Item-Affinity-Rezept - Amazon Personalize

Die vorliegende Übersetzung wurde maschinell erstellt. Im Falle eines Konflikts oder eines Widerspruchs zwischen dieser übersetzten Fassung und der englischen Fassung (einschließlich infolge von Verzögerungen bei der Übersetzung) ist die englische Fassung maßgeblich.

Item-Affinity-Rezept

Das Item-Affinity (aws-item-affinity) -Rezept ist ein USER_SEGMENTATION-Rezept, das für jedes von Ihnen angegebene Element ein Benutzersegment (Benutzergruppe) erstellt. Dies sind die Benutzer, von denen Amazon Personalize prognostiziert, dass sie höchstwahrscheinlich mit den einzelnen Artikeln interagieren werden. Verwenden Sie Item-Affinity, um mehr über Ihre Benutzer zu erfahren und Maßnahmen auf der Grundlage ihrer jeweiligen Benutzersegmente zu ergreifen.

Möglicherweise möchten Sie beispielsweise eine Marketingkampagne für Ihre Einzelhandelsanwendung erstellen, die auf den Benutzereinstellungen für Artikel in Ihrem Katalog basiert. Item-Affinity würde für jeden Artikel ein Benutzersegment erstellen, das auf den Daten in Ihren Datensätzen Interaktionen und Artikel basiert. Sie könnten dies verwenden, um verschiedene Artikel in verschiedenen Benutzersegmenten zu bewerben, je nachdem, wie wahrscheinlich es ist, dass sie eine Aktion ausführen (z. B. auf einen Artikel klicken oder einen Artikel kaufen). Andere Verwendungszwecke könnten das Cross-Selling von Produkten an verschiedene Nutzergruppen oder die Identifizierung potenzieller Stellenbewerber umfassen.

Um Benutzersegmente basierend auf Elementen zu erhalten, erstellen Sie eine Lösung und eine Lösungsversion mit dem Item-Affinity-Rezept, fügen dann eine Liste von Elementen im JSON-Format zu einem Amazon S3 S3-Bucket hinzu und erstellen einen Batch-Segmentjob. Amazon Personalize gibt für jeden Artikel ein Benutzersegment an Ihren Ausgabespeicherort in Amazon S3 aus. Ihre Eingabedaten können maximal 500 Elemente enthalten, für die Benutzersegmente abgerufen werden sollen. Hinweise zur Vorbereitung von Eingabedaten für einen Batch-Segmentjob finden Sie unterVorbereiten der Eingabedaten für Batch-Empfehlungen.

Sie benötigen einen Datensatz mit Artikelinteraktionen, um Item-Affinity verwenden zu können. Die Datensätze „Artikel“ und „Benutzer“ sind optional. Sie können Benutzersegmente mit Batch-Segmentjobs abrufen. Weitere Informationen finden Sie unter Benutzersegmente im Batch-Modus abrufen.

Nachdem Sie eine Lösungsversion erstellt haben, stellen Sie sicher, dass Sie Ihre Lösungsversion und Ihre Daten auf dem neuesten Stand halten. Mit Item-Affinity müssen Sie eine neue Lösungsversion für Amazon Personalize erstellen, um neue Benutzer für Benutzersegmente zu berücksichtigen und das Modell mit dem neuesten Verhalten Ihrer Benutzer zu aktualisieren. Um ein Benutzersegment für einen Artikel zu erhalten, muss der Artikel bei der Erstellung der Lösungsversion vorhanden gewesen sein.

Das Item-Affinity-Rezept hat die folgenden Eigenschaften:

  • Name (Name – aws-item-affinity

  • Rezept Amazon-Ressourcenname (ARN) — arn:aws:personalize:::recipe/aws-item-affinity

  • Algorithmus ARN — arn:aws:personalize:::algorithm/aws-item-affinity

  • Merkmalstransformation ARN — arn:aws:personalize:::feature-transformation/item-affinity

  • Art des Rezepts — USER_SEGMENTATION

In der folgenden Tabelle werden die Hyperparameter für das Item-Affinity-Rezept beschrieben. Ein Hyperparameter ist ein Algorithmusparameter, den Sie anpassen, um die Modellleistung zu verbessern. Algorithmus-Hyperparameter steuern die Leistung des Modells. Sie können die Hyperparameter-Optimierung (HPO) nicht zusammen mit dem Item-Affinity-Rezept verwenden.

Die Tabelle enthält auch die folgenden Informationen für jeden Hyperparameter:

  • Bereich: [Untergrenze, Obergrenze]

  • Werttyp: Ganzzahl, kontinuierlich (float), kategorisch (boolean, Liste, Zeichenfolge)

Name Beschreibung
Hyperparameter des Algorithmus
hidden_dimension

Anzahl der ausgeblendeten Variablen im Modell. Ausgeblendete Variablen erstellen die Kaufhistorie und Elementstatistiken der Benutzer neu, um die Rangfolge zu generieren. Geben Sie eine größere Anzahl ausgeblendeter Dimensionen an, wenn Ihr Interaktionen-Dataset komplexere Muster enthält. Je mehr ausgeblendete Dimensionen verwendet werden, desto größer muss das Dataset sein und desto länger dauert die Verarbeitung.

Standardwert

Bereich: [32, 256]

Werttyp: Ganzzahl