사용자-개인 맞춤 레시피

사용자-개인 맞춤 레시피를 사용한 새 솔루션 버전 학습(콘솔)

1. https://console.aws.amazon.com/acm-pca/home에서 Personalize 콘솔을 열고 계정에 로그인합니다.

2. 새 스키마를 사용하여 사용자 지정 데이터세트 그룹을 만들고 노출 데이터가 포함된 데이터세트를 업로드합니다. Personalize가 항목의 수명을 더 정확하게 계산하고 콜드 항목을 식별할 수 있도록 항목 데이터세트에 CREATION_TIMESTAMP 및 비정형 텍스트 메타데이터데이터를 선택적으로 포함시킵니다.

   데이터 가져오기에 대한 자세한 내용은 Amazon Personalize 데이터세트로 학습 데이터 가져오기단원을 참조하세요.

3. 데이터세트 그룹 페이지에서 노출 데이터가 포함된 데이터세트를 포함하는 새 데이터세트 그룹을 선택합니다.

4. 탐색 창에서 솔루션 및 레시피를 선택하고, 솔루션 생성을 선택합니다.

5. 솔루션 생성 페이지에서 솔루션 이름에 새 솔루션의 이름을 입력합니다.

6. 솔루션 유형에 대해 항목 추천을 선택하여 사용자를 위한 항목 추천을 받습니다.

7. 레시피의 경우 aws-user-personalization을 선택합니다. 여러 구성 옵션을 제공하는 솔루션 구성 섹션이 나타납니다.

8. 추가 구성에서 항목 상호 작용 데이터세트에 EVENT_TYPE 또는 EVENT_TYPE과 EVENT_VALUE 열이 모두 있는 경우, 원하는 이벤트 유형 및 이벤트 값 임계치 필드를 사용하여 Amazon Personalize가 모델을 학습할 때 사용하는 항목 상호 작용 데이터를 선택합니다. 자세한 내용은 교육에 사용할 항목 상호 작용 데이터 선택 단원을 참조하십시오.

9. 솔루션에 맞게 하이퍼파라미터를 구성할 수도 있습니다. 사용자-개인 맞춤 레시피 속성 및 하이퍼파라미터의 목록은 속성 및 하이퍼파라미터단원을 참조하세요.

10. 솔루션 생성 및 학습을 선택하여 학습을 시작합니다. 대시보드 페이지가 표시됩니다.

    솔루션 세부 정보 페이지로 이동하여 솔루션 버전 섹션에서 학습 진행 상황을 추적할 수 있습니다. 상태가 활성인 경우 학습이 완료된 것입니다.

캠페인 생성 및 추천 받기(콘솔)

솔루션 버전 상태가 활성이면 다음과 같이 캠페인을 만들고 추천을 받을 수 있습니다.

1. 솔루션 세부 정보 페이지 또는 캠페인 페이지에서 새 캠페인 생성을 선택합니다.

2. 새 캠페인 생성 페이지에서 캠페인 세부 정보에 대해 다음 정보를 제공합니다.

   • 캠페인 이름: 캠페인 이름을 입력합니다. 여기에 입력하는 텍스트는 캠페인 대시보드 및 세부 정보 페이지에 표시됩니다.

   • 솔루션: 방금 만든 솔루션을 선택합니다.

   • 솔루션 버전 ID: 방금 만든 솔루션 버전의 ID를 선택합니다.

   • 초당 최소 프로비저닝된 트랜잭션: Personalize에서 지원하는 초당 최소 프로비저닝된 트랜잭션을 설정합니다. 자세한 정보는 CreateCampaign작업을 참조하세요.

3. 캠페인 구성에서 다음 정보를 제공합니다.

   • 탐색 가중치: 탐색할 양을 구성합니다. 탐색량을 많이 지정할수록 항목 상호 작용 데이터가 적거나 관련성이 낮은 항목이 추천에 포함되는 빈도가 높아집니다. 값이 1에 가까울수록 탐색 횟수가 더 많아집니다. 0이면 탐색이 수행되지 않으며 추천이 현재 데이터(관련성)를 기반으로 합니다.

   • 탐색 항목 연령 커트라인: 항목 탐색 범위를 정의하려면 최근 상호작용 이후 최대 항목 수명(일)을 입력합니다. Personalize가 탐색 중에 고려하는 항목 수를 늘리려면 더 큰 값을 입력합니다.

     예를 들어, 10을 입력하면 데이터 세트에서 가장 최근 상호 작용이 발생한 이후 10일 동안의 항목 상호 작용 데이터가 있는 항목만 탐색 중에 고려됩니다.

     참고

     추천에는 이 기간 외의 항목 상호 작용 데이터가 없는 항목이 포함될 수 있습니다. 이러한 항목은 사용자의 관심사와 관련이 있고 이러한 항목을 식별하기 위해 탐색할 필요가 없었기 때문입니다.

4. 캠페인 생성을 선택합니다.

5. 캠페인 세부 정보 페이지에서 캠페인 상태가 활성일 때 캠페인을 사용하여 추천을 받고 노출 수를 기록할 수 있습니다. 자세한 내용은 “시작하기”의 5단계: 추천 받기단원을 참조하세요.

   Personalize는 새 데이터가 포함되도록 2시간마다 최신 솔루션 버전을 자동으로 업데이트합니다. 캠페인에서 업데이트된 솔루션 버전을 자동으로 사용합니다. 자세한 내용은 자동 업데이트 단원을 참조하십시오.

   캠페인을 수동으로 업데이트하려면 먼저 콘솔이나 trainingMode를 update으로 설장한 상태에서 CreateSolutionVersion작업을 사용하여 새 솔루션 버전을 만들고 학습시켜야 합니다. 그런 다음 콘솔의 캠페인 페이지에서 또는 UpdateCampaign작업을 사용하여 캠페인을 수동으로 업데이트합니다.

   참고

   Personalize는 2020년 11월 17일 이전에 생성한 솔루션 버전은 자동으로 업데이트하지 않습니다.

AWS SDK를 사용하여 사용자-개인 맞춤 레시피로 솔루션을 훈련하려면

1. create_solution 메서드를 사용하여 새 솔루션을 생성합니다.

   solution name을 솔루션 이름으로 그리고 dataset group arn를 데이터세트 그룹의 리소스 이름(ARN)으로 각각 바꿉니다.

   import boto3
   
   personalize = boto3.client('personalize')
   
   print('Creating solution')
   create_solution_response = personalize.create_solution(name = 'solution name', 
                               recipeArn = 'arn:aws:personalize:::recipe/aws-user-personalization', 
                               datasetGroupArn = 'dataset group arn',
                               )
   solution_arn = create_solution_response['solutionArn']
   print('solution_arn: ', solution_arn)

   aws-user-personalization 레시피 속성 및 하이퍼파라미터의 목록은 속성 및 하이퍼파라미터단원을 참조하세요.

2. 업데이트된 학습 데이터로 새 솔루션 버전을 만들고 다음 코드 스니펫을 사용하여 trainingMode를 FULL으로 설정합니다. solution arn을 솔루션의 ARN으로 바꿉니다.

   import boto3
           
   personalize = boto3.client('personalize')
           
   create_solution_version_response = personalize.create_solution_version(solutionArn = 'solution arn', 
                                                                  trainingMode='FULL')
   
   new_solution_version_arn = create_solution_version_response['solutionVersionArn']
   print('solution_version_arn:', new_solution_version_arn)

3. Personalize가 솔루션 버전 생성을 완료하면 다음 파라미터를 사용하여 캠페인을 생성합니다.

   • 새로운 campaign name과 2단계에서 생성한 solution version arn를 제공합니다.

   • explorationWeight 항목 탐색 구성 하이퍼파라미터를 수정하여 탐색할 양을 구성합니다. 항목 상호 작용 데이터나 관련성이 적은 항목은 값이 1.0에 가까울수록 더 자주 추천됩니다. 기본 값은 0.3입니다.

   • explorationItemAgeCutOff 항목 탐색 구성 하이퍼파라미터 파라미터를 수정하여 항목을 탐색해야 하는 최대 기간(일)을 최신 상호작용을 기준으로 지정합니다. 값이 클수록 탐색 중에 고려되는 항목이 많아집니다.

   다음 Python 스니펫을 사용하여 탐색 커트라인을 30일로 제한한 탐색에 중점을 둔 새 캠페인을 만듭니다. 일반적으로 캠페인을 만드는 데 몇 분이면 되지만 한 시간 이상 걸릴 수 있습니다.

   import boto3
           
   personalize = boto3.client('personalize')
   
   create_campaign_response = personalize.create_campaign(
       name = 'campaign name',
       solutionVersionArn = 'solution version arn',
       minProvisionedTPS = 1,
       campaignConfig = {"itemExplorationConfig": {"explorationWeight": "0.3", "explorationItemAgeCutOff": "30"}}
   )
   
   campaign_arn = create_campaign_response['campaignArn']
   print('campaign_arn:', campaign_arn)

   사용자-개인 맞춤을 통해 Personalize는 새 데이터를 포함하도록 2시간마다 솔루션 버전을 자동으로 업데이트합니다. 캠페인에서 업데이트된 솔루션 버전을 자동으로 사용합니다. 자세한 내용은 자동 업데이트 단원을 참조하십시오.

   캠페인을 수동으로 업데이트하려면 먼저 콘솔이나 trainingMode를 update으로 설장한 상태에서 CreateSolutionVersion작업을 사용하여 새 솔루션 버전을 만들고 학습시켜야 합니다. 그런 다음 콘솔의 캠페인 페이지에서 또는 UpdateCampaign작업을 사용하여 캠페인을 수동으로 업데이트합니다.

   참고

   Personalize는 2020년 11월 17일 이전에 생성한 솔루션 버전은 자동으로 업데이트하지 않습니다.

추천을 받고 노출을 기록하려면

1. get_recommendations 메서드를 호출합니다. campaign arn를 새 캠페인의 ARN으로 그리고 user id를 사용자의 UserID로 각각 바꿉니다.

   import boto3
               
   rec_response = personalize_runtime.get_recommendations(campaignArn = 'campaign arn', userId = 'user id')
   print(rec_response['recommendationId'])             

2. PutEvents 요청을 전송하기 위한 새 이벤트 트래커를 생성합니다. event tracker name을 이벤트 트래커의 이름으로 그리고 dataset group arn를 데이터세트 그룹의 ARN으로 바꿉니다.

   import boto3
           
   personalize = boto3.client('personalize')
   
   event_tracker_response = personalize.create_event_tracker( 
       name = 'event tracker name',
       datasetGroupArn = 'dataset group arn'
   )
   event_tracker_arn = event_tracker_response['eventTrackerArn']
   event_tracking_id = event_tracker_response['trackingId']
   print('eventTrackerArn:{},\n eventTrackingId:{}'.format(event_tracker_arn, event_tracking_id))               
                   

3. 1단계의 recommendationId과 2단계의 event tracking id를 사용하여 새 PutEvents요청을 생성합니다. 이 요청은 사용자 세션의 새 노출 데이터를 기록합니다. user id를 사용자의 ID로 변경합니다.

   import boto3
               
   personalize_events.put_events(
        trackingId = 'event tracking id',
        userId= 'user id',
        sessionId = '1',
        eventList = [{
        'sentAt': datetime.now().timestamp(),
        'eventType' : 'click',
        'itemId' : rec_response['itemList'][0]['itemId'],        
        'recommendationId': rec_response['recommendationId'],
        'impression': [item['itemId'] for item in rec_response['itemList']],
        }]
   )