Merekam peristiwa waktu nyata untuk memengaruhi rekomendasi - Amazon Personalize
Bagaimana peristiwa waktu nyata memengaruhi rekomendasiMerekam acara untuk pengguna anonimLayanan pelacakan acara pihak ketigaContoh implementasi

Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris.

Merekam peristiwa waktu nyata untuk memengaruhi rekomendasi

Peristiwa adalah interaksi antara pengguna dan katalog Anda. Ini bisa berupa interaksi dengan item, seperti pengguna yang membeli item atau menonton video, atau dapat mengambil tindakan, seperti mengajukan kartu kredit atau mendaftar dalam program keanggotaan.

Amazon Personalize dapat membuat rekomendasi berdasarkan data peristiwa waktu nyata saja, data peristiwa historis saja, atau campuran keduanya. Rekam peristiwa real-time saat pelanggan Anda berinteraksi dengan rekomendasi. Ini membangun data interaksi Anda dan membuat data Anda tetap segar. Dan itu memberi tahu Amazon Personalisasi tentang minat pengguna Anda saat ini, yang dapat meningkatkan relevansi rekomendasi.

Jika kasus penggunaan domain atau resep khusus Anda mendukung personalisasi waktu nyata, Amazon Personalize menggunakan peristiwa secara real time untuk memperbarui dan menyesuaikan rekomendasi sesuai dengan minat pengguna yang terus berkembang.

Cara Anda merekam peristiwa real-time tergantung pada jenis data interaksi yang Anda impor:

Topik

Bagaimana peristiwa waktu nyata memengaruhi rekomendasi

Jika resep Anda mendukung personalisasi waktu nyata, setelah Anda membuat pemberi rekomendasi atau kampanye khusus, Amazon Personalize menggunakan data peristiwa baru yang direkam untuk item atau tindakan yang ada dalam hitungan detik setelah impor. Kasus penggunaan dan resep berikut mendukung personalisasi waktu nyata:

Jika Anda menggunakan resep Trending-Now, Amazon Personalize secara otomatis mempertimbangkan item dari data peristiwa baru melalui interval yang dapat dikonfigurasi. Anda tidak perlu membuat versi solusi baru. Untuk informasi selengkapnya, lihat Resep Trend-Now.

Jika item, tindakan, atau pengguna dalam acara tersebut baru, cara Amazon Personalisasi menggunakan data tergantung pada kasus penggunaan atau resep Anda. Untuk informasi selengkapnya, lihat Memperbarui data dalam kumpulan data setelah pelatihan.

Merekam acara untuk pengguna anonim

penting

Jika Anda tidak merekam setidaknya satu peristiwa dengan sessionId dan userId untuk pengguna, Amazon Personalize tidak akan menggunakan aktivitas yang dilacak hanya pada saat sessionId latihan. Dan setelah pelatihan selesai, rekomendasi tidak akan lagi didasarkan pada aktivitas yang dilacak ke. sessionId

Anda dapat merekam interaksi item atau peristiwa interaksi tindakan untuk pengguna sebelum mereka membuat akun. Rekam peristiwa untuk pengguna anonim untuk membangun riwayat acara berkelanjutan dengan peristiwa dari sebelum dan sesudah mereka masuk. Ini memberikan Amazon Personalisasi lebih banyak data interaksi tentang pengguna, yang dapat membantu menghasilkan rekomendasi yang lebih relevan.

Untuk merekam peristiwa untuk pengguna anonim (pengguna yang belum masuk), untuk setiap peristiwa, tentukan hanya asessionId. Aplikasi Anda menghasilkan unik sessionId ketika pengguna pertama kali mengunjungi situs web Anda atau menggunakan aplikasi Anda. Anda harus menggunakan hal yang sama sessionId di semua acara sepanjang sesi. Amazon Personalize menggunakan sessionId untuk mengaitkan peristiwa dengan pengguna sebelum mereka masuk.

Amazon Personalize tidak menggunakan peristiwa dari pengguna anonim saat berlatih hingga Anda mengaitkannya dengan file. userId Untuk informasi selengkapnya, lihat Membangun riwayat acara berkelanjutan untuk pengguna anonim.

Untuk memberikan personalisasi real-time bagi pengguna anonim, tentukan sessionId sebagai yang ada userId di GetRecommendations atau GetActionRecommendations permintaan Anda.

Membangun riwayat acara berkelanjutan untuk pengguna anonim

Untuk membuat riwayat acara untuk pengguna anonim dan meminta Amazon Personalisasi menggunakan acara mereka saat pelatihan, rekam setidaknya satu acara dengan a sessionId dan a. userId Kemudian Anda dapat merekam sejumlah acara untukuserId. Setelah Anda mulai memberikanuserId, sessionId kaleng berubah. Selama pelatihan ulang penuh berikutnya, Amazon Personalize mengaitkannya userId dengan riwayat pengguna anonim yang dilacak ke aslinya. sessionId

Setelah pelatihan ulang selesai, rekomendasi akan didasarkan pada aktivitas yang dilacak baik sessionId dari peristiwa anonim maupun acara apa pun yang dilacak ke acara mereka. userId

catatan

Jika pengguna Anda tidak membuat akun dan Anda ingin Amazon Personalize menggunakan data saat pelatihan, Anda dapat menggunakan sessionId as the userId in events. Namun, jika pengguna akhirnya membuat akun, Anda tidak akan dapat mengaitkan peristiwa dari penjelajahan anonim mereka dengan yang baruuserId.

Layanan pelacakan acara pihak ketiga

Platform Data Pelanggan berikut (CDPs) dapat membantu Anda mengumpulkan data peristiwa dari aplikasi Anda dan mengirimkannya ke Amazon Personalize.

  • Amplitudo — Anda dapat menggunakan Amplitudo untuk melacak tindakan pengguna untuk membantu Anda memahami perilaku pengguna Anda. Untuk informasi tentang penggunaan Amplitude dan Amazon Personalize, lihat postingan blog Partner Network APN () AWS berikut: Mengukur Efektivitas Personalisasi dengan Amplitudo dan Amazon Personalize.

  • mParticle— Anda dapat menggunakan mParticle untuk mengumpulkan data peristiwa dari aplikasi Anda. Untuk contoh yang menunjukkan cara menggunakan mParticle dan Amazon Personalisasi untuk menerapkan rekomendasi produk yang dipersonalisasi, lihat Cara memanfaatkan kekuatan pembelajaran mesin CDP untuk mesin: Bagian 2.

  • Segmen — Anda dapat menggunakan Segmen untuk mengirim data Anda ke Amazon Personalize. Untuk informasi selengkapnya tentang mengintegrasikan Segmen dengan Amazon Personalize, lihat Amazon Personalize Destination.

Contoh implementasi

Untuk contoh notebook Jupyter yang menunjukkan cara menggunakan Amazon Personalize untuk bereaksi terhadap perilaku real-time pengguna menggunakan pelacak peristiwa dan operasi, lihat PutEvents 2.VIEW_CAMPAIGN_AND_INTERACTIONS.IPynb di folder getting_started repositori. amazon-personalize-samples GitHub

Untuk contoh yang menunjukkan cara melakukan streaming peristiwa dari pengguna yang berinteraksi dengan rekomendasi, lihat streaming_events di repositori Amazon Personalize samples. GitHub

Untuk contoh lengkap yang berisi kode sumber dan file pendukung untuk digunakan secara real-time APIs yang berada di antara sumber daya Amazon Personalisasi dan aplikasi klien, lihat Personalisasi Waktu Nyata di APIs AWS repositori sampel. GitHub Proyek ini mencakup bagaimana menerapkan hal-hal berikut:

  • Konteks pengguna dan koleksi acara pengguna

  • Caching respons

  • Rekomendasi dekorasi berdasarkan metadata item

  • Pengujian A/B

  • APIotentikasi