon Personalize, çözüm sürümünü destekleyen modeli tarif ve eğitim yapılandırmasına göre eğitir. Aşağıdaki koda bakın:
Bir kampanya uç noktası oluşturun
Modelinizi eğittikten sonra, onu bir kampanya. Bir kampanya, eğitilen modeliniz için otomatik ölçeklendirmeli bir uç nokta oluşturur ve yönetir. GetRecommendations
API. Daha sonraki bir adımda, cihaz türünü bağlam olarak otomatik olarak parametre olarak iletmek ve kişiselleştirilmiş öneriler almak için bu kampanya uç noktasını kullanırız. Aşağıdaki koda bakın:
Dinamik filtre oluştur
Oluşturulan kampanyadan öneriler alırken, sonuçları özel kriterlere göre filtreleyebilirsiniz. Örneğimizde, yalnızca kullanıcının bulunduğu ülkeden oynatılmasına izin verilen videoları önerme gereksinimini karşılamak için bir filtre oluşturuyoruz. Ülke bilgisi, CloudFront HTTP başlığından dinamik olarak iletilir.
Lambda işlevi oluşturma
Mimarimizdeki bir sonraki adım, CloudFront dağıtımından gelen API isteklerini işlemek ve Amazon Personalize kampanya uç noktasını çağırarak yanıt vermek için bir Lambda işlevi oluşturmaktır. Bu Lambda işlevinde, sırasıyla kullanıcının cihaz türünü ve kullanıcı kimliğini belirlemek için aşağıdaki CloudFront isteğinin HTTP başlıklarını ve sorgu dizesi parametrelerini analiz etmek için mantık tanımlarız:
CloudFront-Is-Desktop-Viewer
CloudFront-Is-Mobile-Viewer
CloudFront-Is-SmartTV-Viewer
CloudFront-Is-Tablet-Viewer
CloudFront-Viewer-Country
Bu işlevi oluşturma kodu, CloudFormation şablonu aracılığıyla dağıtılır.
Bir REST API'si oluşturun
Lambda işlevinin ve Amazon Personalize kampanya uç noktasının CloudFront dağıtımı tarafından erişilebilir olmasını sağlamak için Lambda proxy'si olarak ayarlanmış bir REST API uç noktası oluşturuyoruz. API Gateway, HTTP isteklerini Lambda işlevlerine yönlendiren API'ler oluşturmak ve belgelemek için araçlar sağlar. Lambda proxy entegrasyon özelliği, CloudFront'un istekleri özetleyen tek bir Lambda işlevini Amazon Personalize kampanya uç noktasına çağırmasına olanak tanır. Bu işlevi oluşturma kodu, CloudFormation şablonu aracılığıyla dağıtılır.
CloudFront dağıtımı oluşturma
Bir CloudFront dağıtımı oluştururken, bu bir demo kurulumu olduğundan, özel bir önbelleğe alma ilkesi kullanarak önbelleğe almayı devre dışı bırakarak, isteğin her seferinde kaynağa gitmesini sağlıyoruz. Ek olarak, bir kaynak isteğine dahil edilen gerekli HTTP başlıklarını ve sorgu dizesi parametrelerini belirten bir kaynak istek politikası kullanırız. Bu işlevi oluşturma kodu, CloudFormation şablonu aracılığıyla dağıtılır.
Test önerileri
CloudFront dağıtımının URL'sine farklı cihazlardan (masaüstü, tablet, telefon vb.) erişildiğinde, cihazlarıyla en alakalı kişiselleştirilmiş video önerileri görebiliriz. Ayrıca, soğuk bir kullanıcı sunulursa, kullanıcının cihazına özel öneriler sunulur. Aşağıdaki örnek çıktılarda, videoların adları, ilişkilendirilebilir hale getirmek için yalnızca türlerinin ve çalışma zamanlarının temsili için kullanılmıştır.
Aşağıdaki kodda, geçmiş etkileşimlere dayalı olarak komediyi seven ve bir telefon cihazından erişim sağlayan bilinen bir kullanıcıya daha kısa durum komedileri sunulmaktadır:
Aşağıdaki bilinen kullanıcıya, geçmiş etkileşimlere dayalı olarak bir akıllı TV cihazından erişim sağladığında uzun metrajlı filmler sunulur:
Bir telefondan erişen soğuk (bilinmeyen) bir kullanıcıya daha kısa ama popüler şovlar sunulur:
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
Masaüstünden erişen soğuk (bilinmeyen) bir kullanıcıya en iyi bilim kurgu filmleri ve belgeselleri sunulur:
Bir telefondan erişen aşağıdaki bilinen kullanıcı, konuma (ABD) göre filtrelenmiş öneriler getiriyor:
Sonuç
Bu gönderide, önerilerinizi daha alakalı hale getirmek için kullanıcı cihazı türünün bağlamsal veri olarak nasıl kullanılacağını açıkladık. Amazon Personalize modellerini eğitmek için bağlamsal meta verileri kullanmak, yalnızca profil verilerinden değil, aynı zamanda bir göz atma cihazı platformundan da hem yeni hem de mevcut kullanıcılarla alakalı ürünler önermenize yardımcı olacaktır. Sadece bu da değil, konum (ülke, şehir, bölge, posta kodu) ve saat (haftanın günü, hafta sonu, hafta içi, sezon) gibi bağlamlar, kullanıcıyla ilişkilendirilebilir önerilerde bulunma fırsatı sunar. Tam kod örneğini, bölümümüzde sağlanan CloudFormation şablonunu kullanarak çalıştırabilirsiniz. GitHub deposu ve not defterlerini klonlamak Amazon SageMaker Stüdyosu.
Yazarlar Hakkında
Gilles-Kuessan Satçivi ağ oluşturma, altyapı, güvenlik ve BT operasyonlarında geçmişe sahip bir AWS Kurumsal Çözümler Mimarıdır. Müşterilerin AWS'de Well-Architected sistemleri oluşturmasına yardımcı olma konusunda tutkulu. AWS'ye katılmadan önce 17 yıl e-ticaret alanında çalıştı. İş dışında ailesiyle vakit geçirmeyi ve çocuklarının futbol takımına tezahürat yapmayı seviyor.
Aditya Pendyala NYC merkezli AWS'de Kıdemli Çözüm Mimarıdır. Bulut tabanlı uygulamaların mimarisinde geniş deneyime sahiptir. Şu anda yüksek düzeyde ölçeklenebilir, esnek ve dayanıklı bulut mimarileri oluşturmalarına yardımcı olmak için büyük kuruluşlarla çalışıyor ve onlara bulutla ilgili her konuda rehberlik ediyor. Shippensburg Üniversitesi'nden Bilgisayar Bilimleri alanında yüksek lisans derecesine sahiptir ve "Öğrenmeyi bıraktığınızda büyümeyi de durdurursunuz" sözüne inanıyor.
Prabhakar Chandrasekaran AWS Enterprise Support'a sahip bir Kıdemli Teknik Hesap Yöneticisidir. Prabhakar, müşterilerinin bulutta son teknoloji AI/ML çözümleri oluşturmasına yardımcı olmaktan keyif alıyor. Ayrıca proaktif rehberlik ve operasyonel yardım sağlayan kurumsal müşterilerle birlikte çalışarak AWS'yi kullanırken çözümlerinin değerini artırmalarına yardımcı olur. Prabhakar, altı AWS ve diğer altı profesyonel sertifikaya sahiptir. 20 yılı aşkın profesyonel deneyime sahip Prabhakar, AWS'ye katılmadan önce finansal hizmetler alanında bir veri mühendisi ve program lideriydi.
- SEO Destekli İçerik ve Halkla İlişkiler Dağıtımı. Bugün Gücünüzü Artırın.
- PlatoData.Network Dikey Üretken Yapay Zeka. Kendine güç ver. Buradan Erişin.
- PlatoAiStream. Web3 Zekası. Bilgi Genişletildi. Buradan Erişin.
- PlatoESG. Otomotiv / EV'ler, karbon, temiz teknoloji, Enerji, Çevre, Güneş, Atık Yönetimi. Buradan Erişin.
- Blok Ofsetleri. Çevre Dengeleme Sahipliğini Modernleştirme. Buradan Erişin.
- Kaynak: https://aws.amazon.com/blogs/machine-learning/recommend-and-dynamically-filter-items-based-on-user-context-in-amazon-personalize/
- :vardır
- :dır-dir
- :olumsuzluk
- :Neresi
- $UP
- 1
- 10
- 100
- 11
- 12
- 160
- 17
- 20
- 20 yıl
- 22
- 220
- 23
- 24
- 420
- 7
- 9
- a
- Hakkımızda
- hızlandırır
- erişilen
- ulaşılabilir
- erişme
- Hesap
- doğruluk
- elde
- karşısında
- Action
- ekleme
- ilave
- Ayrıca
- avantaj
- Sonra
- AI
- AI / ML
- algoritmalar
- Türkiye
- veriyor
- Ayrıca
- Rağmen
- Amazon
- Amazon Kişiselleştir
- Amazon Web Servisleri
- Amazon.com
- an
- analiz
- çözümlemek
- ve
- api
- API'ler
- uygulamaları
- mimari
- ARE
- Dizi
- AS
- Yardım
- At
- öznitelikleri
- otomatik olarak
- mevcut
- AWS
- arka fon
- destek
- merkezli
- BE
- Çünkü
- önce
- inanıyor
- dışında
- her ikisi de
- Tarama
- inşa etmek
- yapılı
- fakat
- by
- çağrı
- aramalar
- Kampanya
- Kampanyalar
- CAN
- yetenekli
- ele geçirmek
- dava
- durumlarda
- katalog
- sertifikalar
- seçilmiş
- Şehir
- bulut
- kod
- soğuk
- Sütun
- COM
- Komedi
- gelecek
- ortak
- bilgisayar
- Bilgisayar Bilimleri
- yapılandırma
- düşünen
- tüketmek
- tüketim
- içerik
- bağlam
- bağlamsal
- devamlı olarak
- ülkeler
- ülke
- zanaat
- yaratmak
- çevrimiçi kurslar düzenliyorlar.
- oluşturur
- Oluşturma
- kriterleri
- akım
- Şu anda
- görenek
- müşteri
- Müşteriler
- özelleştirilmiş
- keskin kenar
- veri
- veritabanı
- veri kümeleri
- gün
- kararlar
- tanımlı
- tanımlar
- derece
- teslim
- Talep
- gösteri
- demografik
- dağıtmak
- konuşlandırılmış
- tarif edilen
- masaüstü
- Belirlemek
- geliştiriciler
- gelişen
- cihaz
- Cihaz
- farklı
- dijital
- direkt
- dağıtım
- belgeseller
- belgesel
- sürücü
- gereken
- dinamik
- dinamik
- her
- kolay
- e-ticaret
- etki
- çaba
- E-posta
- E-posta Pazarlama
- sağlar
- Son nokta
- Motor
- mühendis
- artırmak
- sağlanması
- kuruluş
- işletmelerin
- Her
- örnek
- hariç
- mevcut
- deneyim
- Deneyimler
- kapsamlı, geniş
- Kapsamlı Deneyim
- aile
- Özellikler(Hazırlık aşamasında)
- Özellikler
- Kurgu
- alan
- Alanlar
- fileto
- filmler
- filtre
- Nihayet
- mali
- finansal hizmetler
- esnek
- takip et
- takip etme
- İçin
- itibaren
- tam
- tamamen
- işlev
- fonksiyonlar
- geçit
- toplanmış
- oluşturmak
- almak
- alma
- Goller
- Goes
- grup
- Büyümek
- rehberlik
- Rehberler
- Var
- he
- başlıkları
- yardım et
- yardım
- yardımcı olur
- büyük ölçüde
- onun
- tarihsel
- tarih
- tutar
- korku
- Ne kadar
- Nasıl Yapılır
- HTML
- http
- HTTPS
- ID
- if
- ithalat
- önemli
- iyileştirmek
- in
- dahil
- dahil
- Dahil olmak üzere
- Endüstri
- etkilemek
- bilgi
- Altyapı
- giriş
- entegre
- bütünleşme
- Akıllı
- etkileşim
- etkileşim
- etkileşimleri
- içine
- yatırım
- IT
- ürün
- birleştirme
- jpg
- sadece
- Bilmek
- bilinen
- Eksiklik
- büyük
- Büyük işletmeler
- sonra
- lider
- ÖĞRENİN
- öğrenme
- Kütüphane
- sevmek
- seviyor
- yer
- mantık
- Uzun
- seviyor
- makine
- makine öğrenme
- yapmak
- Yapımı
- yönetilen
- müdür
- yönetir
- çok
- Pazarlama
- usta
- anlamlı
- Metadata
- ML
- Telefon
- mobil cihazlar
- model
- modelleri
- Daha
- çoğu
- filmler
- çoklu
- Gizem
- isim
- isimleri
- gezinme
- gerekli
- ağ
- yeni
- haber
- sonraki
- belirterek
- NYC
- of
- on
- bir tek
- açılır
- işletme
- Operasyon
- Fırsat
- or
- köken
- Diğer
- bizim
- dışarı
- dışında
- tekrar
- parametre
- parametreler
- geçmek
- geçti
- tutkulu
- geçmiş
- model
- desen
- dönem
- Kişiselleştirme
- kişiselleştirmek
- Kişiselleştirilmiş
- faz
- telefon
- platform
- Platon
- Plato Veri Zekası
- PlatoVeri
- oynandı
- politika
- Popüler
- Çivi
- posta
- powered
- öngörür
- tercihli
- hazırlanmış
- sundu
- Önceden
- Önceki
- Proaktif
- süreç
- PLATFORM
- Ürünler
- profesyonel
- Profil
- Programı
- desteklemek
- sağlamak
- sağlanan
- sağlar
- sağlama
- vekil
- amaçlı
- alıntı yapmak
- gerçek zaman
- teslim almak
- yemek tarifi
- tavsiye etmek
- Tavsiye
- tavsiyeler
- tavsiye
- kayıt
- ifade eder
- ilişkin
- bölge
- uygun
- temsil
- talep
- isteklerinizi
- gereklidir
- gereklilik
- Yer Alan Kurallar
- gerektirir
- ayrılmış
- esnek
- Kaynaklar
- sırasıyla
- Yanıtlamak
- DİNLENME
- Sonuçlar
- dönen
- Rota
- koşmak
- sagemaker
- aynı
- söylemek
- ölçeklenebilir
- Bilim
- Bilimkurgu
- sezon
- bölümler
- güvenlik
- görmek
- kıdemli
- hizmet vermek
- hizmet
- Hizmetler
- set
- kurulum
- şov
- gösterilen
- Gösteriler
- benzerlikler
- Basit
- tek
- durumlar
- ALTINCI
- akıllı
- Smart TV
- So
- Futbol
- çözüm
- Çözümler
- biraz
- uzay
- özel
- geçirmek
- adım
- Basamaklar
- saklı
- dizi
- yapı
- böyle
- destek
- Sistemler
- Tablet
- ısmarlama
- Bizi daha iyi tanımak için
- takım
- Teknik
- Teknoloji
- şablon
- test
- o
- The
- ve bazı Asya
- Onları
- Orada.
- Bunlar
- işler
- Re-Tweet
- İçinden
- zaman
- zaman damgası
- için
- araçlar
- üst
- Tren
- eğitilmiş
- Eğitim
- trenler
- Dönüştürmek
- dönüşümler
- gerçek
- tv
- tip
- türleri
- üniversite
- bilinmeyen
- URL
- us
- kullanım
- kullanım durumu
- Kullanılmış
- kullanıcı
- Kullanıcı Deneyimi
- kullanıcılar
- kullanım
- kullanma
- genellikle
- değer
- Değerler
- versiyon
- Video
- talep üzerine video
- Videolar
- oldu
- we
- hava
- ağ
- web hizmetleri
- web siteleri
- hafta
- hafta sonu
- ne zaman
- süre
- DSÖ
- geniş
- irade
- ile
- içinde
- İş
- işlenmiş
- çalışma
- çalışır
- değer
- yıl
- Sen
- zefirnet