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 de personnalisation par l'utilisateur V2
La recette User-Personalization-v 2 (aws-user-personalization-v2) recommande les articles avec lesquels un utilisateur va interagir en fonction de ses préférences. Par exemple, vous pouvez utiliser User-Personalization-v 2 pour générer des recommandations de films personnalisées pour une application de streaming ou des recommandations de produits personnalisées pour une application de vente au détail. D'autres cas d'utilisation incluent la génération de recommandations en temps réel pour un site d'actualités ou des recommandations par lots pour une campagne marketing personnalisée.
User-Personalization-v2 peuvent s'entraîner sur jusqu'à 5 millions d'objets à partir des interactions entre objets et des ensembles de données d'objets. Et il génère des recommandations plus pertinentes avec une latence inférieure àPersonnalisation par l'utilisateur.
Étant donné que User-Personalization-v 2 recommande les éléments les plus pertinents aux utilisateurs en fonction de vos données, il recommande plus fréquemment les éléments existants contenant des données d'interactions. Pour vous assurer que les recommandations incluent de nouveaux articles, vous pouvez utiliser une promotion qui inclut certains articles en fonction de l'horodatage de création. Pour plus d'informations sur les promotions, consultezPromouvoir des articles dans le cadre de recommandations en temps réel.
Cette recette utilise une architecture basée sur un transformateur pour entraîner un modèle qui apprend le contexte et suit les relations et les modèles dans vos données. Les transformateurs sont un type d'architecture de réseau neuronal qui transforme ou modifie une séquence d'entrée en séquence de sortie. Pour Amazon Personalize, la séquence de saisie est l'historique des interactions d'un utilisateur avec les articles dans vos données. La séquence de sortie correspond à leurs recommandations personnalisées. Pour plus d'informations sur les transformateurs, voir Que sont les transformateurs dans l'intelligence artificielle ?
User-Personalization-v2 utilise un modèle de tarification différent de celui des autres recettes. Pour plus d'informations sur la tarification, consultez la section Tarification Amazon Personalize
Rubriques
Caractéristiques de la recette
User-Personalization-v2 utilise les fonctionnalités de recette Amazon Personalize suivantes pour générer des recommandations d'articles :
-
Personnalisation en temps réel — Grâce à la personnalisation en temps réel, Amazon Personalize met à jour et adapte les recommandations d'articles en fonction de l'évolution des intérêts de l'utilisateur. Pour de plus amples informations, veuillez consulter Personnalisation en temps réel.
-
Exploration — Dans le cadre de l'exploration, les recommandations incluent des éléments comportant moins de données d'interactions ou présentant moins de pertinence pour l'utilisateur. Avec User-Personalization-v 2, Amazon Personalize gère la configuration de l'exploration pour vous. Pour vous assurer que les recommandations incluent de nouveaux articles, vous pouvez utiliser les promotions pour inclure de nouveaux articles en fonction de leur date de création. Pour plus d'informations sur les promotions, consultezPromouvoir des articles dans le cadre de recommandations en temps réel.
-
Mises à jour automatiques : grâce aux mises à jour automatiques, Amazon Personalize met automatiquement à jour le dernier modèle (version de la solution) toutes les deux heures afin de prendre en compte les nouveaux articles et de les recommander. Pour de plus amples informations, veuillez consulter Mises à jour automatiques.
-
Métadonnées avec recommandations — Avec la recette User-Personalization-v 2, si vous disposez d'un jeu de données d'articles contenant au moins une colonne de métadonnées, les campagnes ont automatiquement la possibilité d'inclure les métadonnées des articles dans les résultats des recommandations. Vous n'avez pas activé manuellement les métadonnées pour votre campagne. Vous pouvez utiliser les métadonnées pour enrichir les recommandations dans votre interface utilisateur, par exemple en ajoutant les genres de films aux carrousels. Pour de plus amples informations, veuillez consulter Métadonnées des éléments dans les recommandations.
Ensembles de données obligatoires et facultatifs
Pour utiliser le User-Personalization-v 2, vous devez créer un jeu de données d'interactions entre articles et importer au moins 1 000 interactions entre articles. Amazon Personalize génère des recommandations principalement basées sur les données d'interaction entre les articles. Pour plus d'informations, consultezDonnées d'interaction entre les articles. User-Personalization-v2 peuvent s'entraîner sur jusqu'à 5 millions d'objets dans le cadre d'interactions entre objets et de jeux de données d'articles.
Avec User-Personalization-v 2, Amazon Personalize peut utiliser les données relatives aux interactions avec les articles, notamment les suivantes :
-
Données relatives au type d'événement et à la valeur de l'événement : Amazon Personalize utilise les données relatives aux types d'événements, telles que les types d'événements à cliquer ou à regarder, pour identifier les intentions et les intérêts des utilisateurs en fonction de leurs comportements. Vous pouvez également utiliser les données relatives au type et à la valeur de l'événement pour filtrer les enregistrements avant l'entraînement. Pour de plus amples informations, veuillez consulter Données relatives au type d'événement et à la valeur de l'événement.
Note
Avec User-Personalization-v 2, votre coût de formation est basé sur les données de vos interactions avant d'être filtré par type ou valeur d'événement. Pour plus d'informations sur la tarification, consultez la section Tarification Amazon Personalize
. -
Métadonnées contextuelles — Les métadonnées contextuelles sont des données d'interaction que vous collectez sur l'environnement de l'utilisateur au moment d'un événement, telles que sa localisation ou son type d'appareil. Pour de plus amples informations, veuillez consulter Métadonnées contextuelles.
Les ensembles de données suivants sont facultatifs et peuvent améliorer les recommandations :
-
Ensemble de données utilisateurs — Amazon Personalize peut utiliser les données de votre jeu de données utilisateurs pour mieux comprendre vos utilisateurs et leurs centres d'intérêt. Vous pouvez également utiliser les données d'un jeu de données Utilisateurs pour filtrer les recommandations. Pour plus d'informations sur les données utilisateur que vous pouvez importer, consultezMétadonnées utilisateur.
-
Ensemble de données d'articles : Amazon Personalize peut utiliser les données de votre jeu de données d'articles pour identifier les connexions et les modèles de comportement. Cela permet à Amazon Personalize de comprendre vos utilisateurs et leurs centres d'intérêt. Vous pouvez également utiliser les données d'un jeu de données Items pour filtrer les recommandations. Pour plus d'informations sur les données d'articles que vous pouvez importer, consultezMétadonnées de l'article.
Propriétés et hyperparamètres
La recette User-Personalization-v 2 possède les propriétés suivantes :
-
Nom –
aws-user-personalization-v2 -
Nom de la ressource Amazon (ARN) de la recette —
arn:aws:personalize:::recipe/aws-user-personalization-v2 -
Algorithme ARN —
arn:aws:personalize:::algorithm/aws-user-personalization-v2
Pour de plus amples informations, veuillez consulter Choisir une recette.
Le tableau suivant décrit les hyperparamètres de la recette User-Personalization-v 2. Un hyperparamètre est un paramètre d'algorithme que vous pouvez régler pour améliorer les performances du modèle. Les hyperparamètres d'algorithme contrôlent les performances du modèle. Le processus de sélection de la meilleure valeur pour un hyperparamètre est appelé optimisation des hyperparamètres (HPO). Avec User-Personalization-v 2, si vous activez l'entraînement automatique, Amazon Personalize effectue automatiquement le HPO tous les 90 jours. Sans entraînement automatique, aucun HPO ne se produit.
Le tableau fournit 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 | |
apply_recency_bias |
Détermine si le modèle doit accorder plus de poids aux données d'interactions entre articles les plus récentes de votre jeu de données d'interactions entre articles. Les données d'interactions les plus récentes peuvent inclure des changements soudains dans les modèles sous-jacents des événements d'interaction. Pour former un modèle qui accorde plus de poids aux événements récents, définissez Valeur par défaut : Plage : Type de valeur : booléen HPO personnalisable : non |
