Nutzungsbedingungen von Amazon Personalize

Die folgenden Begriffe beziehen sich auf das Importieren, Exportieren und Formatieren von Daten in Amazon Personalize.

Datensatz „Aktionen“

Ein Container für Metadaten zu Ihren Aktionen. Eine Aktion ist eine Aktivität, die Interaktionen generiert oder Umsätze generiert und die Sie Ihren Nutzern empfehlen möchten, z. B. die Installation Ihrer mobilen App oder die Teilnahme an Ihrem Treueprogramm. Zu den Metadaten für Aktionen können der Ablaufzeitstempel, der Wert, die Daten zur Wiederholungshäufigkeit und die kategorialen Metadaten der Aktion gehören. Dieser Datentyp wird nur von der verwendet. Rezept für die nächste beste Aktion

Datensatz „Aktionen, Interaktionen“

Ein Container für historische Daten und Echtzeitdaten, die Sie aus Interaktionen zwischen Benutzern und Aktionen sammeln. Jede Aktionsinteraktion besteht aus einer Benutzer-ID, einer ActionID, einem Zeitstempel, einem Ereignistyp und allen zusätzlichen Daten über die Interaktion, wie z. B. kategorialen Metadaten. Dieser Datentyp wird nur von der verwendet. Rezept für die nächste beste Aktion

Kontextmetadaten

Interaktionsdaten, die Sie über den Browserkontext eines Benutzers (z. B. verwendetes Gerät oder Standort) sammeln, wenn ein Ereignis (z. B. ein Klick) eintritt. Kontextabhängige Metadaten können die Relevanz von Empfehlungen für neue und bestehende Benutzer verbessern.

dataset

Ein Container für Daten, die Sie auf Amazon Personalize hochladen. Es gibt fünf Arten von Amazon Personalize Personalize-Datensätzen: Benutzer, Artikel, Datensatz mit Artikelinteraktionen und Aktionen.

Datensatzgruppe

Ein Container für Amazon Personalize Personalize-Ressourcen, einschließlich Datensätzen, Domain-Empfehlungen und benutzerdefinierten Ressourcen. Eine Datensatzgruppe organisiert Ihre Ressourcen in unabhängigen Sammlungen, wobei Ressourcen aus einer Datensatzgruppe keine Ressourcen in einer anderen Datensatzgruppe beeinflussen können. Eine Datensatzgruppe kann entweder eine Domain-Datensatzgruppe oder eine benutzerdefinierte Datensatzgruppe sein.

Domain-Datensatzgruppe

Eine Datensatzgruppe mit vorkonfigurierten Ressourcen für verschiedene Geschäftsdomänen und Anwendungsfälle. Amazon Personalize verwaltet den Lebenszyklus von Schulungsmodellen und deren Bereitstellung. Wenn Sie eine Domain-Datensatzgruppe erstellen, wählen Sie Ihre Geschäftsdomain aus, importieren Ihre Daten und erstellen Empfehlungen für jeden Ihrer Anwendungsfälle. Sie verwenden Ihren Empfehlungsdienst in Ihrer Anwendung, um Empfehlungen für den GetRecommendations Vorgang zu erhalten.

Wenn Sie mit einer Domain-Datensatzgruppe beginnen, können Sie trotzdem benutzerdefinierte Ressourcen wie Lösungen und Lösungsversionen hinzufügen, die mit Rezepten für benutzerdefinierte Anwendungsfälle trainiert wurden.

Benutzerdefinierte Datensatzgruppe

Eine Datensatzgruppe, die nur benutzerdefinierte Ressourcen enthält, darunter Lösungen, Lösungsversionen, Filter, Kampagnen und Batch-Inferenzjobs. Sie verwenden eine Kampagne, um Empfehlungen für den GetRecommendations Vorgang zu erhalten. Sie verwalten den Lebenszyklus von Schulungsmodellen und deren Einsatz. Wenn Sie mit einer benutzerdefinierten Datensatzgruppe beginnen, können Sie sie später keiner Domäne zuordnen. Erstellen Sie stattdessen eine neue Domain-Datensatzgruppe.

Auftrag zum Exportieren von Datensätzen

Ein Tool zum Exportieren von Datensätzen, das die Datensätze in einem Datensatz in eine oder mehrere CSV-Dateien in einem Amazon S3 S3-Bucket ausgibt. Die CSV-Ausgabedatei enthält eine Kopfzeile mit Spaltennamen, die den Feldern im Schema des Datensatzes entsprechen.

Job zum Importieren von Datensätzen

Ein Massenimport-Tool, das Ihren Amazon Personalize-Datensatz mit Daten aus einer CSV-Datei in Ihrem Amazon S3 S3-Bucket füllt.

event

Eine Benutzeraktion — wie ein Klick, ein Kauf oder eine Videowiedergabe —, die Sie aufzeichnen und in einen Datensatz mit Amazon Personalize Personalize-Artikelinteraktionen hochladen. Sie importieren Ereignisse in großen Mengen aus einer CSV-Datei, inkrementell mit der Amazon Personalize Personalize-Konsole und in Echtzeit.

Explizite Impressionen

Eine Liste von Artikeln, die Sie manuell zu einem Amazon Personalize-Datensatz mit Artikelinteraktionen hinzufügen. Im Gegensatz zu impliziten Impressionen, die Amazon Personalize automatisch aus Ihren Empfehlungsdaten ableitet, entscheiden Sie, was in explizite Impressionen enthalten sein soll.

Implizite Impressionen

Die Empfehlungen, die Ihre Anwendung einem Benutzer zeigt. Im Gegensatz zu expliziten Impressionen, die Sie manuell zu einem Datensatz mit Artikelinteraktionen hinzufügen, leitet Amazon Personalize automatisch implizite Impressionen aus Ihren Empfehlungsdaten ab.

Impressionsdaten

Die Liste der Artikel, die Sie einem Benutzer präsentiert haben, als dieser mit einem bestimmten Artikel interagiert hat, indem er darauf geklickt, ihn angesehen, gekauft usw. hat. Amazon Personalize verwendet Impressionsdaten, um die Relevanz neuer Elemente für einen Benutzer zu berechnen, basierend darauf, wie häufig Benutzer das gleiche Element ausgewählt oder ignoriert haben.

Datensatz „Interaktionen“

Ein Container für historische Daten und Echtzeitdaten, die Sie aus Interaktionen zwischen Benutzern und Elementen (sogenannten Ereignissen) sammeln. Interaktionsdaten können Daten vom Ereignistyp und kontextbezogene Metadaten enthalten.

Artikeldatensatz

Ein Container für Metadaten zu Ihren Artikeln, z. B. Preis, Genre oder Verfügbarkeit.

Häufigkeit wiederholen

Eine Art von Aktionsmetadaten, die Sie in ein Aktions-Dataset importieren können. Die Daten zur Wiederholungshäufigkeit geben an, wie viele Tage Amazon Personalize warten sollte, um eine bestimmte Aktion zu empfehlen, nachdem ein Benutzer damit interagiert hat. Dies basiert auf der Historie des Benutzers in Ihrem Datensatz „Aktionsinteraktionen“.

schema

Ein JSON-Objekt im Apache Avro-Format, das Amazon Personalize über die Struktur Ihrer Daten informiert. Amazon Personalize verwendet Ihr Schema, um Ihre Daten zu analysieren.

Benutzerdatensatz

Ein Container für Metadaten über Ihre Nutzer, z. B. Alter, Geschlecht oder Treuemitgliedschaft.

Die folgenden Begriffe beziehen sich auf das Trainieren eines Modells in Amazon Personalize.

item-to-item Rezept für Ähnlichkeiten (SIMS)

Ein RELATED_ITEMS-Rezept, das die Daten aus einem Interactions-Datensatz verwendet, um Empfehlungen für Elemente abzugeben, die einem bestimmten Element ähnlich sind. Das SIMS-Rezept berechnet die Ähnlichkeit auf der Grundlage der Art und Weise, wie Benutzer mit Artikeln interagieren, anstatt anhand von Artikelmetadaten wie Preis oder Farbe abzugleichen.

Artikelaffinität

Ein USER_SEGMENTATION-Rezept, das die Daten aus einem Datensatz mit Artikelinteraktionen und einem Artikeldatensatz verwendet, um Benutzersegmente für jedes von Ihnen angegebene Element zu erstellen, und zwar auf der Grundlage der Wahrscheinlichkeit, dass die Benutzer mit dem Element interagieren.

item-attribute-affinity

Ein USER_SEGMENTATION-Rezept, das die Daten aus einem Datensatz mit Artikelinteraktionen und einem Artikeldatensatz verwendet, um für jedes von Ihnen angegebene Artikelattribut ein Benutzersegment zu erstellen, das auf der Wahrscheinlichkeit basiert, dass die Benutzer mit Elementen interagieren, die das Attribut enthalten.

Rezept für die nächste beste Aktion

Dieses Rezept generiert in Echtzeit Empfehlungen für die nächstbesten Aktionen für Ihre Benutzer. Die nächstbeste Aktion für einen Benutzer ist die Aktion, die er höchstwahrscheinlich ergreifen wird. Zum Beispiel, wenn Sie sich für Ihr Treueprogramm anmelden, Ihre App herunterladen oder eine Kreditkarte beantragen. Weitere Informationen finden Sie unter Rezept für die nächste beste Aktion.

Personalisiertes Ranking-V2-Rezept

Ein Rezept für PERSONALIZED_RANKING, das eine Sammlung von Artikeln, die Sie bereitstellen, auf der Grundlage des prognostizierten Interessensniveaus für einen bestimmten Benutzer einordnet. Dieses Rezept verwendet eine transformatorbasierte Architektur, um ein Modell zu trainieren, das aus Daten zu Artikelinteraktionen, Elementmetadaten und Benutzermetadaten lernt. Verwenden Sie das Rezept für personalisiertes Ranking V2, um die Reihenfolge der kuratierten Listen mit Elementen oder Suchergebnissen, die für einen bestimmten Benutzer personalisiert sind, zu personalisieren. Sie kann anhand von bis zu 5 Millionen Elementen trainieren und relevantere Empfehlungen mit geringerer Latenz als die Vorgängerversion generieren.

Rezept personalized-ranking

Ein Rezept für PERSONALIZED_RANKING, das eine Sammlung von Artikeln, die Sie bereitstellen, auf der Grundlage des prognostizierten Interesses für einen bestimmten Benutzer einordnet. Verwenden Sie das Rezept für ein personalisiertes Ranking, um die Reihenfolge der kuratierten Listen mit Elementen oder Suchergebnissen, die für einen bestimmten Benutzer personalisiert sind, zu personalisieren.

popularity-count-Rezept

Ein USER_PERSONALIZATION-Rezept, das die Elemente empfiehlt, die die meisten Interaktionen mit einzelnen Benutzern haben.

Empfehlungsgeber

Ein Tool für Domain-Datensatz-Gruppen, das Empfehlungen generiert. Sie erstellen einen Empfehlungsgeber für eine Domain-Datensatzgruppe und verwenden ihn in Ihrer Anwendung, um mithilfe der GetRecommendations API Empfehlungen in Echtzeit zu erhalten. Wenn Sie einen Empfehlungsgeber erstellen, geben Sie einen Anwendungsfall an und Amazon Personalize trainiert die Modelle, die den Empfehlungsgeber unterstützen, mit den besten Konfigurationen für den Anwendungsfall.

recipe

Ein Amazon Personalize Personalize-Algorithmus, der vorkonfiguriert ist, um die Artikel vorherzusagen, mit denen ein Benutzer interagieren wird (für USER_PERSONALIZATION-Rezepte), Artikel zu berechnen, die bestimmten Artikeln ähneln, an denen ein Benutzer Interesse gezeigt hat (für RELATED_ITEMS Rezepte), oder eine Sammlung von Artikeln, die Sie anbieten, auf der Grundlage des prognostizierten Interesses für einen bestimmten Benutzer zu bewerten (für PERSONALIZED_RANKING-Rezepte).

Lösung

Das Rezept, die benutzerdefinierten Parameter und die trainierten Modelle (Lösungsversionen), die Amazon Personalize zur Generierung von Empfehlungen verwendet.

Lösungsversion

Ein trainiertes Modell, das Sie als Teil einer Lösung in Amazon Personalize erstellen. Sie stellen eine Lösungsversion in einer Kampagne bereit, um die Personalisierungs-API zu aktivieren, mit der Sie Empfehlungen anfordern.

Trainingsweise

Der Umfang der Schulung, die bei der Erstellung einer Lösungsversion durchgeführt werden muss. Es gibt zwei verschiedene Modi: FULL und UPDATE. Der FULL-Modus erstellt eine völlig neue Lösungsversion, die auf der Gesamtheit der Trainingsdaten aus den Datensätzen in Ihrer Datensatzgruppe basiert. UPDATE aktualisiert die bestehende Lösungsversion inkrementell, um neue Elemente zu empfehlen, die Sie seit der letzten Schulung hinzugefügt haben.

Anmerkung

Mit User-Personalization-v2, User-Personalization oder Next-Best-Action aktualisiert Amazon Personalize automatisch die neueste Lösungsversion, die mit dem FULL-Trainingsmodus trainiert wurde. Siehe Automatische Updates.

Rezept für Benutzerpersonalisierung V2

Ein USER_PERSONALIZATION-Rezept, das Elemente empfiehlt, mit denen ein Benutzer auf der Grundlage seiner Präferenzen interagieren wird. Dieses Rezept verwendet eine transformatorbasierte Architektur, um ein Modell zu trainieren, das aus Daten zu Artikelinteraktionen, Elementmetadaten und Benutzermetadaten lernt. Es kann mit bis zu 5 Millionen Elementen trainiert werden und relevantere Empfehlungen mit geringerer Latenz als in der Vorgängerversion generieren.

Rezept für Benutzerpersonalisierung

Ein auf dem Hierarchical Recurrent Neural Network (HRNN) basierendes USER_PERSONALIZATION-Rezept, das vorhersagt, mit welchen Elementen ein Benutzer interagieren wird. Das user-personalization-Rezept kann mithilfe von Elementerkundung und Impressionsdaten Empfehlungen für neue Elemente generieren.

Die folgenden Begriffe beziehen sich auf die Bereitstellung und Verwendung eines Modells zur Generierung von Empfehlungen.

Zeitraum der Aktionsoptimierung

Der Zeitraum, den Amazon Personalize verwendet, um die Aktionen vorherzusagen, die der Benutzer am wahrscheinlichsten ergreifen wird. Wenn der Zeitraum für die Aktionsoptimierung beispielsweise 14 Tage beträgt, prognostiziert Amazon Personalize, welche Aktionen Benutzer höchstwahrscheinlich in den nächsten 14 Tagen ausführen werden. Sie konfigurieren den Zeitraum für die Aktionsoptimierung, wenn Sie eine Lösung mit dem erstellen. Rezept für die nächste beste Aktion

Batch-Inferenzjob

Ein Tool, das Ihre Batch-Eingabedaten aus einem Amazon S3 S3-Bucket importiert, Ihre Lösungsversion verwendet, um Empfehlungen zu generieren, und die Empfehlungen in einen Amazon S3 S3-Bucket exportiert. Wir empfehlen, einen anderen Speicherort für Ihre Ausgabedaten zu verwenden (entweder einen Ordner oder einen anderen Amazon S3 S3-Bucket). Verwenden Sie einen Batch-Inferenzjob, um Empfehlungen für große Datensätze zu erhalten, für die keine Aktualisierungen in Echtzeit erforderlich sind.

Batch-Segmentauftrag

Ein Tool, das Ihre Batch-Eingabedaten aus einem Amazon S3 S3-Bucket importiert, Ihre Lösungsversion verwendet, um Benutzersegmente zu erstellen, und die Benutzersegmente in einen Amazon S3 S3-Bucket exportiert. Wir empfehlen, einen anderen Speicherort für Ihre Ausgabedaten zu verwenden (entweder einen Ordner oder einen anderen Amazon S3 S3-Bucket). Verwenden Sie einen Batch-Segmentauftrag mit einer Lösung, die auf einem USER_SEGMENTATION-Rezept basiert, um Benutzersegmente auf der Grundlage der Wahrscheinlichkeit zu erstellen, dass der Benutzer mit verschiedenen Elementen oder Elementen mit unterschiedlichen Artikelattributen interagiert.

Kampagne

Eine bereitgestellte Lösungsversion (trainiertes Modell) mit dedizierter Transaktionskapazität zur Erstellung von Empfehlungen für Ihre Anwendungsbenutzer in Echtzeit. Nachdem Sie eine Kampagne erstellt haben, verwenden Sie die getPersonalizedRanking API-Operationen getRecommendations oder, um Empfehlungen zu erhalten.

Erkundung von Elementen

Bei der Erkundung umfassen die Empfehlungen einige Elemente oder Aktionen, bei denen die Wahrscheinlichkeit, dass sie dem Benutzer empfohlen werden, in der Regel geringer ist, z. B. neue Artikel oder Aktionen, Artikel oder Aktionen mit wenigen Interaktionen oder Artikel oder Aktionen, die für den Benutzer aufgrund seines vorherigen Verhaltens weniger relevant sind.

metrische Zuordnung

Ein Tool, mit dem Sie die Wirkung von Artikelempfehlungen messen. Bei der Zuordnung von Kennzahlen werden Berichte erstellt, die auf den Artikelinteraktionen und Artikeldaten, die Sie importieren, sowie auf den von Ihnen angegebenen Kennzahlen basieren. Zum Beispiel die Gesamtlänge der von Benutzern angesehenen Filme oder die Gesamtzahl der Klickereignisse.

Empfehlungen

Eine Liste von Elementen, mit denen Amazon Personalize prognostiziert, dass ein Benutzer interagieren wird. Je nach verwendetem Amazon Personalize Personalize-Rezept können Empfehlungen entweder eine Artikelliste (USER_PERSONALIZATION-Rezepte und RELATED_ITEMS-Rezepte) oder eine Rangfolge einer von Ihnen bereitgestellten Artikelsammlung (PERSONALIZED_RANKING-Rezepte) sein.

Benutzersegmente

Listen von Benutzern, von denen Amazon Personalize prognostiziert, dass sie mit Ihrem Katalog interagieren werden. Je nach verwendetem USER_SEGMENTATION-Rezept erstellen Sie Benutzersegmente auf der Grundlage von Artikeln (Item-Affinity-Rezept), Artikelmetadaten (Item-Attribute-Affinity-Rezept). Benutzersegmente erstellen Sie mit einem Batch-Segmentauftrag.