Personalize 용어

다음 용어는 Personalize의 데이터 가져오기, 내보내기 및 형식 지정과 관련이 있습니다.

액션 데이터세트

액션에 대한 메타데이터를 담는 컨테이너입니다. 액션은 모바일 앱 설치, 로열티 프로그램 가입 등 사용자에게 추천할 수 있는 참여 또는 수익 창출 활동입니다. 액션의 메타데이터에는 액션의 만료 타임스탬프, 값, 반복 빈도 데이터, 범주별 메타데이터가 포함될 수 있습니다. 이 유형의 데이터는 에서만 사용됩니다. 차선책-작업 레시피

액션 인터랙션 데이터셋

사용자와 액션 간의 상호작용을 통해 수집하는 과거 및 실시간 데이터를 담는 컨테이너입니다. 각 작업 상호 작용은 userID, actionID, 타임스탬프, 이벤트 유형 및 상호 작용에 대한 추가 데이터(예: 범주별 메타데이터)로 구성됩니다. 이 유형의 데이터는 에서만 사용됩니다차선책-작업 레시피.

컨텍스트 메타데이터

이벤트(예: 클릭)가 발생할 때 사용자의 브라우징 컨텍스트(예: 사용한 디바이스 또는 위치)에 대해 수집하는 상호작용 데이터. 컨텍스트 메타데이터는 신규 및 기존 사용자에 대한 추천 관련성을 개선할 수 있습니다.

데이터세트

Personalize에 업로드하는 데이터를 위한 컨테이너입니다. Amazon Personalize 데이터 세트에는 사용자, 아이템, 항목 상호 작용 데이터 세트 및 작업의 다섯 가지 유형이 있습니다.

데이터세트 그룹

데이터세트, 도메인 추천자, 사용자 지정 리소스를 포함한 Personalize 리소스를 위한 컨테이너입니다. 데이터세트 그룹에서는 리소스가 독립적인 컬렉션으로 정리되어 있는데, 한 데이터세트 그룹의 리소스는 다른 데이터세트 그룹의 리소스에 영향을 미칠 수 없습니다. 데이터세트 그룹은 도메인 데이터세트 그룹 또는 사용자 지정 데이터세트 그룹일 수 있습니다.

도메인 데이터세트 그룹

다양한 비즈니스 도메인 및 사용 사례에 맞게 사전 구성된 리소스가 포함된 데이터세트 그룹입니다. Personalize는 학습 모델 및 배포의 수명 주기를 관리합니다. 도메인 데이터세트 그룹을 생성할 때는 비즈니스 도메인을 선택하고, 데이터를 가져오고, 각 사용 사례에 대한 추천자를 생성합니다. 애플리케이션에서 추천자를 사용하여 작업과 관련된 권장 사항을 얻을 수 있습니다. GetRecommendations

도메인 데이터세트 그룹으로 시작하는 경우에도 사용자 지정 사용 사례에 대한 레시피로 학습한 솔루션 및 솔루션 버전과 같은 사용자 지정 리소스를 추가할 수 있습니다.

사용자 지정 데이터세트 그룹

솔루션, 솔루션 버전, 필터, 캠페인, 배치 추론 작업 등 사용자 지정 리소스만 포함하고 있는 데이터세트 그룹입니다. 캠페인을 사용하여 GetRecommendations 운영과 관련된 추천을 받을 수 있습니다. 학습 모델 및 배포의 수명 주기를 관리합니다. 사용자 지정 데이터세트 그룹으로 시작했다면 나중에 도메인과 연결할 수 없습니다. 대신 새 도메인 데이터세트 그룹을 생성하세요.

데이터세트 내보내기 작업

데이터세트의 레코드를 S3 버킷에 있는 하나 이상의 CSV 파일로 출력하는 레코드 내보내기 도구입니다. 출력 CSV 파일에는 데이터세트 스키마의 필드와 일치하는 열 이름을 가진 헤더 행이 포함됩니다.

데이터세트 가져오기 작업

S3 버킷에 있는 CSV 파일의 데이터로 Personalize 데이터세트를 채우는 대량 가져오기 도구입니다.

이벤트

클릭, 구매 또는 비디오 시청과 같은 사용자 작업으로, Amazon Personalize 항목 상호 작용 데이터 세트에 이를 기록하고 업로드합니다. CSV 파일에서 이벤트를 대량으로 가져오고, Personalize 콘솔을 사용하여 점진적으로, 실시간으로 이벤트를 가져올 수 있습니다.

명시적 노출

Amazon Personalize 항목 상호 작용 데이터 세트에 수동으로 추가하는 항목 목록입니다. Personalize가 추천 데이터에서 자동으로 추출하는 암시적 노출과 달리 명시적 노출에 포함할 내용은 사용자가 선택합니다.

암시적 노출

애플리케이션이 사용자에게 보여주는 추천. 항목 상호 작용 데이터 세트에 수동으로 추가하는 명시적 노출과 달리 Amazon Personalize는 추천 데이터에서 암시적 노출을 자동으로 도출합니다.

노출 데이터

사용자가 특정 항목을 클릭, 시청, 구매 등을 통해 특정 항목과 상호작용할 때 사용자에게 제시되는 항목 목록입니다. Personalize는 노출 데이터를 사용하여 사용자가 동일한 품목을 선택하거나 무시한 빈도를 기반으로 사용자에 대한 새 항목의 관련성을 계산합니다.

이벤트 상호작용 데이터세트

사용자와 항목 간의 상호작용(이벤트라고 함)을 통해 수집하는 과거 및 실시간 데이터를 저장하는 컨테이너입니다. 상호작용 데이터에는 이벤트 유형 데이터와 상황별 메타데이터가 포함될 수 있습니다.

항목 데이터세트

가격, 장르, 재고 여부 등 항목에 대한 메타데이터를 담는 컨테이너입니다.

반복 빈도

Actions 데이터세트로 가져올 수 있는 액션 메타데이터 유형입니다. 반복 빈도 데이터는 작업 상호 작용 데이터 세트의 사용자 기록을 기반으로 사용자가 상호 작용한 후 Amazon Personalize가 특정 작업을 추천할 때까지 기다려야 하는 기간을 지정합니다.

스키마

Personalize에 데이터 구조를 알려주는 Apache Avro 형식의 JSON 객체입니다. Personalize는 스키마를 사용하여 데이터를 파싱합니다.

사용자 데이터세트

연령, 성별, 로열티 멤버십과 같은 사용자에 대한 메타데이터를 담는 컨테이너입니다.

다음 용어는 Personalize에서 모델을 학습시키는 것과 관련이 있습니다.

item-to-item 유사성 (SIMS) 레시피

상호작용 데이터세트의 데이터를 사용하여 지정된 항목과 유사한 항목을 추천하는 RELATED_ITEMS 레시피입니다. SIMS 레시피는 가격이나 색상과 같은 항목 메타데이터를 일치시키는 대신 사용자가 항목과 상호작용하는 방식을 기반으로 유사도를 계산합니다.

항목-친화도

항목 상호 작용 데이터 세트와 항목 데이터 세트의 데이터를 사용하여 사용자가 항목과 상호 작용할 가능성에 따라 지정하는 각 항목에 대한 사용자 세그먼트를 만드는 USER_SEGMENTATION 레시피입니다.

item-attribute-affinity

항목 상호 작용 데이터 세트와 항목 데이터 세트의 데이터를 사용하여 사용자가 속성을 통해 항목과 상호 작용할 가능성에 따라 지정하는 각 항목 속성에 대한 사용자 세그먼트를 만드는 USER_SEGMENTATION 레시피입니다.

차선책-작업 레시피

이 레시피는 사용자를 위한 차선책을 위한 실시간 추천을 생성합니다. 사용자를 위한 차선책 작업은 사용자가 수행할 가능성이 가장 높은 작업입니다. 로열티 프로그램에 등록하거나, 앱을 다운로드하거나, 신용카드를 신청하는 경우를 예로 들 수 있습니다. 자세한 정보는 차선책-작업 레시피을 참조하세요.

맞춤형 랭킹 V2 레시피

PERSONALIZED_RANKING 레시피로, 특정 사용자의 예상 관심 수준을 기반으로 제공하는 항목 컬렉션의 순위를 매깁니다. 이 레시피는 변환기 기반 아키텍처를 사용하여 항목 상호 작용 데이터, 항목 메타데이터 및 사용자 메타데이터에서 학습하는 모델을 학습시킵니다. Personalized-Ranking-v2 레시피를 사용하여 특정 사용자에 맞게 개인화된 항목 또는 검색 결과의 선별된 목록 순서를 개인화할 수 있습니다. 최대 5백만 개의 항목을 학습할 수 있으며 이전 버전보다 짧은 지연 시간으로 관련성이 더 높은 추천을 생성할 수 있습니다.

개인 맞춤형-순위 레시피

PERSONALIZED_RANKING 레시피로, 특정 사용자의 예상 관심 수준을 기반으로 제공하는 항목 컬렉션의 순위를 매깁니다. 개인 맞춤형-순위 레시피를 사용하면 특정 사용자에 맞게 개인 맞춤된 항목 또는 검색 결과의 선별된 목록 순서를 개인 맞춤할 수 있습니다.

인기도-집계 레시피

고유 사용자와 가장 많이 상호작용하는 항목을 추천하는 USER_PERSONALIZATION 레시피입니다.

추천자

추천을 생성하는 도메인 데이터세트 그룹 도구입니다. 도메인 데이터세트 그룹에 대한 추천자를 만들고 애플리케이션에서 사용하여 API로 실시간 추천을 받을 수 있습니다. GetRecommendations 추천을 생성하고 나면 사용 사례를 지정하고 Personalize에서 사용 사례에 가장 적합한 구성으로 추천을 지원하는 모델을 교육합니다.

레시피

사용자가 상호작용할 항목을 예측하거나(USER_PERSONALIZED 레시피의 경우), 사용자가 관심을 보인 특정 항목과 유사한 항목을 계산하거나(RELATED_ITEMS 레시피의 경우), 특정 사용자에 대한 예측 관심도를 기반으로 제공하는 항목 컬렉션의 순위를 매기도록(PERSONALIZED_RANKING 레시피의 경우) 사전 구성된 Personalize 알고리즘입니다.

솔루션

Personalize가 추천을 생성하는 데 사용하는 레시피, 사용자 지정 파라미터 및 학습된 모델(솔루션 버전).

솔루션 버전

Personalize에서 솔루션의 일부로 생성한 학습된 모델입니다. 캠페인에 솔루션 버전을 배포하여 추천을 요청하는 데 사용하는 개인 맞춤 API를 활성화합니다.

학습 모드

솔루션 버전을 만들 때 수행할 학습 범위입니다. 두 가지 모드, 즉 FULL 모드와 UPDATE 모드가 있습니다. FULL 모드는 데이터세트 그룹 내 데이터세트의 전체 학습 데이터를 기반으로 완전히 새로운 솔루션 버전을 생성합니다. UPDATE는 기존 솔루션 버전을 점진적으로 업데이트하여 마지막 학습 이후 추가한 새 항목을 추천합니다.

참고

Amazon Personalize는 사용자 맞춤화-v2, 사용자 맞춤화 또는 차세대 베스트 액션을 통해 FULL 교육 모드로 학습된 최신 솔루션 버전을 자동으로 업데이트합니다. 자동 업데이트 섹션을 참조하십시오.

사용자 개인화-v2 레시피

사용자의 선호도에 따라 사용자가 상호작용할 항목을 추천하는 USER_PERSONALIZATION 레시피입니다. 이 레시피는 변환기 기반 아키텍처를 사용하여 항목 상호 작용 데이터, 항목 메타데이터 및 사용자 메타데이터에서 학습하는 모델을 학습시킵니다. 최대 5백만 개의 항목을 학습시킬 수 있으며 이전 버전보다 짧은 지연 시간으로 더 관련성 높은 추천을 생성할 수 있습니다.

사용자-개인 맞춤 레시피

사용자가 상호작용할 항목을 예측하는 계층적 순환 신경망(HRNN) 기반 USER_PERSONALIZATION 레시피입니다. 사용자-개인 맞춤 레시피는 항목 탐색 및 노출 데이터를 사용하여 새 항목에 대한 추천을 생성할 수 있습니다.

다음 용어는 모델을 배포하고 사용하여 추천을 생성하는 것과 관련이 있습니다.

조치 최적화 기간

Amazon Personalize가 사용자가 취할 가능성이 가장 높은 조치를 예측할 때 사용하는 기간입니다. 예를 들어 작업 최적화 기간이 14일인 경우 Amazon Personalize는 사용자가 향후 14일 동안 취할 가능성이 가장 높은 작업을 예측합니다. 를 사용하여 솔루션을 생성할 때 작업 최적화 기간을 구성합니다. 차선책-작업 레시피

배치 추론 작업

S3 버킷에서 배치 입력 데이터를 가져오고 솔루션 버전을 사용하여 추천을 생성하고 S3 버킷으로 추천을 내보내는 도구입니다. 출력 데이터에 대한 다른 위치(폴더 또는 다른 S3 버킷)를 사용하는 것이 좋습니다. 또한 배치 워크플로우를 사용하여 실시간 업데이트가 필요하지 않은 대규모 데이터세트에서 추천을 가져올 수 있습니다.

배치 세그먼트 작업

S3 버킷에서 배치 입력 데이터를 가져오고, 솔루션 버전을 사용하여 사용자 세그먼트를 생성하고, S3 버킷으로 사용자 세그먼트를 내보내는 도구입니다. 출력 데이터에 대한 다른 위치(폴더 또는 다른 S3 버킷)를 사용하는 것이 좋습니다. 사용자_세분화 레시피로 뒷받침되는 솔루션과 함께 배치 세그먼트 작업을 사용하면 사용자가 다른 항목 또는 항목 속성이 다른 항목과 상호작용할 가능성에 따라 사용자 세그먼트를 생성할 수 있습니다.

campaign

애플리케이션 사용자를 위한 실시간 추천을 생성하기 위한 전용 트랜잭션 용량이 프로비저닝된 배포된 솔루션 버전(학습된 모델)입니다. 캠페인을 생성한 후 getRecommendations또는 getPersonalizedRankingAPI를 사용하여 추천을 가져올 수 있습니다.

항목 탐색

탐색을 사용하면 추천에 새 항목 또는 작업, 상호 작용이 거의 없는 항목 또는 작업, 이전 행동을 기준으로 사용자와 관련성이 낮은 항목 또는 작업 등 일반적으로 사용자에게 추천될 가능성이 낮은 일부 항목 또는 작업이 포함됩니다.

지표 어트리뷰션

항목 권장 사항의 영향을 측정하는 데 사용하는 도구입니다. 지표 어트리뷰션은 가져온 항목 상호 작용 및 항목 데이터, 지정한 지표를 기반으로 보고서를 생성합니다. 예를 들어, 사용자가 본 영화의 총 길이 또는 총 클릭 이벤트 수가 여기에 해당합니다.

추천

Personalize에서 사용자가 상호작용할 것으로 예측하는 항목의 목록입니다. 사용된 Personalize 레시피에 따라 추천은 항목 목록(USER_PERSONALIZED 레시피 및 RELATED_ITEMS 레시피)이거나 제공한 항목 컬렉션의 순위(PERSONALIZED_RANKING 레시피)일 수 있습니다.

사용자 세그먼트

Personalize에서 사용자가 카탈로그와 상호작용할 것으로 예측하는 사용자 목록입니다. 사용된 사용자_세분화 레시피에 따라 항목(항목-선호도 레시피) 항목 메타데이터(항목-속성-선호도 레시피)를 기반으로 사용자 세그먼트를 생성합니다. 사용자 세그먼트는 배치 세그먼트 작업을 통해 생성합니다.