Termos do Amazon Personalize

Os termos a seguir estão relacionados à importação, exportação e formatação de dados no Amazon Personalize.

conjunto de dados de ações

Um contêiner para metadados sobre suas ações. Uma ação é uma atividade de engajamento ou geração de receita que talvez você queira recomendar aos seus usuários, como instalar seu aplicativo móvel ou participar de seu programa de fidelidade. Os metadados das ações podem incluir a data e hora de expiração da ação, o valor, os dados de frequência de repetição e os metadados categóricos. Esse tipo de dado é usado somente peloFórmula Next-Best-Action.

conjunto de dados de interações de ações

Um contêiner para dados históricos e em tempo real que você coleta de interações entre usuários e ações. Cada interação com ação consiste em um ID de usuário, um ID de ação, um carimbo de data e hora, o tipo de evento e quaisquer dados adicionais sobre a interação, como metadados categóricos. Esse tipo de dado é usado somente peloFórmula Next-Best-Action.

metadados contextuais

Dados de interações que você coleta sobre o contexto de navegação de um usuário (como dispositivo usado ou localização) quando ocorre um evento (como um clique). Os metadados contextuais podem melhorar a relevância das recomendações para usuários novos e antigos.

conjunto de dados

Um contêiner para dados que você carrega para o Amazon Personalize. Há cinco tipos de conjuntos de dados do Amazon Personalize: usuários, itens, conjunto de dados de interações de itens e ações.

grupo de conjuntos de dados

Um contêiner para recursos do Amazon Personalize, incluindo conjuntos de dados, recomendadores de domínio e recursos personalizados. Um grupo de conjuntos de dados organiza seus recursos em coleções independentes, nas quais os recursos de um grupo de conjuntos de dados não podem influenciar os recursos em nenhum outro grupo de conjuntos de dados. Um grupo de conjuntos de dados pode ser um grupo de conjuntos de dados de domínio ou personalizados.

grupo de conjuntos de dados do domínio

Um grupo de conjuntos de dados com recursos pré-configurados para diferentes domínios de negócios e casos de uso. O Amazon Personalize gerencia o ciclo de vida dos modelos de treinamento e de implantação. Depois de criar um grupo de conjuntos de dados de domínio, você escolhe o domínio comercial, importa dados e cria recomendadores cada um dos seus casos de uso. Você usa seu recomendador em seu aplicativo para obter recomendações com a GetRecommendations operação.

Se começar com um grupo de conjunto de dados de domínio, você ainda pode adicionar recursos personalizados, como soluções e versões de soluções treinadas com fórmulas para casos de uso customizados.

grupo de conjuntos de dados personalizados

Um grupo de conjuntos de dados apenas com recursos personalizados, incluindo soluções, versões de soluções, filtros, campanhas e trabalhos de inferência em lote. Você usa uma campanha para obter recomendações com a GetRecommendations operação. Você gerencia o ciclo de vida dos modelos de treinamento e de implantação. Se você começar com um grupo de conjuntos de dados personalizados, não será possível associá-lo a um domínio posteriormente. Convém criar outro grupo de conjuntos de dados de domínio.

trabalho de exportação do conjunto de dados

Uma ferramenta de exportação de registros que envia os registros em um conjunto de dados para um ou mais arquivos CSV em um bucket do Amazon S3. O arquivo CSV de saída inclui uma linha de cabeçalho com nomes de colunas que correspondem aos campos no esquema do conjunto de dados.

trabalho de importação do conjunto de dados

Uma ferramenta de importação em massa que preenche seu conjunto de dados do Amazon Personalize com dados de um arquivo CSV no seu bucket do Amazon S3.

evento

Uma ação do usuário, como um clique, uma compra ou uma visualização de vídeo, que você registra e da qual faz upload em um conjunto de dados de interações com itens do Amazon Personalize. Você importa eventos em massa de um arquivo CSV, incrementalmente com o console Amazon Personalize e em tempo real.

impressões explícitas

Uma lista de itens adicionados manualmente a um conjunto de dados de interações com itens do Amazon Personalize. Ao contrário das impressões implícitas, que o Amazon Personalize deriva automaticamente dos seus dados de recomendação, nas impressões explícitas você escolhe o que incluir.

impressões implícitas

As recomendações que seu aplicativo mostra ao usuário. Ao contrário das impressões explícitas, adicionadas manualmente a um conjunto de dados de interações com itens, o Amazon Personalize gera automaticamente as impressões implícitas com base nos dados de recomendações.

dados de impressões

A lista de itens que você apresentou a um usuário quando ele interagiu com um item específico ao clicar, assistir, comprar e assim por diante. O Amazon Personalize usa dados de impressões para calcular a relevância dos novos itens para um usuário com base na frequência com que os usuários selecionaram ou ignoraram o mesmo item.

conjunto de dados de interações

Um contêiner para dados históricos e em tempo real que você coleta de interações entre usuários e itens (eventos). Os dados de interações podem incluir dados de tipo de evento e metadados contextuais.

conjunto de dados de itens

Um contêiner para metadados sobre seus itens, como preço, gênero ou disponibilidade.

frequência de repetição

Um tipo de metadado de ação que você pode importar para um conjunto de dados do Actions. Os dados de frequência de repetição especificam quantos dias o Amazon Personalize deve esperar para recomendar uma ação específica depois que um usuário interagir com ela, com base no histórico do usuário no conjunto de dados de interações com ações.

Esquema

Um objeto JSON no formato Apache Avro que informa ao Amazon Personalize sobre a estrutura dos seus dados. O Amazon Personalize usa seu esquema para analisar seus dados.

conjunto de dados de usuários

Um contêiner para metadados sobre seus usuários, como idade, gênero ou programa de fidelidade.

Os termos a seguir estão relacionados ao treinamento de um modelo no Amazon Personalize.

item-to-item receita de semelhanças (SIMS)

Uma fórmula de RELATED_ITEMS que usa os dados de um conjunto de dados de interações para fazer recomendações para itens semelhantes a um item específico. A fórmula SIMS calcula a similaridade com base na forma como os usuários interagem com os itens, em vez de combinar os metadados do item, como preço ou cor.

item-affinity

Uma fórmula USER_SEGMENTATION que usa os dados de um conjunto de dados de interações e de um de itens para criar segmentos de usuário para cada item especificado com base na probabilidade de os usuários interagirem com o item.

item-attribute-affinity

Uma fórmula USER_SEGMENTATION que usa os dados de um conjunto de dados de interações com itens e de um de itens para criar um segmento de usuário para cada atributo de item especificado com base na probabilidade de os usuários interagirem com os itens que tenham o atributo.

Fórmula Next-Best-Action

Essa receita gera recomendações em tempo real para as próximas melhores ações para seus usuários. A próxima melhor ação para um usuário é a ação que ele provavelmente realizará. Por exemplo, inscrever-se no programa de fidelidade, baixar a aplicação ou solicitar um cartão de crédito. Para ter mais informações, consulte Fórmula Next-Best-Action.

Receita personalizada de classificação v2

Uma fórmula PERSONALIZED_RANKING que classifica uma coleção de itens que você fornece com base no nível de interesse previsto para um usuário específico. Essa receita usa uma arquitetura baseada em transformadores para treinar um modelo que aprende com dados de interações de itens, metadados de itens e metadados de usuários. Use a receita Personalized-Ranking-v2 para personalizar a ordem das listas selecionadas de itens ou resultados de pesquisa personalizados para um usuário específico. Ele pode treinar em até 5 milhões de itens e gerar recomendações mais relevantes com menor latência do que a versão anterior.

fórmula de classificações personalizadas

Uma fórmula PERSONALIZED_RANKING que classifica uma coleção de itens que você fornece com base no nível de interesse previsto para um usuário específico. Use a fórmula de classificação personalizada para personalizar a ordem das listas selecionadas de itens ou resultados de pesquisa personalizados para um usuário específico.

fórmula de contagem de popularidade

Uma receita de USER_PERSONALIZATION que recomenda os itens que têm mais interações com usuários exclusivos.

recomendador

Uma ferramenta de grupo de conjuntos de dados de domínio que gera recomendações. Você cria um recomendador para um grupo de conjuntos de dados de domínio e o usa em seu aplicativo para obter recomendações em tempo real com a GetRecommendations API. Ao criar um recomendador, você especifica um caso de uso, e o Amazon Personalize treina os modelos que apoiam o recomendador com as melhores configurações para o caso de uso.

fórmula

Um algoritmo do Amazon Personalize pré-configurado para prever os itens com os quais um usuário interagirá (para fórmulas USER_PERSONALIZATION), calcular itens que sejam semelhantes a itens específicos nos quais um usuário demonstrou interesse (fórmulas RELATED_ITEMS) ou classificar uma coleção de itens que você fornece com base no interesse previsto para um usuário específico (fórmulas PERSONALIZED_RANKING).

solução

A fórmula, os parâmetros personalizados e os modelos treinados (versões da solução) que o Amazon Personalize usa para gerar recomendações.

versão da solução

Um modelo treinado que você cria como parte de uma solução no Amazon Personalize. Você implanta uma versão da solução em uma campanha para ativar a API de personalização que você usa para solicitar recomendações.

modo de treinamento

O escopo do treinamento a ser realizado ao criar uma versão da solução. Há dois modos diferentes: FULL e UPDATE. O modo FULL cria uma nova versão da solução com base na totalidade dos dados de treinamento dos conjuntos de dados no grupo de conjuntos de dados. O modo UPDATE atualiza incrementalmente a versão da solução existente para recomendar novos itens que você adicionou desde o último treinamento.

nota

Com User-Personalization-v2, User-Personalization ou Next-Best-Action, o Amazon Personalize atualiza automaticamente a versão mais recente da solução treinada com o modo de treinamento COMPLETO. Consulte Atualizações automáticas.

Receita de personalização do usuário v2

Uma receita USER_PERSONALIZATION que recomenda itens com os quais um usuário interagirá com base em suas preferências. Essa receita usa uma arquitetura baseada em transformadores para treinar um modelo que aprende com dados de interações de itens, metadados de itens e metadados de usuários. Ele pode treinar em até 5 milhões de itens e gerar recomendações mais relevantes com menor latência do que a versão anterior.

Fórmula User-Personalization

Uma fórmula USER_PERSONALIZATION baseada em Rede Neural Recorrente Hierárquica (HRNN) que prevê os itens com os quais um usuário interagirá. A fórmula user-personalization usa dados de exploração e impressões de itens para gerar recomendações de novos itens.

Os termos a seguir estão relacionados à implantação e ao uso de um modelo para gerar recomendações.

período de otimização da ação

O período de tempo que o Amazon Personalize usa para prever as ações que o usuário provavelmente tomará. Por exemplo, se o período de otimização da ação for de 14 dias, o Amazon Personalize prevê as ações que os usuários provavelmente tomarão nos próximos 14 dias. Você configura o período de otimização da ação ao criar uma solução com Fórmula Next-Best-Action o.

trabalho de inferência em lote

Uma ferramenta que importa seus dados de entrada em lote de um bucket do Amazon S3, usa a versão da solução para gerar recomendações e exporta as recomendações para um bucket do Amazon S3. Recomendamos usar um local diferente para seus dados de saída (uma pasta ou um bucket diferente do Amazon S3). Use um trabalho de inferência em lote para ter recomendações de grandes conjuntos de dados que não requerem atualizações em tempo real.

trabalho de segmento em lote

Uma ferramenta que importa seus dados de entrada em lote de um bucket do Amazon S3, usa a versão da solução para gerar segmentos de usuários e exporta os segmentos de usuários para um bucket do Amazon S3. Recomendamos usar um local diferente para seus dados de saída (uma pasta ou um bucket diferente do Amazon S3). Use uma tarefa de segmentação em lote com uma solução que utiliza uma fórmula USER_SEGMENTATION para criar segmentos de usuários com base na probabilidade de o usuário interagir com itens diferentes ou itens com atributos de item diferentes.

campaign

Uma versão da solução implantada (modelo treinado) com capacidade de transação dedicada e provisionada para criar recomendações em tempo real para os usuários do seu aplicativo. Depois de criar uma campanha, você pode usar as operações de API getRecommendations ou getPersonalizedRanking para obter recomendações.

exploração de dados

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.

atribuição de métrica

Uma ferramenta que você usa para medir o impacto das recomendações de itens. Uma atribuição de métrica cria relatórios com base nos dados de itens e de interações com itens importados e nas métricas especificadas. Por exemplo, a duração total dos filmes assistidos pelos usuários ou o número total de eventos de cliques.

recomendações

Uma lista de itens com os quais o Amazon Personalize prevê que um usuário interagirá. Dependendo da fórmula do Amazon Personalize usada, as recomendações podem ser uma lista de itens (fórmulas USER_PERSONALIZATION e RELATED_ITEMS) ou uma classificação de uma coleção de itens que você forneceu (fórmulas PERSONALIZED_RANKING).

segmentos de usuários

Uma lista com os quais o Amazon Personalize prevê que os usuários interagirão com seu catálogo. Dependendo da fórmula USER_SEGMENTATION usada, você cria segmentos de usuário com base nos itens (fórmula Item-Affinity) e nos metadados dos itens (fórmula Item-Attribute-Affinity). Você cria segmentos de usuário com um trabalho de segmentação em lote.