Amazon Personalisasi istilah

Istilah berikut terkait dengan mengimpor, mengekspor, dan memformat data di Amazon Personalize.

dataset tindakan

Wadah untuk metadata tentang tindakan Anda. Tindakan adalah aktivitas penghasil keterlibatan atau pendapatan yang mungkin ingin Anda rekomendasikan kepada pengguna, seperti menginstal aplikasi seluler, atau bergabung dengan program loyalitas Anda. Metadata untuk tindakan mungkin mencakup stempel waktu kedaluwarsa tindakan, nilai, data frekuensi berulang, dan metadata kategoris tindakan. Jenis data ini hanya digunakan olehResep Aksi Terbaik Berikutnya.

kumpulan data interaksi tindakan

Wadah untuk data historis dan real-time yang Anda kumpulkan dari interaksi antara pengguna dan tindakan. Setiap interaksi tindakan terdiri dari userId, actionId, timestamp, tipe peristiwa, dan data tambahan apa pun tentang interaksi, seperti metadata kategoris. Jenis data ini hanya digunakan olehResep Aksi Terbaik Berikutnya.

metadata kontekstual

Data interaksi yang Anda kumpulkan tentang konteks penelusuran pengguna (seperti perangkat yang digunakan atau lokasi) saat peristiwa (seperti klik) terjadi. Metadata kontekstual dapat meningkatkan relevansi rekomendasi untuk pengguna baru dan yang sudah ada.

set data

Wadah untuk data yang Anda unggah ke Amazon Personalize. Ada lima jenis kumpulan data Amazon Personalisasi: Pengguna, Item, Kumpulan data interaksi item, dan Tindakan.

grup set data

Penampung untuk Amazon Personalisasi sumber daya, termasuk kumpulan data, pemberi rekomendasi domain, dan sumber daya khusus. Grup kumpulan data mengatur sumber daya Anda ke dalam koleksi independen, di mana sumber daya dari satu grup kumpulan data tidak dapat memengaruhi sumber daya dalam grup kumpulan data lainnya. Grup kumpulan data dapat berupa grup kumpulan data Domain atau grup kumpulan data Kustom.

Grup dataset domain

Grup kumpulan data yang berisi sumber daya yang telah dikonfigurasi sebelumnya untuk domain bisnis dan kasus penggunaan yang berbeda. Amazon Personalize mengelola siklus hidup model pelatihan dan penerapan. Saat membuat grup kumpulan data Domain, Anda memilih domain bisnis, mengimpor data, dan membuat rekomendasi untuk setiap kasus penggunaan Anda. Anda menggunakan pemberi rekomendasi Anda dalam aplikasi Anda untuk mendapatkan rekomendasi tentang GetRecommendations operasi.

Jika Anda memulai dengan grup kumpulan data Domain, Anda masih dapat menambahkan sumber daya khusus seperti solusi dan versi solusi yang dilatih dengan resep untuk kasus penggunaan khusus.

Grup dataset kustom

Grup kumpulan data yang hanya berisi sumber daya khusus, termasuk solusi, versi solusi, filter, kampanye, dan pekerjaan inferensi batch. Anda menggunakan kampanye untuk mendapatkan rekomendasi dengan GetRecommendations operasi. Anda mengelola siklus hidup model pelatihan dan penyebaran. Jika Anda memulai dengan grup kumpulan data Kustom, Anda tidak dapat mengaitkannya dengan domain nanti. Sebagai gantinya, buat grup dataset Domain baru.

pekerjaan ekspor dataset

Alat ekspor rekaman yang mengeluarkan catatan dalam kumpulan data ke satu atau beberapa file CSV di bucket Amazon S3. File CSV keluaran menyertakan baris header dengan nama kolom yang cocok dengan bidang dalam skema kumpulan data.

pekerjaan impor dataset

Alat impor massal yang mengisi kumpulan data Amazon Personalize Anda dengan data dari file CSV di bucket Amazon S3 Anda.

kejadian

Tindakan pengguna — seperti klik, pembelian, atau penayangan video — yang Anda rekam dan unggah ke kumpulan data interaksi Item Personalisasi Amazon. Anda mengimpor peristiwa secara massal dari file CSV, secara bertahap dengan konsol Amazon Personalize, dan secara real-time.

impresi eksplisit

Daftar item yang Anda tambahkan secara manual ke kumpulan data interaksi Item Personalisasi Amazon. Tidak seperti tayangan implisit, yang secara otomatis diperoleh Amazon Personalize dari data rekomendasi Anda, Anda memilih apa yang akan disertakan dalam tayangan eksplisit.

impresi implisit

Rekomendasi yang ditunjukkan aplikasi Anda kepada pengguna. Tidak seperti tayangan eksplisit, yang Anda tambahkan secara manual ke kumpulan data interaksi Item, Amazon Personalize secara otomatis memperoleh tayangan implisit dari data rekomendasi Anda.

data impresi

Daftar item yang Anda sajikan kepada pengguna ketika mereka berinteraksi dengan item tertentu dengan mengkliknya, menontonnya, membelinya, dan sebagainya. Amazon Personalize menggunakan data impresi untuk menghitung relevansi item baru untuk pengguna berdasarkan seberapa sering pengguna telah memilih atau mengabaikan item yang sama.

kumpulan data interaksi

Wadah untuk data historis dan real-time yang Anda kumpulkan dari interaksi antara pengguna dan item (disebut peristiwa). Data interaksi dapat mencakup data tipe peristiwa dan metadata kontekstual.

dataset item

Wadah untuk metadata tentang item Anda, seperti harga, genre, atau ketersediaan.

frekuensi berulang

Jenis metadata tindakan yang dapat Anda impor ke kumpulan data Tindakan. Data frekuensi berulang menentukan berapa hari Amazon Personalize harus menunggu untuk merekomendasikan tindakan tertentu setelah pengguna berinteraksi dengannya, berdasarkan riwayat pengguna dalam kumpulan data interaksi Tindakan Anda.

skema

Objek JSON dalam format Apache Avro yang memberi tahu Amazon Personalisasi tentang struktur data Anda. Amazon Personalize menggunakan skema Anda untuk mengurai data Anda.

dataset pengguna

Wadah untuk metadata tentang pengguna Anda, seperti usia, jenis kelamin, atau keanggotaan loyalitas.

Istilah-istilah berikut berhubungan dengan melatih model di Amazon Personalize.

item-to-item resep kesamaan (SIMS)

Resep RELATED_ITEMS yang menggunakan data dari kumpulan data Interaksi untuk membuat rekomendasi untuk item yang mirip dengan item tertentu. Resep SIMS menghitung kesamaan berdasarkan cara pengguna berinteraksi dengan item alih-alih mencocokkan metadata item, seperti harga atau warna.

item-afinitas

Resep USER_SEGMENTATION yang menggunakan data dari kumpulan data interaksi Item dan kumpulan data Item untuk membuat segmen pengguna untuk setiap item yang Anda tentukan berdasarkan kemungkinan pengguna akan berinteraksi dengan item tersebut.

item-attribute-affinity

Resep USER_SEGMENTATION yang menggunakan data dari kumpulan data interaksi Item dan kumpulan data Item untuk membuat segmen pengguna untuk setiap atribut item yang Anda tentukan berdasarkan kemungkinan pengguna akan berinteraksi dengan item dengan atribut tersebut.

Resep Lanjutnya-Best-Action

Resep ini menghasilkan rekomendasi real-time untuk tindakan terbaik berikutnya bagi pengguna Anda. Tindakan terbaik berikutnya untuk pengguna adalah tindakan yang kemungkinan besar akan mereka ambil. Misalnya, mendaftar di program loyalitas Anda, mengunduh aplikasi Anda, atau mengajukan permohonan kartu kredit. Untuk informasi selengkapnya, lihat Resep Aksi Terbaik Berikutnya.

Resep peringkat-v2 yang dipersonalisasi

Resep PERSONALIZED_RANKING yang memberi peringkat kumpulan item yang Anda berikan berdasarkan tingkat minat yang diprediksi untuk pengguna tertentu. Resep ini menggunakan arsitektur berbasis transformator untuk melatih model yang belajar dari data interaksi item, metadata item, dan metadata pengguna. Gunakan resep Personalized-Ranking-v2 untuk mempersonalisasi urutan daftar item yang dikuratori atau hasil pencarian yang dipersonalisasi untuk pengguna tertentu. Ini dapat melatih hingga 5 juta item dan menghasilkan rekomendasi yang lebih relevan dengan latensi lebih rendah dari versi sebelumnya.

resep personalized-ranking

Resep PERSONALIZED_RANKING yang memberi peringkat kumpulan item yang Anda berikan berdasarkan tingkat minat yang diprediksi untuk pengguna tertentu. Gunakan resep peringkat yang dipersonalisasi untuk mempersonalisasi urutan daftar item yang dikuratori atau hasil pencarian yang dipersonalisasi untuk pengguna tertentu.

resep popularity-count

Resep USER_PERSONALIZATION yang merekomendasikan item yang memiliki interaksi paling banyak dengan pengguna unik.

pemberi rekomendasi

Alat grup dataset Domain yang menghasilkan rekomendasi. Anda membuat pemberi rekomendasi untuk grup kumpulan data Domain dan menggunakannya dalam aplikasi Anda untuk mendapatkan rekomendasi real-time dengan API. GetRecommendations Saat membuat pemberi rekomendasi, Anda menentukan kasus penggunaan dan Amazon Personalize melatih model yang mendukung pemberi rekomendasi dengan konfigurasi terbaik untuk kasus penggunaan.

resep

Algoritme Personalisasi Amazon yang telah dikonfigurasi sebelumnya untuk memprediksi item yang akan berinteraksi dengan pengguna (untuk resep USER_PERSONALIZATION), atau menghitung item yang mirip dengan item tertentu yang diminati pengguna (untuk resep RELATED_ITEMS), atau memberi peringkat kumpulan item yang Anda berikan berdasarkan minat yang diprediksi untuk pengguna tertentu (untuk resep PERSONALIZED_RANKING).

solusi

Resep, parameter yang disesuaikan, dan model terlatih (Versi Solusi) yang digunakan Amazon Personalize untuk menghasilkan rekomendasi.

versi solusi

Model terlatih yang Anda buat sebagai bagian dari solusi di Amazon Personalize. Anda menerapkan versi solusi dalam kampanye untuk mengaktifkan API personalisasi yang Anda gunakan untuk meminta rekomendasi.

mode pelatihan

Ruang lingkup pelatihan yang akan dilakukan saat membuat versi solusi. Ada dua mode berbeda: FULL dan UPDATE. Mode PENUH membuat versi solusi yang sama sekali baru berdasarkan keseluruhan data pelatihan dari kumpulan data dalam grup kumpulan data Anda. UPDATE secara bertahap memperbarui versi solusi yang ada untuk merekomendasikan item baru yang Anda tambahkan sejak pelatihan terakhir.

catatan

Dengan User-personalization-v2, User-Personalization, atau Next-Best-Action, Amazon Personalize secara otomatis memperbarui versi solusi terbaru yang dilatih dengan mode pelatihan LENGKAP. Lihat Pembaruan otomatis.

Resep personalisasi-v2 pengguna

Resep USER_PERSONALIZATION yang merekomendasikan item yang akan berinteraksi dengan pengguna berdasarkan preferensi mereka. Resep ini menggunakan arsitektur berbasis transformator untuk melatih model yang belajar dari data interaksi item, metadata item, dan metadata pengguna. Ini dapat melatih hingga 5 juta item dan menghasilkan rekomendasi yang lebih relevan dengan latensi lebih rendah dari versi sebelumnya.

Resep Personalisasi Pengguna

Resep USER_PERSONALIZATION berbasis Hierarchical Recurrent Neural Network (HRNN) yang memprediksi item yang akan berinteraksi dengan pengguna. Resep user-personalization dapat menggunakan eksplorasi item dan data impresi untuk menghasilkan rekomendasi untuk item baru.

Istilah berikut berhubungan dengan penerapan dan penggunaan model untuk menghasilkan rekomendasi.

periode optimasi tindakan

Periode waktu yang digunakan Amazon Personalize saat memprediksi tindakan yang kemungkinan besar akan diambil pengguna. Misalnya, jika periode pengoptimalan tindakan adalah 14 hari, Amazon Personalize memprediksi tindakan yang kemungkinan besar akan dilakukan pengguna dalam 14 hari ke depan. Anda mengonfigurasi periode pengoptimalan tindakan saat Anda membuat solusi denganResep Aksi Terbaik Berikutnya.

pekerjaan inferensi batch

Alat yang mengimpor data input batch Anda dari bucket Amazon S3, menggunakan versi solusi Anda untuk menghasilkan rekomendasi, dan mengekspor rekomendasi ke bucket Amazon S3. Sebaiknya gunakan lokasi yang berbeda untuk data keluaran Anda (baik folder atau bucket Amazon S3 yang berbeda). Gunakan pekerjaan inferensi batch untuk mendapatkan rekomendasi untuk kumpulan data besar yang tidak memerlukan pembaruan waktu nyata.

pekerjaan segmen batch

Alat yang mengimpor data input batch Anda dari bucket Amazon S3, menggunakan versi solusi Anda untuk membuat segmen pengguna, dan mengekspor segmen pengguna ke bucket Amazon S3. Sebaiknya gunakan lokasi yang berbeda untuk data keluaran Anda (baik folder atau bucket Amazon S3 yang berbeda). Gunakan pekerjaan segmen batch dengan solusi yang didukung oleh resep USER_SEGMENTATION untuk membuat segmen pengguna berdasarkan kemungkinan pengguna akan berinteraksi dengan item atau item yang berbeda dengan atribut item yang berbeda.

kampanye

Versi solusi yang diterapkan (model terlatih) dengan kapasitas transaksi khusus yang disediakan untuk membuat rekomendasi waktu nyata bagi pengguna aplikasi Anda. Setelah membuat kampanye, Anda menggunakan operasi getRecommendations atau getPersonalizedRanking API untuk mendapatkan rekomendasi.

eksplorasi item

Dengan eksplorasi, rekomendasi mencakup beberapa item atau tindakan yang biasanya cenderung tidak direkomendasikan bagi pengguna, seperti item atau tindakan baru, item atau tindakan dengan sedikit interaksi, atau item atau tindakan yang kurang relevan bagi pengguna berdasarkan perilaku mereka sebelumnya.

atribusi metrik

Alat yang Anda gunakan untuk mengukur dampak rekomendasi item. Atribusi metrik membuat laporan berdasarkan interaksi item dan data item yang Anda impor, dan metrik yang Anda tentukan. Misalnya, total panjang film yang ditonton oleh pengguna, atau jumlah total peristiwa klik.

rekomendasi

Daftar item yang Amazon Personalize memprediksi pengguna akan berinteraksi dengan. Bergantung pada resep Amazon Personalize yang digunakan, rekomendasi dapat berupa daftar item (resep USER_PERSONALIZATION dan resep RELATED_ITEMS), atau peringkat kumpulan item yang Anda berikan (resep PERSONALIZED_RANKING).

segmen pengguna

Daftar pengguna yang Amazon Personalize memprediksi pengguna akan berinteraksi dengan katalog Anda. Bergantung pada resep USER_SEGMENTATION yang digunakan, Anda membuat segmen pengguna berdasarkan item (resep Item-Affinity) metadata item (resep Item-Atribute-Affinity). Anda membuat segmen pengguna dengan pekerjaan segmen batch.