유사-항목 레시피 - Personalize

기계 번역으로 제공되는 번역입니다. 제공된 번역과 원본 영어의 내용이 상충하는 경우에는 영어 버전이 우선합니다.

유사-항목 레시피

참고

모든 RELATED_ITEMS 레시피는 상호작용 데이터를 사용합니다. 항목 메타데이터도 있고 Personalize에서 메타데이터를 사용하여 유사한 항목을 찾도록 하려면 유사-항목을 선택합니다. 또는 모델에 더 많은 하이퍼파라미터를 구성하려는 경우 SIMS 레시피을 선택합니다.

aws-similar-itemsSimilar-Items () 레시피는 지정한 항목과 유사한 항목에 대한 권장 사항을 생성합니다. 유사-항목을 사용하면 고객이 이전 동작 및 항목 메타데이터를 기반으로 카탈로그에서 새 항목을 발견하도록 지원할 수 있습니다. 유사한 항목을 추천하면 애플리케이션에 대한 사용자 참여, 클릭률 및 전환율을 높일 수 있습니다.

유사-항목은 상호작용 데이터와 사용자가 제공하는 모든 항목 메타데이터를 기반으로 유사성을 계산합니다. 상호작용 데이터세트의 사용자 이력에서 해당 항목이 동시에 발생하는 현황과 모든 항목 메타데이터의 유사성을 고려합니다. 예를 들어, 유사-항목을 사용하면 Personalize는 고객이 비슷한 스타일(범주형 메타데이터)과 함께 자주 구매하는 항목을 추천하거나 다른 사용자가 비슷한 설명(비정형 텍스트 메타데이터)으로 시청한 영화를 추천할 수 있습니다.

유사-항목을 사용하면 GetRecommendations작업(또는 Personalize 콘솔)에서 항목 ID를 입력하면 Personalize는 유사한 항목의 목록을 반환합니다. 또는 배치 워크플로우를 사용하여 재고에 있는 모든 항목에 대해 유사한 항목을 받을 수 있습니다(배치 항목 추천 받기 참조). 유사한 항목을 받으면 요청에 지정한 항목의 속성을 기준으로 항목을 필터링할 수 있습니다. 이렇게 하려면 필터에 CurrentItem.attribute 요소를 추가합니다. 예시는 item data filter examples단원을 참조하세요.

유사-항목을 사용하려면 1,000개 이상의 고유한 과거 상호 작용과 이벤트 상호 작용(합산)이 포함된 항목 상호 작용 데이터 세트를 만들어야 합니다. 더 정확한 예측을 위해서는 항목 데이터세트를 만들고 카탈로그의 항목에 대한 메타데이터도 가져오는 것이 좋습니다. 유사-항목은 추천을 생성할 때 사용자 데이터세트의 데이터를 사용하지 않습니다. 여전히 사용자 데이터세트의 데이터를 기반으로 추천을 필터링할 수 있습니다. 자세한 정보는 추천 및 사용자 세그먼트 필터링을 참조하세요.

텍스트 데이터 및 항목 제목 데이터가 포함된 항목 데이터 세트가 있는 경우 배치 추천으로 관련 항목의 테마를 생성할 수 있습니다. 자세한 정보는 콘텐츠 생성기에서 테마가 있는 배치 추천섹션을 참조하십시오.

콜드 항목(상호작용이 5회 미만인 항목)과 유사한 항목에 한 추천을 받을 수 있습니다. Personalize에서 추천 요청 또는 배치 입력 파일에 지정한 항목 ID를 찾을 수 없는 경우 레시피는 인기 항목을 추천으로 반환합니다.

솔루션 버전을 만든 후에는 솔루션 버전과 데이터를 최신 상태로 유지해야 합니다. Similar-Items를 사용하면 Amazon Personalize의 새 솔루션 버전을 수동으로 생성 (모델 재교육) 하여 추천할 새 항목을 고려하고 사용자의 최신 동작으로 모델을 업데이트해야 합니다. 그런 다음 솔루션 버전을 사용하여 모든 캠페인을 업데이트해야 합니다. 자세한 내용은 추천 관련성 유지단원을 참조하세요.

속성 및 하이퍼파라미터

유사-항목 레시피의 속성은 다음과 같습니다.

  • 명칭aws-similar-items

  • 레시피 리소스 이름(ARN) - arn:aws:personalize:::recipe/aws-similar-items

  • 알고리즘 ARN - arn:aws:personalize:::algorithm/aws-similar-items

자세한 내용은 레시피 선택단원을 참조하세요.

다음 표에서는 유사-항목 레시피의 하이퍼파라미터를 설명합니다. 하이퍼파라미터는 모델 성능을 향상시키기 위해 조정할 수 있는 알고리즘 파라미터입니다. 알고리즘 하이퍼파라미터는 모델이 성능을 내는 방식을 제어합니다. 하이퍼파라미터에 대한 최적 값을 선택하는 과정을 하이퍼파라미터 최적화(HPO)라고 합니다. 자세한 내용은 하이퍼파라미터 및 HPO단원을 참조하세요.

표에는 각 하이퍼파라미터에 대한 다음 정보도 표시됩니다.

  • 범위: [하한, 상한]

  • 값 형식: 정수, 연속(부동 소수점), 범주(부울, 목록, 문자열)

  • 조정 가능한 HPO: 파라미터가 HPO에 참여할 수 있습니까?

명칭 설명
알고리즘 하이퍼파라미터
popularity_discount_factor

인기도가 추천에 미치는 영향을 구성합니다. 더 인기 있는 항목을 포함시키려면 0에 가까운 값을 지정합니다. 인기도 강조를 줄이려면 1에 가까운 값을 지정합니다.

기본 값: 0.0

범위: [0.0, 1.0]

값 형식: 부동 소수점

HPO 조정 가능: 아니요

item_id_hidden_dim

Personalize가 상호작용 데이터를 기반으로 항목 ID 임베딩을 모델링하는 데 사용하는 숨겨진 변수의 수입니다. 숨겨진 변수는 사용자의 구매 이력 및 항목 통계를 재생성하여 순위 점수를 생성합니다. item_id_hidden_dim를 사용하려면 HPO를 사용하고 최소 및 최대 범위 값을 제공해야 합니다. Personalize는 HPO를 사용하여 지정한 범위 내에서 최상의 값을 찾습니다. 항목 상호 작용 데이터 세트가 큰 경우 최대 값을 더 크게 지정합니다. 더 큰 최대값을 사용하면 처리하는 데 더 많은 시간이 필요합니다.

HPO를 사용하려면 CreateSolution작업 호출 시 performHPOtrue로 설정합니다.

기본 값: 100

범위: [30, 200]

값 형식: 정수

HPO 조정 가능: 예

item_metadata_hidden_dim

Personalize에서 항목 메타데이터를 모델링하는 데 사용하는 숨겨진 변수의 수입니다. item_metadata_hidden_dim를 사용하려면 HPO를 사용하고 최소 및 최대 범위 값을 제공해야 합니다. Personalize는 HPO를 사용하여 지정한 범위 내에서 최상의 값을 찾습니다. 항목 상호 작용 데이터 세트가 큰 경우 최대 값을 더 크게 지정합니다. 더 큰 최대값을 사용하면 처리하는 데 더 많은 시간이 필요합니다.

HPO를 사용하려면 CreateSolution작업 호출 시 performHPOtrue로 설정합니다.

기본 값: 100

범위: [30, 200]

값 형식: 정수

HPO 조정 가능: 예