本文属于机器翻译版本。若本译文内容与英语原文存在差异，则一律以英文原文为准。

Amazon Personalize 和生成式人工智能

Amazon Personalize 与生成式人工智能配合得很好。Amazon Personalize 内容生成器在生成式人工智能的帮助下，可以在相关物品的批量建议中添加吸引人的主题。内容生成器是一项由 Amazon Personalize 管理的生成式人工智能功能。

还可以使用 Amazon Personalize 建议将 Amazon Personalize 与您的生成式人工智能工作流程集成并增强用户体验。例如，您可以在生成式人工智能提示中添加建议，以创建针对每个用户的兴趣量身定制的营销内容。您还可以为建议的内容生成简明摘要，或者通过聊天机器人建议产品或内容。

以下视频展示了如何使用 Amazon Personalize 和生成人工智能来增强推荐。

以下 Amazon Personalize 特征使用生成式人工智能，或者可以帮助您构建生成式人工智能解决方案来创建个性化内容。有关展示如何将 Amazon Personalize 与生成人工智能结合使用的 Jupyter 笔记本示例，请参阅 Amazon Personalize 示例存储库中的生成式 AI 和 Amaz on Personalize。

内容生成器中带有主题的建议

Amazon Personalize 内容生成器可以向批量建议添加描述性主题。内容生成器是一项由 Amazon Personalize 管理的生成式人工智能功能。

当您获得带有主题的批量建议时，Amazon Personalize 内容生成器会为每组相似的物品添加一个描述性主题。例如，如果您收到早餐食品的相似物品建议，Amazon Personalize 可能会生成一个主题，例如快起床吧或早晨必备品。您可以使用该主题来替换通用的轮播标题，例如经常一起购买。或者，您可以将该主题纳入促销电子邮件或营销活动中，以获得新的菜单选项。

要生成主题，您需要将数据导入物品交互数据集和物品数据集，使用 Similar-Items 配方创建自定义解决方案，然后生成批量建议。您的物品数据必须包括物品描述和标题信息。详细的物品描述和标题可帮助内容生成器创建更准确、更具吸引力的主题。

建议元数据

获得建议后，您可以让 Amazon Personalize 从您的物品数据集中返回有关每个建议物品的元数据。您可以将此元数据以及 Amazon Personalize 建议添加到生成式人工智能提示中，以生成更具吸引力的内容。

例如，您可以使用生成式人工智能来创建营销电子邮件。您可以使用 Amazon Personalize 建议及其元数据（例如电影类型）作为生成式人工智能的提示工程的一部分。借助个性化提示，您可以使用生成式人工智能来创建针对每个客户的兴趣量身定制的吸引人的营销电子邮件。

要获取建议元数据，您需要先完成 Amazon Personalize 工作流程以导入数据并创建域或自定义资源。在创建 Amazon Personalize 推荐器或市场活动时，启用在建议中包含元数据的选项。获得建议后，您可以指定要包含哪些列的物品数据。

用于个性化的预配置 LangChain 代码

LangChain 是一个用于开发由语言模型支持的应用程序的框架。它包含专为 Amazon Personalize 构建的代码。您可以使用此代码将 Amazon Personalize 建议与生成式人工智能解决方案集成。

例如，您可以使用以下代码向您的链中添加针对用户的 Amazon Personalize 建议。

from aws_langchain import AmazonPersonalize
from aws_langchain import AmazonPersonalizeChain
from langchain.llms.bedrock import Bedrock

recommender_arn="RECOMMENDER ARN"

bedrock_llm = Bedrock(model_id="anthropic.claude-v2", region_name="us-west-2")
client=AmazonPersonalize(credentials_profile_name="default",region_name="us-west-2",recommender_arn=recommender_arn)
# Create personalize chain
# Use return_direct=True if you do not want summary
chain = AmazonPersonalizeChain.from_llm(
    llm=bedrock_llm, 
    client=client,
    return_direct=False 
)
response = chain({'user_id': '1'})
print(response)