Les traductions sont fournies par des outils de traduction automatique. En cas de conflit entre le contenu d'une traduction et celui de la version originale en anglais, la version anglaise prévaudra.
Recette Item-Affinity
La recette Item-Affinity (aws-item-affinity) est une recette USER_SEGMENTATION qui crée un segment utilisateur (groupe d'utilisateurs) pour chaque élément que vous spécifiez. Il s'agit des utilisateurs qu'Amazon Personalize prévoit qu'ils interagiront le plus probablement avec chaque article. Utilisez Item-Affinity pour en savoir plus sur vos utilisateurs et prendre des mesures en fonction de leurs segments d'utilisateurs respectifs.
Par exemple, vous souhaiterez peut-être créer une campagne marketing pour votre application de vente au détail en fonction des préférences des utilisateurs concernant les articles de votre catalogue. Item-Affinity créerait un segment utilisateur pour chaque élément en fonction des données de vos ensembles de données Interactions et Items. Vous pouvez l'utiliser pour promouvoir différents articles auprès de différents segments d'utilisateurs en fonction de la probabilité qu'ils entreprennent une action (par exemple, cliquer sur un article ou acheter un article). D'autres utilisations peuvent inclure la vente croisée de produits à différents groupes d'utilisateurs ou l'identification de candidats potentiels.
Pour obtenir des segments d'utilisateurs basés sur les éléments, vous créez une solution et une version de solution avec la recette Item-Affinity, puis vous ajoutez une liste d'éléments au format JSON dans un compartiment Amazon S3 et vous créez une tâche de segment par lots. Amazon Personalize envoie un segment utilisateur pour chaque article à votre emplacement de sortie dans Amazon S3. Vos données d'entrée peuvent contenir un maximum de 500 éléments pour lesquels obtenir des segments d'utilisateurs. Pour plus d'informations sur la préparation des données d'entrée pour une tâche de segmentation par lots, consultezPréparation des données d'entrée pour les recommandations par lots.
Pour utiliser Item-Affinity, vous devez disposer d'un jeu de données sur les interactions entre articles. Les ensembles de données des éléments et des utilisateurs sont facultatifs. Vous pouvez obtenir des segments d'utilisateurs avec des tâches de segmentation par lots. Pour plus d’informations, consultez Obtenir des segments d'utilisateurs par lots.
Après avoir créé une version de solution, assurez-vous de maintenir la version et les données de votre solution à jour. Avec Item-Affinity, vous devez créer une nouvelle version de solution pour Amazon Personalize afin de prendre en compte les nouveaux utilisateurs pour les segments d'utilisateurs et de mettre à jour le modèle en fonction du comportement le plus récent de vos utilisateurs. Pour obtenir un segment d'utilisateur pour un élément, celui-ci doit être présent lorsque vous avez créé la version de la solution.
La recette Item-Affinity possède les propriétés suivantes :
-
Nom –
aws-item-affinity -
Nom de la ressource Amazon (ARN) de la recette —
arn:aws:personalize:::recipe/aws-item-affinity -
Algorithme ARN —
arn:aws:personalize:::algorithm/aws-item-affinity -
ARN de transformation des fonctionnalités —
arn:aws:personalize:::feature-transformation/item-affinity -
Type de recette —
USER_SEGMENTATION
Le tableau suivant décrit les hyperparamètres de la recette Item-Affinity. Un hyperparamètre est un paramètre d'algorithme que vous ajustez pour améliorer les performances du modèle. Les hyperparamètres d'algorithme contrôlent les performances du modèle. Vous ne pouvez pas utiliser l'optimisation des hyperparamètres (HPO) avec la recette Item-Affinity.
Le tableau fournit également les informations suivantes pour chaque hyperparamètre :
-
Plage: [lower bound, upper bound]
-
Type de valeur : integer (entier), Continuous (float) [continu (flottant)], Categorical (Boolean, list, string) [catégorique (booléen, liste, chaîne)]
| Name (Nom) | Description |
|---|---|
| Hyperparamètres de l'algorithme | |
hidden_dimension |
Nombre de variables masquées utilisées dans le modèle. Les variables masquées recréent l'historique des achats des utilisateurs et les statistiques des articles pour générer des scores de classement. Spécifiez un plus grand nombre de dimensions masquées lorsque votre ensemble de données Interactions inclut des modèles plus complexes. L'utilisation de dimensions masquées nécessite un ensemble de données plus volumineux et plus de temps pour le traitement. Valeur par défaut : 149 Plage : [32, 256] Type de valeur : entier |
