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 User-Personalization-v2
La receta User-Personalization-v 2 (aws-user-personalization-v2) recomienda artículos con los que el usuario interactuará en función de sus preferencias. Por ejemplo, puedes usar User-Personalization-v 2 para generar recomendaciones de películas personalizadas para una aplicación de streaming o recomendaciones personalizadas de productos para una aplicación de venta minorista. Otros casos de uso incluyen la generación de recomendaciones en tiempo real para un sitio de noticias o recomendaciones por lotes para una campaña de marketing personalizada.
User-Personalization-v2 puede procesar hasta 5 millones de artículos a partir de interacciones entre artículos y conjuntos de datos de artículos. Y genera recomendaciones más relevantes con una latencia menor que User-Personalization.
Como User-Personalization-v 2 recomienda los elementos más relevantes a los usuarios en función de sus datos, recomienda con mayor frecuencia los elementos existentes con datos de interacciones. Para asegurarse de que las recomendaciones incluyen los elementos nuevos, puede utilizar una promoción que incluya algunos elementos en función de la marca temporal de creación. Para obtener más información sobre las promociones, consulte Promoción de elementos en las recomendaciones en tiempo real.
Esta receta utiliza una arquitectura basada en transformador para entrenar un modelo que aprenda el contexto y realice un seguimiento de las relaciones y los patrones de los datos. Los transformadores son un tipo de arquitectura de red neuronal que transforma o cambia una secuencia de entrada en una secuencia de salida. En el caso de Amazon Personalize, la secuencia de entrada es el historial de interacciones de elemento de un usuario en los datos. La secuencia de salida son las recomendaciones personalizadas. Para obtener más información sobre los transformadores, consulte What Are Transformers In Artificial Intelligence?
User-Personalization-v2 utiliza un modelo de precios distinto al de otras recetas. Para obtener más información sobre el precio, consulte Precios de Amazon Personalize
Temas
Características de la receta
User-Personalization-v2 utiliza las siguientes características de receta de Amazon Personalize al generar recomendaciones de elemento:
-
Personalización en tiempo real: con este tipo de personalización, Amazon Personalize actualiza y adapta las recomendaciones de elemento en función de la evolución de los intereses del usuario. Para obtener más información, consulte Personalización en tiempo real.
-
Exploración: con la exploración, las recomendaciones incluyen elementos con menos datos de interacciones o relevancia para el usuario. Con User-Personalization-v 2, Amazon Personalize gestiona la configuración de exploración por usted. Para asegurarse de que las recomendaciones incluyen los elementos nuevos, puede utilizar promociones para incluir elementos nuevos en función de la marca temporal de creación. Para obtener más información sobre las promociones, consulte Promoción de elementos en las recomendaciones en tiempo real.
-
Actualizaciones automáticas: con las actualizaciones automáticas, Amazon Personalize actualiza de forma automática el último modelo (versión de solución) cada dos horas para tener en cuenta nuevos elementos en las recomendaciones. Para obtener más información, consulte Actualizaciones automáticas.
-
Metadatos con recomendaciones: con la fórmula User-Personalization-v 2, si tienes un conjunto de datos de artículos con al menos una columna de metadatos, las campañas tienen automáticamente la opción de incluir los metadatos de los artículos en los resultados de las recomendaciones. No tiene que activar manualmente los metadatos de la campaña. Puede usar metadatos para enriquecer las recomendaciones de la interfaz de usuario, por ejemplo, agregar los géneros de las películas a los carruseles. Para obtener más información, consulte Metadatos de elemento en las recomendaciones.
Conjuntos de datos obligatorios y opcionales
Para usar las User-Personalization-v dos, debes crear un conjunto de datos de interacciones entre elementos e importar un mínimo de 1000 interacciones entre elementos. Amazon Personalize genera recomendaciones basadas principalmente basadas en los datos de interacciones de elemento. Para obtener más información, consulteDatos de interacciones de elementos. User-Personalization-v2 puede procesar hasta 5 millones de elementos en todas las interacciones entre los elementos y los conjuntos de datos de los elementos.
Con User-Personalization-v 2, Amazon Personalize puede utilizar los datos de interacciones entre artículos, entre los que se incluyen los siguientes:
-
Tipo de evento y datos de valor de evento: Amazon Personalize utiliza los datos de tipo de evento, como los tipos de evento de clic y de visualización, para identificar la intención y el interés de los usuarios a través de cualquier patrón de comportamiento. Además, puede usar los datos de tipo y de valor de evento para filtrar los registros antes del entrenamiento. Para obtener más información, consulte Datos de valor de evento y tipo de evento.
nota
Con User-Personalization-v 2, el coste de la formación se basa en los datos de sus interacciones antes de filtrarlos por tipo o valor de evento. Para obtener más información sobre el precio, consulte Precios de Amazon Personalize
. -
Metadatos contextuales: son datos de interacciones que se recopilan en el entorno del usuario en el momento de un evento, como la ubicación o el tipo de dispositivo. Para obtener más información, consulte Metadatos contextuales.
Los siguientes conjuntos de datos son opcionales y pueden mejorar las recomendaciones:
-
Conjunto de datos de usuarios: Amazon Personalize puede utilizar datos del conjunto de datos de usuarios para comprender mejor a los usuarios y los intereses que tienen. También puede usar los datos de un conjunto de datos de usuarios para filtrar las recomendaciones. Para obtener información sobre los datos de usuario que puede importar, consulte Metadatos de usuario.
-
Conjunto de datos de elementos: Amazon Personalize puede utilizar los datos del conjunto de datos de elementos para identificar conexiones y patrones en el comportamiento. Esto ayuda a Amazon Personalize a entender a los usuarios y sus intereses. También puede usar los datos de un conjunto de datos de elementos para filtrar las recomendaciones. Para obtener información sobre los datos de elementos que puede importar, consulte Metadatos de elemento.
Propiedades e hiperparámetros
La receta User-Personalization-v 2 tiene las siguientes propiedades:
-
Nombre:
aws-user-personalization-v2 -
Nombre del recurso de Amazon de la receta (ARN) —
arn:aws:personalize:::recipe/aws-user-personalization-v2 -
Algoritmo ARN —
arn:aws:personalize:::algorithm/aws-user-personalization-v2
Para obtener más información, consulte Elección de una receta.
En la siguiente tabla se describen los hiperparámetros de la receta User-Personalization-v 2. 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 elegir el mejor valor para un hiperparámetro se denomina optimización de hiperparámetros (). HPO Con User-Personalization-v 2, si activas el entrenamiento automático, Amazon Personalize se ejecuta automáticamente HPO cada 90 días. Sin un entrenamiento automático, no HPO ocurre nada.
La tabla proporciona la siguiente información para cada hiperparámetro:
-
Rango: [límite inferior, límite superior]
-
Tipo de valor: número entero, continuo (flotante), categórico (booleano, lista, cadena)
| Nombre | Descripción |
|---|---|
| Hiperparámetros de algoritmos | |
apply_recency_bias |
Determina si el modelo debe dar más ponderación a los datos de interacciones de elemento más recientes del conjunto de datos de interacciones de elemento. Los datos de las interacciones más recientes pueden incluir cambios repentinos en los patrones subyacentes de los eventos de interacción. Para entrenar un modelo que tenga más peso sobre los eventos recientes, establezca Valor predeterminado: Rango: Tipo de valor: booleano HPOajustable: No |
