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.
Conditions générales d'Amazon Personalize
Cette section présente les termes utilisés dans Amazon Personalize.
Importation et gestion des données
Les termes suivants concernent l'importation, l'exportation et le formatage des données dans Amazon Personalize.
- jeu de données d'actions
-
Un conteneur pour les métadonnées relatives à vos actions. Une action est une activité génératrice d'engagement ou de revenus que vous souhaiterez peut-être recommander à vos utilisateurs, comme l'installation de votre application mobile ou l'adhésion à votre programme de fidélité. Les métadonnées des actions peuvent inclure l'horodatage d'expiration, la valeur, les données de fréquence de répétition et les métadonnées catégorielles de l'action. Ce type de données n'est utilisé que par leRecette Next-Best-Action.
- jeu de données actions et interactions
-
Un conteneur pour les données historiques et en temps réel que vous collectez à partir des interactions entre les utilisateurs et les actions. Chaque interaction d'action se compose d'un identifiant utilisateur, d'un identifiant d'action, d'un horodatage, d'un type d'événement et de toute donnée supplémentaire concernant l'interaction, telle que des métadonnées catégorielles. Ce type de données n'est utilisé que par leRecette Next-Best-Action.
- métadonnées contextuelles
-
Données d'interactions que vous collectez concernant le contexte de navigation d'un utilisateur (tel que l'appareil utilisé ou la localisation) lorsqu'un événement (tel qu'un clic) se produit. Les métadonnées contextuelles peuvent améliorer la pertinence des recommandations pour les utilisateurs nouveaux et existants.
- dataset
-
Un conteneur pour les données que vous chargez sur Amazon Personalize. Il existe cinq types d'ensembles de données Amazon Personalize : les utilisateurs, les articles, le jeu de données d'interactions entre les articles et les actions.
- groupe de jeux de données
-
Un conteneur pour les ressources Amazon Personalize, y compris les ensembles de données, les recommandations de domaines et les ressources personnalisées. Un groupe de jeux de données organise vos ressources en collections indépendantes, dans lesquelles les ressources d'un groupe de jeux de données ne peuvent influencer les ressources d'aucun autre groupe de jeux de données. Un groupe de jeux de données peut être un groupe de jeux de données de domaine ou un groupe de jeux de données personnalisé.
- Groupe de jeux de données de domaine
-
Un groupe de jeux de données contenant des ressources préconfigurées pour différents domaines commerciaux et différents cas d'utilisation. Amazon Personalize gère le cycle de vie des modèles de formation et leur déploiement. Lorsque vous créez un groupe de jeux de données de domaine, vous choisissez votre domaine professionnel, vous importez vos données et vous créez des recommandations pour chacun de vos cas d'utilisation. Vous utilisez votre outil de recommandation dans votre application pour obtenir des recommandations concernant l' GetRecommendationsopération.
Si vous commencez avec un groupe de jeux de données de domaine, vous pouvez toujours ajouter des ressources personnalisées telles que des solutions et des versions de solutions entraînées avec des recettes pour des cas d'utilisation personnalisés.
- Groupe de jeux de données personnalisé
-
Groupe de jeux de données contenant uniquement des ressources personnalisées, notamment des solutions, des versions de solutions, des filtres, des campagnes et des tâches d'inférence par lots. Vous utilisez une campagne pour obtenir des recommandations concernant l' GetRecommendationsopération. Vous gérez le cycle de vie des modèles de formation et leur déploiement. Si vous commencez avec un groupe de jeux de données personnalisé, vous ne pourrez pas l'associer à un domaine ultérieurement. Créez plutôt un nouveau groupe de jeux de données de domaine.
- tâche d'exportation de jeux de données
-
Outil d'exportation d'enregistrements qui génère les enregistrements d'un ensemble de données vers un ou plusieurs fichiers CSV d'un compartiment Amazon S3. Le fichier CSV en sortie inclut une ligne d'en-tête dont les noms de colonnes correspondent aux champs du schéma du jeu de données.
- tâche d'importation de jeux de données
-
Un outil d'importation en masse qui remplit votre ensemble de données Amazon Personalize avec les données d'un fichier CSV dans votre compartiment Amazon S3.
- event
-
Une action de l'utilisateur, telle qu'un clic, un achat ou le visionnage d'une vidéo, que vous enregistrez et importez dans un ensemble de données d'interactions avec Amazon Personalize Item. Vous importez des événements en masse à partir d'un fichier CSV, de manière incrémentielle avec la console Amazon Personalize, et en temps réel.
- impressions explicites
-
Liste des articles que vous ajoutez manuellement à un ensemble de données d'interactions avec Amazon Personalize Item. Contrairement aux impressions implicites, qu'Amazon Personalize obtient automatiquement à partir de vos données de recommandation, vous choisissez ce que vous souhaitez inclure dans les impressions explicites.
- impressions implicites
-
Les recommandations que votre application affiche à un utilisateur. Contrairement aux impressions explicites, que vous ajoutez manuellement à un ensemble de données d'interactions entre articles, Amazon Personalize déduit automatiquement les impressions implicites à partir de vos données de recommandation.
- données sur les impressions
-
Liste des articles que vous avez présentés à un utilisateur lorsqu'il interagissait avec un article en particulier en cliquant dessus, en le regardant, en l'achetant, etc. Amazon Personalize utilise les données d'impressions pour calculer la pertinence des nouveaux articles pour un utilisateur en fonction de la fréquence à laquelle les utilisateurs ont sélectionné ou ignoré le même article.
- jeu de données d'interactions
-
Conteneur pour les données historiques et en temps réel que vous collectez à partir des interactions entre les utilisateurs et les éléments (appelées événements). Les données d'interactions peuvent inclure des données de type d'événement et des métadonnées contextuelles.
- jeu de données d'articles
-
Un conteneur pour les métadonnées relatives à vos articles, telles que le prix, le genre ou la disponibilité.
- fréquence de répétition
-
Type de métadonnées d'action que vous pouvez importer dans un jeu de données Actions. Les données de fréquence de répétition indiquent le nombre de jours qu'Amazon Personalize doit attendre pour recommander une action particulière après qu'un utilisateur interagisse avec celle-ci, en fonction de l'historique de l'utilisateur dans votre ensemble de données d'interactions avec les actions.
- schéma
-
Un objet JSON au format Apache Avro
qui indique à Amazon Personalize la structure de vos données. Amazon Personalize utilise votre schéma pour analyser vos données. - jeu de données des utilisateurs
-
Un conteneur pour les métadonnées relatives à vos utilisateurs, telles que l'âge, le sexe ou l'adhésion à un programme de fidélité.
Entraînement
Les termes suivants concernent la formation d'un modèle dans Amazon Personalize.
- item-to-item recette de similarités (SIMS)
-
Une recette RELATED_ITEMS qui utilise les données d'un jeu de données Interactions pour recommander des éléments similaires à un élément spécifié. La recette SIMS calcule la similarité en fonction de la façon dont les utilisateurs interagissent avec les articles au lieu de faire correspondre les métadonnées des articles, telles que le prix ou la couleur.
- affinité entre les objets
-
Une recette USER_SEGMENTATION qui utilise les données d'un jeu de données d'interactions entre articles et d'un jeu de données d'articles pour créer des segments d'utilisateurs pour chaque élément que vous spécifiez en fonction de la probabilité que les utilisateurs interagissent avec l'élément.
- item-attribute-affinity
-
Une recette USER_SEGMENTATION qui utilise les données d'un jeu de données d'interactions entre articles et d'un jeu de données d'articles pour créer un segment utilisateur pour chaque attribut d'article que vous spécifiez en fonction de la probabilité que les utilisateurs interagissent avec les articles dotés de cet attribut.
- Recette Next-Best-Action
-
Cette recette génère des recommandations en temps réel pour les prochaines meilleures actions pour vos utilisateurs. La meilleure action suivante pour un utilisateur est celle qu'il est le plus susceptible d'entreprendre. Par exemple, vous inscrire à votre programme de fidélité, télécharger votre application ou demander une carte de crédit. Pour plus d’informations, consultez Recette Next-Best-Action.
- Recette de classement V2 personnalisée
-
Une recette PERSONALIZED_RANKING qui classe une collection d'articles que vous fournissez en fonction du niveau d'intérêt prévu pour un utilisateur spécifique. Cette recette utilise une architecture basée sur un transformateur pour entraîner un modèle qui apprend à partir des données d'interactions entre les éléments, des métadonnées des éléments et des métadonnées des utilisateurs. Utilisez la recette Personalized-ranking-V2 pour personnaliser l'ordre des listes d'éléments ou des résultats de recherche personnalisés pour un utilisateur spécifique. Elle peut s'entraîner sur un maximum de 5 millions d'éléments et générer des recommandations plus pertinentes avec une latence plus faible que la version précédente.
- recette à classement personnalisé
-
Une recette PERSONALIZED_RANKING qui classe une collection d'articles que vous fournissez en fonction du niveau d'intérêt prévu pour un utilisateur spécifique. Utilisez la recette de classement personnalisé pour personnaliser l'ordre des listes d'articles ou des résultats de recherche personnalisés pour un utilisateur spécifique.
- recette de comptage de popularité
-
Une recette USER_PERSONALIZATION qui recommande les éléments ayant le plus d'interactions avec des utilisateurs uniques.
- recommandant
-
Outil de groupe de données de domaine qui génère des recommandations. Vous créez un outil de recommandation pour un groupe de jeux de données de domaine et vous l'utilisez dans votre application pour obtenir des recommandations en temps réel avec l' GetRecommendations API. Lorsque vous créez un recommandeur, vous spécifiez un cas d'utilisation et Amazon Personalize forme les modèles qui soutiennent le recommandeur avec les meilleures configurations pour ce cas d'utilisation.
- recipe
-
Un algorithme Amazon Personalize préconfiguré pour prédire les articles avec lesquels un utilisateur va interagir (pour les recettes USER_PERSONALIZATION), pour calculer des articles similaires à des articles spécifiques qui intéressent un utilisateur (pour les recettes RELATED_ITEMS), ou pour classer une collection d'articles que vous fournissez en fonction de l'intérêt prévu pour un utilisateur spécifique (pour les recettes PERSONALIZED_RANKING).
- solution
-
La recette, les paramètres personnalisés et les modèles entraînés (versions de solution) utilisés par Amazon Personalize pour générer des recommandations.
- version de la solution
-
Un modèle formé que vous créez dans le cadre d'une solution dans Amazon Personalize. Vous déployez une version de solution dans une campagne pour activer l'API de personnalisation que vous utilisez pour demander des recommandations.
- mode d'entraînement
-
L'étendue de la formation à effectuer lors de la création d'une version de solution. Il existe deux modes différents : COMPLET et UPDATE. Le mode FULL crée une toute nouvelle version de solution basée sur l'intégralité des données d'entraînement issues des ensembles de données de votre groupe de jeux de données. UPDATE met à jour progressivement la version existante de la solution afin de recommander les nouveaux éléments que vous avez ajoutés depuis la dernière formation.
Note
Avec User-Personalization-v2, User-Personalization ou Next-Best-Action, Amazon Personalize met automatiquement à jour la dernière version de la solution entraînée avec le mode de formation COMPLET. veuillez consulter Mises à jour automatiques.
- Recette de personnalisation par l'utilisateur V2
-
Une recette USER_PERSONALIZATION qui recommande les éléments avec lesquels un utilisateur va interagir en fonction de ses préférences. Cette recette utilise une architecture basée sur un transformateur pour entraîner un modèle qui apprend à partir des données d'interactions entre les éléments, des métadonnées des éléments et des métadonnées des utilisateurs. Elle peut s'entraîner sur un maximum de 5 millions d'éléments et générer des recommandations plus pertinentes avec une latence plus faible que la version précédente.
- Recette de personnalisation par l'utilisateur
-
Une recette USER_PERSONALIZATION basée sur un réseau neuronal récurrent hiérarchique (HRNN) qui prédit les éléments avec lesquels un utilisateur va interagir. La recette de personnalisation par l'utilisateur peut utiliser les données d'exploration des articles et d'impressions pour générer des recommandations pour de nouveaux articles.
Déploiement du modèle et recommandations
Les termes suivants concernent le déploiement et l'utilisation d'un modèle pour générer des recommandations.
- période d'optimisation des actions
-
Période utilisée par Amazon Personalize pour prévoir les actions les plus susceptibles d'être entreprises par l'utilisateur. Par exemple, si la période d'optimisation des actions est de 14 jours, Amazon Personalize prédit les actions les plus susceptibles d'être entreprises par les utilisateurs au cours des 14 prochains jours. Vous configurez la période d'optimisation des actions lorsque vous créez une solution à l'aide duRecette Next-Best-Action.
- tâche d'inférence par lots
-
Outil qui importe vos données d'entrée par lots depuis un compartiment Amazon S3, utilise la version de votre solution pour générer des recommandations et exporte les recommandations vers un compartiment Amazon S3. Nous vous recommandons d'utiliser un autre emplacement pour vos données de sortie (soit un dossier, soit un autre compartiment Amazon S3). Utilisez une tâche d'inférence par lots pour obtenir des recommandations pour les ensembles de données volumineux qui ne nécessitent pas de mises à jour en temps réel.
- tâche de segmentation par lots
-
Outil qui importe vos données d'entrée par lots depuis un compartiment Amazon S3, utilise la version de votre solution pour créer des segments d'utilisateurs et exporte les segments d'utilisateurs vers un compartiment Amazon S3. Nous vous recommandons d'utiliser un autre emplacement pour vos données de sortie (soit un dossier, soit un autre compartiment Amazon S3). Utilisez un travail de segmentation par lots avec une solution basée sur une recette USER_SEGMENTATION pour créer des segments d'utilisateurs en fonction de la probabilité que l'utilisateur interagisse avec différents articles ou des articles dotés d'attributs d'article différents.
- campaign
-
Une version de solution déployée (modèle entraîné) avec une capacité de transaction dédiée allouée pour créer des recommandations en temps réel pour les utilisateurs de votre application. Après avoir créé une campagne, vous utilisez les opérations de l'
getPersonalizedRanking
APIgetRecommendations
or pour obtenir des recommandations. - exploration d'objets
-
Dans le cadre de l'exploration, les recommandations incluent certains éléments ou actions qui sont généralement moins susceptibles d'être recommandés à l'utilisateur, tels que de nouveaux éléments ou actions, des éléments ou des actions avec peu d'interactions, ou des éléments ou actions moins pertinents pour l'utilisateur en raison de son comportement antérieur.
- attribution métrique
-
Un outil que vous utilisez pour mesurer l'impact des recommandations d'articles. Une attribution de mesures crée des rapports basés sur les interactions entre les articles et les données sur les articles que vous importez, ainsi que sur les mesures que vous spécifiez. Par exemple, la durée totale des films visionnés par les utilisateurs ou le nombre total d'événements liés aux clics.
- recommandations
-
Liste des articles avec lesquels Amazon Personalize prévoit qu'un utilisateur interagira. Selon la recette Amazon Personalize utilisée, les recommandations peuvent être soit une liste d'articles (recettes USER_PERSONALIZATION et recettes RELATED_ITEMS), soit le classement d'une collection d'articles que vous avez fournis (recettes PERSONALIZED_RANKING).
- segments d'utilisateurs
-
Listes des utilisateurs qui, selon Amazon Personalize, interagiront avec votre catalogue. En fonction de la recette USER_SEGMENTATION utilisée, vous créez des segments d'utilisateurs en fonction des éléments (recette Item-Affinity) des métadonnées des éléments (recette Item-Attribute-Affinity). Vous créez des segments d'utilisateurs à l'aide d'une tâche de segmentation par lots.