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.
Rezept für ähnliche Artikel
Anmerkung
Alle RELATED_ITEMS-Rezepte verwenden Interaktionsdaten. Wählen Sie Ähnliche Artikel, wenn Sie auch Artikelmetadaten haben und möchten, dass Amazon Personalize diese verwendet, um ähnliche Artikel zu finden. Oder wählen Sie dieSIMS-Rezept, wenn Sie mehr Hyperparameter für das Modell konfigurieren möchten.
Das Rezept Similar-Items (aws-similar-items) generiert Empfehlungen für Artikel, die einem von Ihnen angegebenen Artikel ähnlich sind. Verwenden Sie Similar-Items, um Kunden dabei zu helfen, anhand ihres bisherigen Verhaltens und der Artikelmetadaten neue Artikel in Ihrem Katalog zu entdecken. Wenn Sie ähnliche Artikel empfehlen, können Sie die Nutzerinteraktion, die Klickrate und die Konversionsrate für Ihre Anwendung erhöhen.
Similar-Items berechnet die Ähnlichkeit auf der Grundlage von Interaktionsdaten und allen von Ihnen bereitgestellten Artikelmetadaten. Dabei werden das gleichzeitige Vorkommen des Elements in den Benutzerverläufen in Ihrem Interaction-Datensatz sowie alle Ähnlichkeiten mit den Metadaten des Elements berücksichtigt. Mit Similar-Items könnte Amazon Personalize beispielsweise Artikel empfehlen, die Kunden häufig zusammen mit einem ähnlichen Stil gekauft haben (Kategorische Metadaten), oder Filme, die sich verschiedene Nutzer auch angesehen haben, mit einer ähnlichen Beschreibung (). Unstrukturierte Textmetadaten
Bei Similar-Items geben Sie in einem GetRecommendations Vorgang (oder in der Amazon Personalize-Konsole) eine Artikel-ID an und Amazon Personalize sendet eine Liste ähnlicher Artikel zurück. Oder Sie können einen Batch-Workflow verwenden, um ähnliche Artikel für alle Artikel in Ihrem Inventar zu erhalten (siehe). Empfehlungen für Batch-Artikel abrufen Wenn Sie ähnliche Artikel erhalten, können Sie die Artikel anhand eines Attributs des Artikels filtern, das Sie in Ihrer Anfrage angegeben haben. Sie tun dies, indem Sie eine hinzufügenCurrentItem. attributeElement zu Ihrem Filter. Ein Beispiel finden Sie unter item data filter examples.
Um Similar-Items zu verwenden, müssen Sie einen Datensatz mit Artikelinteraktionen erstellen, der mindestens 1000 einzigartige historische Interaktionen und Event-Interaktionen (kombiniert) enthält. Für genauere Prognosen empfehlen wir Ihnen, auch einen Artikeldatensatz zu erstellen und Metadaten zu Artikeln in Ihrem Katalog zu importieren. Similar-Items verwendet bei der Generierung von Empfehlungen keine Daten aus einem Benutzerdatensatz. Sie können weiterhin Empfehlungen auf der Grundlage von Daten in einem Benutzerdatensatz filtern. Weitere Informationen finden Sie unter Empfehlungen und Benutzersegmente filtern.
Wenn Sie über einen Artikeldatensatz mit Textdaten und Artikeltiteldaten verfügen, können Sie Themen für verwandte Artikel in Batch-Empfehlungen generieren. Weitere Informationen finden Sie unter Batch-Empfehlungen mit Themen aus dem Content Generator.
Sie können Empfehlungen für Artikel erhalten, die einem kalten Artikel (einem Artikel mit weniger als fünf Interaktionen) ähneln. Wenn Amazon Personalize die Artikelnummer, die Sie in Ihrer Empfehlungsanfrage oder Batch-Eingabedatei angegeben haben, nicht finden kann, gibt das Rezept beliebte Artikel als Empfehlungen zurück.
Nachdem Sie eine Lösungsversion erstellt haben, stellen Sie sicher, dass Sie Ihre Lösungsversion und die Daten auf dem neuesten Stand halten. Bei Similar-Items müssen Sie manuell eine neue Lösungsversion erstellen (das Modell neu trainieren), damit Amazon Personalize neue Artikel für Empfehlungen berücksichtigt und das Modell mit dem neuesten Verhalten Ihres Benutzers aktualisieren kann. Anschließend müssen Sie alle Kampagnen aktualisieren, die die Lösungsversion verwenden. Weitere Informationen finden Sie unter Beibehaltung der Relevanz von Empfehlungen.
Eigenschaften und Hyperparameter
Das Rezept „Similar-Items“ hat die folgenden Eigenschaften:
-
Name (Name –
aws-similar-items -
Rezept Amazon-Ressourcenname (ARN) —
arn:aws:personalize:::recipe/aws-similar-items -
Algorithmus ARN —
arn:aws:personalize:::algorithm/aws-similar-items
Weitere Informationen finden Sie unter Ein Rezept wählen.
In der folgenden Tabelle werden die Hyperparameter für das Rezept Similar-Items beschrieben. Ein Hyperparameter ist ein Algorithmusparameter, den Sie anpassen können, um die Modellleistung zu verbessern. Algorithmus-Hyperparameter steuern die Leistung des Modells. Die Auswahl des besten Werts für einen Hyperparameter wird als Hyperparameteroptimierung (HPO) bezeichnet. Weitere Informationen finden Sie unter Hyperparameter und HPO.
Die Tabelle enthält auch die folgenden Informationen für jeden Hyperparameter:
-
Bereich: [Untergrenze, Obergrenze]
-
Werttyp: Ganzzahl, kontinuierlich (float), kategorisch (boolean, Liste, Zeichenfolge)
-
HPO optimierbar: Kann der Parameter an der Hyperparameteroptimierung (HPO) teilnehmen?
| Name | Beschreibung |
|---|---|
| Hyperparameter des Algorithmus | |
popularity_discount_factor |
Konfigurieren Sie, wie sich Beliebtheit auf Empfehlungen auswirkt. Geben Sie einen Wert näher an Null an, um populärere Artikel einzubeziehen. Geben Sie einen Wert an, der näher an eins liegt, um der Beliebtheit weniger Bedeutung beizumessen. Standardwert: 0.0 Bereich: [0,0, 1,0]. Werttyp: Gleitkommazahl HPO-optimierbar: Nein |
item_id_hidden_dim |
Die Anzahl der versteckten Variablen, die Amazon Personalize verwendet, um Artikel-ID-Einbettungen auf der Grundlage von Interaktionsdaten zu modellieren. Ausgeblendete Variablen erstellen die Kaufhistorie und Elementstatistiken der Benutzer neu, um die Rangfolge zu generieren. Um sie verwenden zu können Um HPO zu verwenden, stellen Sie Standardwert: 100 Bereich: [30, 200] Werttyp: Ganzzahl HPO-optimierbar: Ja |
item_metadata_hidden_dim |
Die Anzahl der versteckten Variablen, die Amazon Personalize zur Modellierung von Artikelmetadaten verwendet. Um sie verwenden zu können Um HPO zu verwenden, stellen Sie Standardwert: 100 Bereich: [30, 200] Werttyp: Ganzzahl HPO-optimierbar: Ja |
