亚马逊个性化 很高兴地宣布新的 现在趋势 食谱可帮助您以最快的速度推荐在用户中流行的项目。
Amazon Personalize 是一项完全托管的机器学习 (ML) 服务,可让开发人员轻松为其用户提供个性化体验。 它使您能够通过在网站、应用程序和有针对性的营销活动中提供个性化产品和内容推荐来提高客户参与度。 您可以在没有任何 ML 经验的情况下开始使用 API,只需单击几下即可轻松构建复杂的个性化功能。 您的所有数据都经过加密以确保私密性和安全性,并且仅用于为您的用户创建推荐。
用户兴趣会根据各种因素发生变化,例如外部事件或其他用户的兴趣。 对于网站和应用程序来说,根据这些不断变化的兴趣定制他们的建议以提高用户参与度至关重要。 借助 Trending-Now,您可以从目录中显示比其他项目更受欢迎的项目,例如热门新闻、热门社交内容或新发行的电影。 Amazon Personalize 查找受欢迎程度比其他目录项目更快的项目,以帮助用户发现吸引同行的项目。 Amazon Personalize 还允许您根据其独特的业务环境定义计算趋势的时间段,并根据用户的最新交互数据提供每 30 分钟、1 小时、3 小时或 1 天的选项。
在这篇文章中,我们展示了如何使用这个新方法向您的用户推荐热门商品。
解决方案概述
Trending-Now 通过计算每个项目在可配置的时间间隔内的交互增加来识别最热门的项目。 增长率最高的项目被认为是趋势项目。 该时间基于交互数据集中的时间戳数据。 您可以在创建解决方案时通过提供趋势发现频率来指定时间间隔。
Trending-Now 配方需要一个交互数据集,其中包含您网站或应用程序上单个用户和项目事件(例如点击、观看或购买)的记录以及事件时间戳。 您可以使用参数 趋势发现频率 定义计算和刷新趋势的时间间隔。 例如,如果您有一个趋势快速变化的高流量网站,您可以将趋势发现频率指定为 30 分钟。 每隔 30 分钟,Amazon Personalize 就会查看已成功提取的交互并刷新趋势项。 此秘诀还允许您捕获和展示过去 30 分钟内引入的任何新内容,并且您的用户群比任何先前存在的目录项更感兴趣。 对于任何超过 2 小时的参数值,Amazon Personalize 每 2 小时自动刷新一次趋势项目推荐,以说明新交互和新项目。
由于交互数据稀疏或缺失,流量较低但使用 30 分钟值的数据集可能会发现推荐准确性较差。 Trending-Now 配方要求您提供至少两个过去时间段的交互数据(这个时间段是您想要的趋势发现频率)。 如果最近 2 个时间段的交互数据不存在,Amazon Personalize 将用流行项目替换趋势项目,直到所需的最低数据可用为止。
Trending-Now 配方可用于自定义数据集组和视频点播域数据集组。 在这篇文章中,我们将演示如何使用这个新的 Trending-Now 功能针对具有自定义数据集组的媒体用例针对用户兴趣中快速变化的趋势定制您的建议。 下图说明了解决方案工作流程。
例如,在视频点播应用程序中,您可以使用此功能来显示过去 1 小时内流行的电影,方法是将趋势发现频率指定为 1 小时。 对于每 1 小时的数据,Amazon Personalize 会识别自上次评估以来交互增长率最高的项目。 可用频率包括 30 分钟、1 小时、3 小时和 1 天。
先决条件
要使用 Trending-Now 配方,您首先需要在 Amazon Personalize 控制台上设置 Amazon Personalize 资源。 创建数据集组、导入数据、训练解决方案版本并部署活动。 有关完整说明,请参阅 入门.
对于这篇文章,我们遵循控制台方法使用新的 Trending-Now 配方部署活动。 或者,您可以使用提供的 SDK 方法构建整个解决方案 笔记本. 对于这两种方法,我们使用 MovieLens 公共数据集.
准备数据集
完成以下步骤以准备您的数据集:
对于交互数据,我们使用电影评论数据集 MovieLens 中的评分历史记录。
请使用下面的 python 代码来管理来自 MovieLens 公共数据集的交互数据集。
MovieLens
数据集包含 user_id
, rating
, item_id
,用户和项目之间的交互,以及这种交互发生的时间(时间戳,以 UNIX 纪元时间给出)。 该数据集还包含电影标题信息,用于将电影 ID 映射到实际标题和流派。 下表是数据集的示例。
用户身份 | 物品编号 | TIMESTAMP | 题目 | GENRES |
116927 | 1101 | 1105210919 | 壮志凌云 (1986) | 动作|爱情 |
158267 | 719 | 974847063 | 多重性 (1996) | 喜剧 |
55098 | 186871 | 1526204585 | 治愈 (2017) | 纪录片 |
159290 | 59315 | 1485663555 | 铁人(2008) | 动作|冒险|科幻 |
108844 | 34319 | 1428229516 | 小岛 (2005) | 动作|科幻|惊悚 |
85390 | 2916 | 953264936 | 全面回忆(1990) | 动作|冒险|科幻|惊悚 |
103930 | 18 | 839915700 | 四房 (1995) | 喜剧 |
104176 | 1735 | 985295513 | 远大前程 (1998) | 剧情|爱情 |
97523 | 1304 | 1158428003 | 布奇卡西迪和圣丹斯小子 (1969) | 动作|西部 |
87619 | 6365 | 1066077797 | 黑客帝国重装上阵 (2003) | 动作|冒险|科幻|惊悚|IMAX |
策划的数据集包括 USER_ID
, ITEM_ID
(电影 ID),以及 TIMESTAMP
训练 Amazon Personalize 模型。 这些是使用 Trending-Now 配方训练模型的必填字段。 下表是精选数据集的示例。
用户身份 | 物品编号 | TIMESTAMP |
48953 | 529 | 841223587 |
23069 | 1748 | 1092352526 |
117521 | 26285 | 1231959564 |
18774 | 457 | 848840461 |
58018 | 179819 | 1515032190 |
9685 | 79132 | 1462582799 |
41304 | 6650 | 1516310539 |
152634 | 2560 | 1113843031 |
57332 | 3387 | 986506413 |
12857 | 6787 | 1356651687 |
训练模型
数据集导入作业完成后,您就可以训练模型了。
- 点击 解决方案 标签,选择 创建解决方案.
- 选择
new aws-trending-now
食谱。 - 在 高级配置 部分,集 趋势发现频率 到30分钟。
- 创建解决方案 开始训练。
建立广告活动
在 Amazon Personalize 中,您使用活动为您的用户提供建议。 在此步骤中,您将使用在上一步中创建的解决方案创建一个活动并获得 Trending-Now 推荐:
- 点击 活动 标签,选择 建立广告活动.
- 针对 广告系列名称,输入名称。
- 针对 解决方案, 选择解
trending-now-solution
. - 针对 解决方案版本 ID, 选择使用
aws-trending-now
食谱。 - 针对 每秒最少配置事务, 保留默认值。
- 建立广告活动 开始制作您的广告系列。
获取建议
创建或更新广告系列后,您可以获得一份推荐的热门商品列表,从高到低排序。 在活动中(trending-now-campaign
) 个性化API 标签,选择 获取建议.
以下屏幕截图显示了活动详细信息页面,其中包含来自 GetRecommendations
包含推荐项目和推荐 ID 的调用。
来自的结果 GetRecommendations
call 包括推荐项目的 ID。 为了便于阅读,下表是将 ID 映射到实际电影标题后的示例。 执行映射的代码在随附的笔记本中提供。
物品编号 | 题目 |
356 | 阿甘正传(1994) |
318 | 肖申克的救赎 (1994) |
58559 | 黑暗骑士 (2008) |
33794 | 蝙蝠侠开始(2005) |
44191 | V字仇杀队(2006) |
48516 | 离去 (2006) |
195159 | 蜘蛛侠:进入蜘蛛诗(2018) |
122914 | 复仇者联盟:无限战争 - 第二部分 (2019) |
91974 | 冥界:觉醒 (2012) |
204698 | 小丑(2019) |
获取热门推荐
使用创建解决方案版本后 aws-trending-now
配方,Amazon Personalize 将通过计算每个项目在可配置的时间间隔内的交互增加来识别最热门的项目。 增长率最高的项目被认为是趋势项目。 该时间基于交互数据集中的时间戳数据。
现在让我们向 Amazon Personalize 提供最新的交互来计算趋势项目。 我们可以通过创建一个实时摄取来提供最新的交互 事件追踪器 或者通过增量模式下的数据集导入作业批量上传数据。 在笔记本中,我们提供了示例代码以使用事件跟踪器将最新的实时交互数据单独导入 Amazon Personalize。
对于这篇文章,我们将提供最新的交互,作为批量数据上传和增量模式下的数据集导入作业。 请使用以下 python 代码生成虚拟增量交互并使用数据集导入作业上传增量交互数据。
我们通过随机选择一些值来综合生成这些交互 USER_ID
和 ITEM_ID
,并在这些用户和具有最新时间戳的项目之间生成交互。 下表包含随机选择的 ITEM_ID
用于生成增量交互的值。
物品编号 | 题目 |
153 | 永远的蝙蝠侠(1995) |
260 | 星球大战:第四集–新希望(1977) |
1792 | 美国元帅 (1998) |
2363 | 哥斯拉 (Gojira) (1954) |
2407 | 茧 (1985) |
2459 | 德州电锯杀人狂 (1974) |
3948 | 见家长 (2000) |
6539 | 加勒比海盗:布莱尔号的诅咒…… |
8961 | 超人总动员 (2004) |
61248 | 死亡竞赛 (2008) |
上传增量交互数据 通过选择 附加到当前数据集 (如果使用 API,则使用增量模式),如以下快照所示。
增量交互数据集导入作业完成后,等待您为新推荐配置的趋势发现频率时间长度反映出来。
获取建议 在活动 API 页面上获取最新推荐的热门商品列表。
现在我们看到了最新的推荐项目列表。 为了便于阅读,下表包含将 ID 映射到实际电影标题后的数据。 执行映射的代码在随附的笔记本中提供。
物品编号 | 题目 |
260 | 星球大战:第四集–新希望(1977) |
6539 | 加勒比海盗:布莱尔号的诅咒…… |
153 | 永远的蝙蝠侠(1995) |
3948 | 见家长 (2000) |
1792 | 美国元帅 (1998) |
2459 | 德州电锯杀人狂 (1974) |
2363 | 哥斯拉 (Gojira) (1954) |
61248 | 死亡竞赛 (2008) |
8961 | 超人总动员 (2004) |
2407 | 茧 (1985) |
前面的 GetRecommendations
call 包括推荐项目的 ID。 现在我们看到 ITEM_ID
推荐值来自我们提供给 Amazon Personalize 模型的增量交互数据集。 这并不奇怪,因为这些是最近 30 分钟内从我们的合成数据集中获得交互的唯一项目。
您现在已经成功地训练了一个 Trending-Now 模型来生成越来越受用户欢迎的项目推荐,并根据用户兴趣定制推荐。 展望未来,您可以调整此代码以创建其他推荐系统。
您还可以使用 过滤器 与 Trending-Now 配方一起区分不同类型内容之间的趋势,例如长视频与短视频,或者应用 促销过滤器 根据符合您的业务目标的规则明确推荐特定项目。
清理
确保按照本文中概述的步骤清理您在帐户中创建的所有未使用的资源。 您可以通过 AWS管理控制台 或使用 Python SDK。
总结
新的 aws-trending-now
来自 Amazon Personalize 的 recipe 可帮助您识别迅速受到用户欢迎的项目,并根据用户兴趣中快速变化的趋势定制您的建议。
有关 Amazon Personalize 的更多信息,请参阅 亚马逊个性化开发人员指南.
关于作者
瓦姆什·克里希纳·埃纳博塔拉 是 AWS 的高级应用人工智能专家架构师。 他与来自不同行业的客户合作,以加速具有高影响力的数据、分析和机器学习计划。 他对 AI 和 ML 中的推荐系统、NLP 和计算机视觉领域充满热情。 工作之余,Vamshi 是一名遥控爱好者,建造遥控设备(飞机、汽车和无人机),还喜欢园艺。
安吉古普塔 是 Amazon Personalize 的高级产品经理。 她专注于交付能够更轻松地构建机器学习解决方案的产品。 在业余时间,她喜欢烹饪、玩棋盘/纸牌游戏和阅读。
阿比舍克曼加尔 是 Amazon Personalize 的软件工程师,致力于构建软件系统以大规模服务客户。 在业余时间,他喜欢看动漫,并认为“海贼王”是近代史上最伟大的故事片。
- SEO 支持的内容和 PR 分发。 今天得到放大。
- 柏拉图区块链。 Web3 元宇宙智能。 知识放大。 访问这里。
- Sumber: https://aws.amazon.com/blogs/machine-learning/recommend-top-trending-items-to-your-users-using-the-new-amazon-personalize-recipe/
- :是
- $UP
- 1
- 10
- 100
- 1985
- 1994
- 1996
- 1998
- 2012
- 2017
- 2018
- 2019
- 7
- a
- 关于
- 加快
- 根据
- 账号管理
- 适应
- 后
- AI
- 所有类型
- 允许
- Amazon
- 亚马逊个性化
- 其中
- 分析
- 和
- 动漫
- 宣布
- API
- APIs
- 应用
- 应用领域
- 应用的
- 应用人工智能
- 使用
- 的途径
- 方法
- 应用
- 保健
- 地区
- AS
- At
- 自动
- 可使用
- AWS
- 基地
- 基于
- BE
- 因为
- 成为
- 相信
- 如下。
- 之间
- 建立
- 建筑物
- 商业
- by
- 计算
- 计算
- 计算
- 呼叫
- 营销活动
- 活动
- CAN
- 可以得到
- 能力
- 捕获
- 加勒比
- 汽车
- 案件
- 检索目录
- 更改
- 改变
- 码
- 列
- COM的
- 完成
- 一台
- 计算机视觉
- 考虑
- 安慰
- 包含
- 内容
- 上下文
- 创建信息图
- 创建
- 创造
- 危急
- 策划
- 电流
- 诅咒
- 习俗
- 顾客
- 客户参与
- 合作伙伴
- data
- 数据集
- 日期时间
- 天
- 默认
- 学位
- 交付
- 交付
- 演示
- 根据
- 部署
- 期望
- 细节
- 开发商
- 开发
- 不同
- 区分
- 通过各种方式找到
- 发现
- 不会
- 域
- 无人机电调
- 每
- 更容易
- 容易
- 使
- 加密
- 订婚
- 从事
- 工程师
- 输入
- 爱好者
- 整个
- 时代
- 设备
- 评估
- 活动
- 事件
- 所有的
- 例子
- 兴奋
- 期望
- 体验
- 体验
- 外部
- 因素
- 快
- 最快
- 专栏
- 少数
- 字段
- 过滤器
- (名字)
- 重点
- 其次
- 以下
- 针对
- 永远
- 向前
- 频率
- 止
- ,
- 充分
- 获得
- Games
- 生成
- 产生
- 发电
- 得到
- 特定
- 理想中
- 去
- 更大的
- 最大的
- 团队
- 组的
- 有
- 帮助
- 帮助
- 高
- 更高
- 最高
- 历史
- 抱有希望
- HOURS
- 创新中心
- How To
- HTML
- HTTP
- HTTPS
- i
- ID
- 识别
- 鉴定
- 进口
- 改善
- in
- 包括
- 包括
- 增加
- 个人
- 个别地
- 无限
- 信息
- 项目
- 说明
- 相互作用
- 互动
- 兴趣
- 利益
- 介绍
- IT
- 项目
- 工作
- JPG
- 小子
- 骑士
- (姓氏)
- 最新
- 学习
- 离开
- 长度
- 喜欢
- 清单
- 长
- LOOKS
- 低
- 机
- 机器学习
- 使
- 制作
- 男子
- 管理
- 颠覆性技术
- 经理
- 强制性
- 地图
- 制图
- 营销
- 媒体
- 最低限度
- 分钟
- 失踪
- ML
- 时尚
- 模型
- 更多
- 最先进的
- 电影
- 电影
- 姓名
- 需求
- 全新
- 消息
- NLP
- 笔记本
- of
- on
- 附加选项
- 其他名称
- 概述
- 学校以外
- 步伐
- 页
- 大熊猫
- 参数
- 父母
- 部分
- 多情
- 过去
- 演出
- 期间
- 期
- 个性化
- 个性化
- 个性化你的
- 片
- 地方
- 柏拉图
- 柏拉图数据智能
- 柏拉图数据
- 播放
- 请
- 贫困
- 热门
- 声望
- 帖子
- 供电
- Prepare
- 以前
- 先
- 私立
- 产品
- 产品经理
- 核心产品
- 提供
- 提供
- 优
- 国家
- 购买
- 蟒蛇
- 种族
- 随机
- 急速
- 率
- 等级
- 评分
- 阅读
- 准备
- 实时的
- 最近
- 食谱
- 建议
- 推荐
- 建议
- 建议
- 记录
- 赎回
- 反映
- 发布
- 更换
- 必须
- 需要
- 资源
- 成果
- 检讨
- 上升
- 房间数
- 定位、竞价/采购和分析/优化数字媒体采购,但算法只不过是解决问题的操作和规则。
- s
- 鳞片
- SDK
- 部分
- 行业
- 安全
- 选
- 选择
- 前辈
- 服务
- 服务
- 集
- 短
- 显示
- 如图
- 作品
- 简易
- 自
- 快照
- 社会
- 软件
- 软件工程师
- 方案,
- 解决方案
- 一些
- 极致
- 专家
- 具体的
- 开始
- 开始
- 步
- 步骤
- 存储
- 串
- 顺利
- 这样
- 磁化面
- 奇怪
- 合成的
- 综合地
- 产品
- 表
- 针对
- 这
- 其
- 博曼
- 通过
- 次
- 时间戳
- 标题
- 标题
- 至
- 最佳
- 交通
- 培训
- 熟练
- 产品培训
- 交易
- 趋势
- 趋势
- 趋势新闻
- 趋势
- 类型
- 独特
- UNIX
- 未使用
- 更新
- 使用
- 用例
- 用户
- 用户
- 折扣值
- 价值观
- 各种
- 速度
- 版本
- 通过
- 视频
- 愿景
- vs
- 等待
- 战争
- 了解
- 手表
- 您的网站
- 网站
- 井
- 什么是
- 这
- 而
- 将
- 也完全不需要
- 工作
- 合作
- 完全
- 您一站式解决方案
- 和风网
- 压缩