As traduções são geradas por tradução automática. Em caso de conflito entre o conteúdo da tradução e da versão original em inglês, a versão em inglês prevalecerá.

Preparar dados de interação com itens para o treinamento

Uma interação com itens é um evento de interação positiva entre um usuário e um item do seu catálogo. Por exemplo, um usuário assistindo a um filme, visualizando um anúncio ou comprando um par de sapatos. Você deve importar dados sobre interações entre usuários e itens para um conjunto de dados de interações com itens. Você pode gravar vários tipos de evento, como clicar, assistir ou comprar.

Por exemplo, se um usuário clicar em um item específico e depois curtir o item, você pode fazer com que o Amazon Personalize use esses eventos como dados de treinamento. Para cada evento, você registraria o ID do usuário, o ID do item, o carimbo de data/hora (no formato de horário Unix epoch) e o tipo de evento (clicar e curtir). Depois, você deve adicionar os dois eventos de interação a um conjunto de dados de interações com itens.

Para todos os casos de uso de domínio e receitas personalizadas, seus dados de interações de itens em massa devem estar em um CSV arquivo. Cada linha deve representar uma interação exclusiva entre um usuário e um item. Depois de concluir a preparação dos dados, você estará pronto para criar um JSON arquivo de esquema. Esse arquivo informa a estrutura dos seus dados ao Amazon Personalize. Para obter mais informações, consulte Criar arquivos JSON de esquema para esquemas do Amazon Personalize.

As seções a seguir fornecem mais informações sobre como preparar os dados de interação do item para o Amazon Personalize. Para conhecer as diretrizes de formato de dados em massa para todos os tipos de dados, consulte as diretrizes de formato de dados em massa.

Requisitos dos dados de interações com itens

As seções a seguir listam os requisitos de dados de interação com itens para o Amazon Personalize. Para cotas adicionais, consulte Cotas e endpoints do Amazon Personalize.

Requisitos de treinamentos mínimos

Para todos os casos de uso e fórmulas personalizadas do domínio, seus dados de interações devem ter o seguinte:

Para obter recomendações de qualidade, o ideal é que você tenha, no mínimo, cinquenta mil interações com itens de, pelo menos, mil usuários com duas ou mais interações com itens cada.

Para criar um recomendador ou uma solução personalizada, é necessário, no mínimo, criar um conjunto de dados de interações com itens.

Requisitos de coluna

Seus dados de interações com ações devem ter no mínimo as colunas a seguir.

Você pode adicionar outras colunas personalizadas dependendo do seu caso de uso e dos seus dados. O número máximo de colunas opcionais de metadados é 5. As colunas de metadados podem incluir valores vazios/nulos. Recomendamos que essas colunas estejam no mínimo 70% completas.

Dados de carimbo de data/hora

A data e hora devem estar no formato de hora do Unix epoch em segundos. Por exemplo, o carimbo de data/hora Unix epoch em segundos para a data 31 de julho de 2020 é 1596238243. Para converter datas em carimbos de data/hora do Unix, use o site Epoch Converter - Unix Timestamp Converter.

O Amazon Personalize usa dados de carimbo de data/hora para calcular a atualidade e identificar qualquer padrão baseado em tempo. Isso ajuda o Amazon Personalize a manter as recomendações up-to-date com as preferências em evolução dos usuários.

Tipo de evento e dados de valor do evento

Um conjunto de dados de interações com itens pode armazenar dados de tipo e valor de evento para cada interação. Somente recursos personalizados usam dados de valor do evento.

Dados de tipos de eventos

O tipo de evento de uma interação com itens fornece contexto sobre sua natureza e significado. Exemplos de tipos de evento podem ser clicar, assistir ou comprar. O Amazon Personalize usa dados do tipo de evento, como dados de clique ou compra, para identificar a intenção e o interesse do usuário. O número máximo de tipos de evento combinado ao total de colunas opcionais de metadados em um conjunto de dados de interações com itens é 10.

Para recomendadores de domínio, você deve ter uma coluna de tipo de evento e cada interação deve ter um tipo de evento. Para todas as receitas personalizadas, uma TYPE coluna EVENT _ é recomendada, mas opcional. Se você adicioná-la, cada evento deverá ter um tipo de evento.

Se você criar recursos personalizados, poderá escolher os eventos usados para o treinamento por tipo de evento. Se seu conjunto de dados tiver vários tipos de eventos em uma TYPE coluna EVENT _ e você não fornecer um tipo de evento ao configurar uma solução personalizada, o Amazon Personalize usará todos os dados de interações do item para treinar com o mesmo peso, independentemente do tipo. Para obter mais informações, consulte Selecionar os dados de interações com itens utilizados para treinamento.

Os seguintes casos de uso têm requisitos específicos de tipo de evento:

VIDEO_ON_ casos de uso DEMAND do domínio

ECOMMERCEcasos de uso de domínio

Tipos de eventos positivos e negativos

O Amazon Personalize presume que qualquer interação é positiva. Interações com um tipo de evento negativo, como não curtir, não necessariamente impedirão que o item apareça nas recomendações futuras do usuário.

Veja a seguir formas de fazer com que eventos negativos e o desinteresse dos usuários influenciem as recomendações:

Dados de valor do evento (recursos personalizados)

Os dados do valor do evento podem ser a porcentagem de um filme que um usuário assistiu ou uma avaliação 10. Se você criar soluções personalizadas, poderá escolher os registros usados para treinamento com base nos dados nas VALUE colunas EVENT EVENT _ TYPE e _. Com os recomendadores de domínio, o Amazon Personalize não usa dados de valor de eventos, e você não pode filtrar eventos antes do treinamento.

Para escolher registros com base no tipo e no valor, salve os dados de tipo e valor dos eventos. Nem todos os eventos precisam de um valor de evento. O valor escolhido para cada evento depende dos dados que você deseja excluir e dos tipos de eventos que você está gravando. Por exemplo, você pode corresponder à atividade do usuário, como a porcentagem de vídeos que o usuário assistiu para os tipos de eventos assistir.

Ao configurar uma solução, você define um valor específico como limite para excluir registros do treinamento. Por exemplo, se seus EVENT _ VALUE dados de eventos com EVENT _ TYPE de exibição forem a porcentagem de um vídeo que um usuário assistiu, se você definir o limite do valor do evento como 0,5 e o tipo de evento a ser assistido, o Amazon Personalize treina o modelo usando apenas eventos de interação com o relógio com EVENT um VALUE _ maior ou igual a 0,5.

Para ter mais informações, consulte Selecionar os dados de interações com itens utilizados para treinamento

Metadados contextuais

Com determinados casos de uso de fórmulas e recomendadores, o Amazon Personalize pode usar metadados contextuais ao identificar padrões subjacentes que revelam os itens mais relevantes para seus usuários. Metadados contextuais são dados de interações que você coleta no ambiente do usuário no momento de um evento, como sua localização ou tipo de dispositivo. Você também pode especificar o contexto de um usuário ao obter recomendações para ele.

Inclua metadados contextuais para fornecer uma experiência mais personalizada para seus usuários e diminuir a fase de inicialização a frio de novos usuários. A fase de inicialização a frio ocorre quando as recomendações são menos relevantes devido à falta de dados históricos do usuário.

Por exemplo, se seu CSV arquivo de interações de itens incluir uma TYPE coluna DEVICE _ com phone valores tablet e valores, o Amazon Personalize poderá aprender como os clientes compram de forma diferente em dispositivos diferentes. Ao obter recomendações para um usuário, você pode especificar o dispositivo para tornar as recomendações mais relevantes, mesmo que o usuário não tenha histórico de interações.

Veja a seguir como você formataria um CSV arquivo de interações de itens com uma TYPE coluna DEVICE _ como metadados contextuais.

ITEM_ID,USER_ID,TIMESTAMP,DEVICE_TYPE,EVENT_TYPE
shoe12345,12,1428624000,Tablet,CLICK
shoe12346,12,1420416000,Tablet,CLICK
shoe12347,12,1410652800,Tablet,BUY
shoe4444,13,1409961600,Phone,CLICK
shoe4445,13,1402876800,Phone,BUY
shoe4336,13,1402185600,Phone,CLICK
.....

Para grupos de conjuntos de dados de domínio, os seguintes casos de uso de recomendador podem usar metadados contextuais:

Para recursos personalizados, as fórmulas que usam metadados contextuais incluem o seguinte:

Para obter informações sobre como incluir o contexto ao obter recomendações, consulte Como aumentar a relevância das recomendações com metadados contextuais. Para ver um exemplo completo que mostra como usar metadados contextuais, consulte a seguinte postagem no blog do AWS Machine Learning: Aumentando a relevância de suas recomendações do Amazon Personalize utilizando informações contextuais.

Dados de impressões

Impressões são listas de itens que estavam visíveis para um usuário durante a interação (por exemplo, clicar ou assistir) com determinado item. Se você tiver um caso de uso de domínio que forneça personalização ou a fórmula User-Personalization, o Amazon Personalize poderá usar dados de impressões para orientar a exploração.

Com a exploração, as recomendações incluem alguns itens ou ações que normalmente teriam menor probabilidade de ser recomendados para o usuário, como novos itens ou ações, itens ou ações com poucas interações ou itens ou ações menos relevantes com base no comportamento anterior do usuário. Quanto mais frequentemente um item aparece nos dados de impressões, menor a probabilidade de o Amazon Personalize incluir o item na exploração.

Quando você cria um recomendador ou uma solução, o Amazon Personalize sempre exclui os dados de impressão do treinamento. Isso ocorre porque o Amazon Personalize não treina seus modelos com dados de impressão. Em vez disso, ele o usa quando você recebe as recomendações para orientar a exploração do usuário.

Os valores de impressão podem ter no máximo 1.000 caracteres (incluindo o caractere da barra vertical). Para grupos de conjuntos de dados de domínio, os seguintes casos de uso do recomendador podem usar dados de impressão:

Para obter mais informações sobre exploração, consulte Exploration (Exploração). O Amazon Personalize pode modelar dois tipos de impressões: Impressões implícitas e Impressões explícitas.

Impressões explícitas

Impressões explícitas são impressões que você grava e envia manualmente para o Amazon Personalize. Use impressões explícitas para manipular os resultados do Amazon Personalize. A ordem dos itens não é relevante.

Por exemplo, você pode ter um aplicativo de compras que faça recomendações de calçados. Se recomendar apenas calçados que estão atualmente em estoque, você pode especificar esses itens usando impressões explícitas. Seu fluxo de trabalho de recomendação usando impressões explícitas pode ser o seguinte:

Como formatar impressões explícitas

Para incluir impressões explícitas em seu CSV arquivo, adicione uma IMPRESSION coluna. Para cada interação de item, adicione uma lista de caracteres itemIds separados com uma barra vertical, '|'. O caractere de barra vertical conta para o limite de 1.000 caracteres dos dados de impressões. Se você incluir impressões explícitas na operação PutEvents, especifique os itens em uma matriz de strings.

Veja a seguir um pequeno trecho de um CSV arquivo que inclui impressões explícitas na coluna. IMPRESSION

A aplicação mostrava itens USER_1 do usuário: 73, 70, 17, 95 e 96; e o usuário finalmente escolheu o item 73. Quando você cria uma nova versão da solução com base nesses dados, os itens 70, 17, 95 e 96 serão recomendados com menos frequência ao usuário USER_1.

Impressões implícitas

As impressões implícitas são as recomendações, recuperadas do Amazon Personalize, que você mostra ao usuário. Seu CSV arquivo não precisa incluir colunas IMPRESSION ou RECOMMENDATION _ID para usar impressões implícitas. Em vez disso, inclua o RecommendationId (retornado pelas operações GetPersonalizedRanking e GetRecommendations) nas solicitações de PutEvents. O Amazon Personalize obtém as impressões implícitas com base nos seus dados de recomendação.

Por exemplo, você pode ter um aplicativo que faça recomendações de streaming de vídeo. Seu fluxo de trabalho de recomendação usando impressões implícitas pode ser o seguinte:

Exemplo de dados de interações

Os dados de interações a seguir representam a atividade histórica do usuário em um site de streaming de vídeos. Você pode usar os dados para treinar um modelo que fornece recomendações de filmes com base nos dados de interação dos usuários. Observe que alguns valores para EVENT _ VALUE são nulos.

USER_ID,ITEM_ID,EVENT_TYPE,EVENT_VALUE,TIMESTAMP
196,242,watch,.50,881250949
186,302,watch,.75,891717742
22,377,click,,878887116
244,51,click,,880606923
166,346,watch,.50,886397596
298,474,watch,.25,884182806
115,265,click,,881171488
253,465,watch,.50,891628467
305,451,watch,.75,886324817
  

O Amazon Personalize requer as colunas USER_ID, ITEM_ID e TIMESTAMP. USER_ID é o identificador de um usuário da sua aplicação. ITEM_ID é o identificador de um filme. EVENT_TYPE e EVENT_VALUE são os identificadores das interações do usuário. Nos dados de amostra, os eventos são de watch e click, e os valores são a porcentagem de um vídeo que um usuário assistiu. O TIMESTAMP representa o horário no formato Unix epoch, em que a compra do filme ocorreu.

Depois de concluir a preparação dos dados, você estará pronto para criar um JSON arquivo de esquema. Esse arquivo informa a estrutura dos seus dados ao Amazon Personalize. Para obter mais informações, consulte Criar arquivos JSON de esquema para esquemas do Amazon Personalize. Essa é a aparência do JSON arquivo de esquema para os dados de amostra.

{
  "type": "record",
  "name": "Interactions",
  "namespace": "com.amazonaws.personalize.schema",
  "fields": [
    {
      "name": "USER_ID",
      "type": "string"
    },
    {
      "name": "ITEM_ID",
      "type": "string"
    },
    { "name": "EVENT_TYPE",
      "type": "string"
    },
    {
      "name": "EVENT_VALUE",
      "type": "float"
    },
    {
      "name": "TIMESTAMP",
      "type": "long"
    }
  ],
  "version": "1.0"
}