Receta Trending-Now - Amazon Personalize

Las traducciones son generadas a través de traducción automática. En caso de conflicto entre la traducción y la version original de inglés, prevalecerá la version en inglés.

Receta Trending-Now

La receta Trending-Now (aws-trending-now) genera recomendaciones de elementos que se están volviendo cada vez más populares entre sus usuarios. Puede utilizar la receta Trending-Now si los elementos que están ganando popularidad son más relevantes para sus clientes. Por ejemplo, es posible que sus clientes valoren en gran medida aquello con que interactúan otros usuarios. Entre los usos habituales se incluyen la recomendación contenido viral en las redes sociales, elementos de noticias de última hora o vídeos deportivos recientes.

Trending-Now identifica automáticamente los elementos que están ganando popularidad calculando el aumento de las interacciones de cada uno de ellos a lo largo de intervalos de tiempo configurables. Los elementos con la tasa de aumento más alta se consideran elementos populares. El tiempo se basa en los datos de marca temporal del conjunto de datos de interacciones de elementos. Los elementos considerados provienen de los datos de interacciones que se han importado de forma masiva e incremental. No es necesario crear manualmente una nueva versión de la solución para que Trending-Now tenga en cuenta nuevos elementos en los datos de interacciones.

Puede especificar el intervalo de tiempo proporcionando Trend discovery frequency al crear la solución. Por ejemplo, si especifica 30 minutes para Trend discovery frequency por cada 30 minutos de datos, Amazon Personalize identifica los elementos con la mayor tasa de aumento de interacciones desde la última evaluación. Las frecuencias posibles incluyen 30 minutos, 1 hora, 3 horas y 1 día. Elija una frecuencia que se ajuste a la distribución de los datos de sus interacciones. La falta de datos durante el intervalo que elija puede reducir la precisión de las recomendaciones. Si importa cero interacciones en los dos últimos intervalos de tiempo, Amazon Personalize recomienda solo los elementos populares en lugar de los elementos que estén ganando popularidad.

Con Trending-Now, puede llamar a la operación GetRecommendations u obtener recomendaciones en la página de Campaña de prueba de la consola Amazon Personalize. Amazon Personalize devuelve los elementos que más popularidad están ganando. Solo se aprueba una solicitud userId si se aplica un filtro que lo requiera. Con la GetRecommendations API, puede configurar el número de elementos de tendencia devueltos con el numResults parámetro. No puede obtener recomendaciones por lotes con la receta Trending-Now.

Para usar Trending-Now, debe crear un conjunto de datos de interacciones entre elementos con al menos 1000 interacciones históricas y de eventos únicas combinadas (después de filtrar por EventType y eventValueThreshold, si se proporciona). Al generar recomendaciones de elementos populares, Trending-Now no utiliza los datos de los conjuntos de datos de elementos o usuarios. Sin embargo, aún puede filtrar las recomendaciones en función de los datos de estos conjuntos de datos. Para obtener más información, consulte Recomendaciones de filtrado y segmentos de usuarios.

La receta Trending-Now incluye las siguientes propiedades:

  • Nombre: aws-trending-now

  • Nombre de recurso de Amazon (ARN) de la receta: arn:aws:personalize:::recipe/aws-trending-now

  • ARN del algoritmo: arn:aws:personalize:::algorithm/aws-trending-now-custom

Para obtener más información, consulte Elección de una receta.

En la siguiente tabla se describen los hiperparámetros de la receta Trending-Now. Un hiperparámetro es un parámetro de algoritmo que se puede ajustar para mejorar el rendimiento del modelo. Los hiperparámetros de algoritmos controlan el rendimiento del modelo. El proceso de elección del mejor valor para un hiperparámetro se denomina optimización de hiperparámetros (HPO). Para obtener más información, consulte Hiperparámetros y HPO.

La tabla también proporciona la siguiente información para cada hiperparámetro:

  • Rango: [límite inferior, límite superior]

  • Tipo de valor: número entero, continuo (flotante), categórico (booleano, lista, cadena)

  • HPO ajustable: ¿puede el parámetro participar en HPO?

Nombre Descripción
Hiperparámetros de transformación de características
Trend discovery frequency

Especifique la frecuencia con la que Amazon Personalize evalúa los datos de sus interacciones e identifica los elementos de tendencia. Por ejemplo, si especifica 30 minutes para Trend discovery frequency, Amazon Personalize identifica cada 30 minutos los elementos con la mayor tasa de aumento de interacciones en intervalos de 30 minutos.

Las frecuencias disponibles incluyen 30 minutos, 1 hora, 3 horas y 1 día. Elija una frecuencia que se ajuste a la distribución de los datos de sus interacciones. La falta de datos durante el intervalo que elija puede reducir la precisión de las recomendaciones. Si utiliza la operación de CreateSolution API y no especifica ningún valor, el valor predeterminado es cada 2 horas.

Valor predeterminado: 2 horas

Valores posibles: 30 minutos, 1 hora, 3 horas y 1 día.

Tipo de valor: cadena

HPO ajustable: no

Los siguientes códigos muestran cómo crear una solución con la receta Trending-Now mediante el SDK for Python (Boto3). Los valores posibles de trend_discovery_frequency son 30 minutes, 1 hour, 3 hours y 1 day. Para obtener información sobre cómo crear una tabla manualmente con la consola, consulte Creación de una solución (consola).

import boto3 personalize = boto3.client("personalize") create_solution_response = personalize_client.create_solution( name="solution name", recipeArn="arn:aws:personalize:::recipe/aws-trending-now", datasetGroupArn="dataset group ARN", solutionConfig={ "featureTransformationParameters": { "trend_discovery_frequency": "1 hour" } } ) print(create_solution_response['solutionArn'])

Para ver un ejemplo de bloc de notas de Jupyter que muestre cómo usar la receta Trending-Now, consulte trending_now_example.ipynb en el repositorio de muestras de Amazon Personalize. GitHub