Amazon Personalize 化條

下列術語與在 Amazon 個人化中匯入、匯出和格式化資料有關。

動作資料集

動作相關中繼資料的容器。動作是您可能想向使用者推薦的參與或創造收益的活動，例如安裝行動應用程式或加入忠誠度計劃。動作的中繼資料可能包括動作的到期時間戳記、值、重複頻率資料和分類中繼資料。此類型的資料僅由使用Next-Best-Action 配方。

動作互動資料集

用於從使用者和動作之間的互動中收集的歷史和即時資料的容器。每個動作互動都包含一個 userId、actionID、時間戳記、事件類型，以及有關互動的任何其他資料，例如分類中繼資料。此類型的資料僅由使用Next-Best-Action 配方。

關聯式詮釋

發生事件（例如點擊）時，您收集的有關用戶瀏覽上下文（例如使用的設備或位置）的互動數據。關聯式中繼資料可改善新使用者和現有使用者的建議相關

dataset

您上傳到 Amazon Personalize 化的數據的容器。Amazon Personalize 資料集有五種類型：使用者、項目、項目互動資料集和動作。

資料集群組

Amazon Personalize 資源的容器，包括資料集、網域推薦程式和自訂資源。資料集群組會將您的資源組織成獨立的集合，其中一個資料集群組的資源不會影響任何其他資料集群組中的資源。資料集群組可以是網域資料集群組或自訂資料集群組。

網域資料集群組

包含針對不同業務網域和使用案例預先設定資源的資料集群組。Amazon Personalize 化管理培訓模型和部署的生命週期。建立網域資料集群組時，您可以選擇您的企業網域、匯入資料，並為每個使用案例建立推薦人。您可以在應用程式中使用建議程式來取得有關 GetRecommendations作業的建議。

如果您從網域資料集群組開始，您仍然可以新增自訂資源，例如透過自訂使用案例的配方訓練的解決方案和解決方案版本。

自訂資料集群組

僅包含自訂資源的資料集群組，包括解決方案、解決方案版本、篩選器、行銷活動和批次推論工作。您可以使用促銷活動來取得 GetRecommendations作業的建議。您可以管理訓練模型和部署的生命週期。如果您是從「自訂」資料集群組開始，稍後就無法將其與網域建立關聯。請改為建立新的「網域」資料集群組。

資料集匯出工作

一種記錄匯出工具，可將資料集中的記錄輸出到 Amazon S3 儲存貯體中的一或多個 CSV 檔案。輸出 CSV 檔案包含一個標題列，其資料欄名稱與資料集結構描述中的欄位相符。

資料集匯入工作

一種大量匯入工具，可使用 Amazon S3 儲存貯體中 CSV 檔案中的資料填入您的 Amazon 個人化資料集。

事件

您記錄並上傳至 Amazon Personalize 項目互動資料集的使用者動作 (例如點擊、購買或視訊觀看)。您可以從 CSV 檔案大量匯入事件，並透過 Amazon Personalize 主控台以遞增方式即時匯入事件。

明確印象

您手動新增至 Amazon Personalize 項目互動資料集的項目清單。與 Amazon Personalize 自動衍生自動從您的建議資料衍生的隱含曝光次數不同，您可以選擇要包含在明確曝光中的內容。

隱含印象

您的應用程式向使用者顯示的建議。Amazon Personalize 與您手動新增至項目互動資料集的明確曝光不同，Amazon Personalize 會自動從您的建議資料衍生隱含曝光。

印象資料

當使用者透過按一下、觀看、購買等方式與特定項目互動時，您向使用者顯示的項目清單。Amazon Personalize 會根據使用者選取或忽略相同項目的頻率，使用曝光次數資料來計算使用者新項目的相關性。

互動資料集

用於從使用者與項目 (稱為事件) 之間的互動中收集的歷史和即時資料的容器。互動資料可以包括事件類型資料和上下文中繼資料。

項目資料集

適用於項目相關中繼資料的容器，例如價格、類型或可用性。

重複頻率

您可以匯入「動作」資料集的動作中繼資料類型。重複頻率資料會根據動作互動資料集中的使用者歷史記錄，指定 Amazon Personalize 在使用者與特定動作互動後應等待多少天，才能建議特定動作。

結構描述

阿帕奇 Avro 格式的 JSON 對象，告訴 Amazon Personalize 化您的數據的結構。Amazon Personalize 化使用您的架構來解析您的數據。

用戶數據集

用於存放使用者相關中繼資料的容器，例如年齡、性別或忠誠度會員資格。

下列術語與在 Amazon Personalize 中訓練模型有關。

item-to-item 相似之處（模擬人生）食譜

RELAITED_ITEMS 方案，會使用互動資料集中的資料，針對類似於指定項目的項目提出建議。《SIMS》配方會根據使用者與物品互動的方式來計算相似度，而非符合項目中繼資料 (例如價格或顏色)。

項目相似性

USER_SEGETING 方案，使用項目互動資料集和項目資料集中的資料，根據使用者與項目互動的可能性，為您指定的每個項目建立使用者區段。

item-attribute-affinity

USER_SEGETING 方案，使用項目互動資料集和項目資料集中的資料，根據使用者與具有屬性之項目互動的可能性，為您指定的每個項目屬性建立使用者區段。

下一個最佳動作食譜

此方案會為您的使用者產生下一個最佳動作的即時建議。對於使用者而言，下一個最佳動作是他們最有可能採取的動作。例如，註冊您的忠誠計劃，下載您的應用程序或申請信用卡。如需詳細資訊，請參閱 Next-Best-Action 配方。

個性化排名，V2 配方

個性化排名配方，根據特定用戶的預測興趣等級，對您提供的項目集合進行排名。此配方使用基於轉換器的體系結構來訓練從項目交互數據，項目元數據和用戶元數據中學習的模型。使用「個人化排序-v2」配方，針對特定使用者個人化，個人化項目或搜尋結果的精選清單順序。它可以訓練多達 500 萬個項目，並以比以前的版本更低的延遲來生成更相關的建議。

個性化排名食譜

個性化排名配方，根據特定用戶的預測興趣等級，對您提供的項目集合進行排名。使用個人化排名配方，個人化特定使用者個人化的精選項目清單或搜尋結果的順序。

普及計數配方

使用者個人化配方，建議與不重複使用者互動最多的項目。

推薦人

可產生建議的網域資料集群組工具。您可以為網域資料集群組建立建議程式，並在應用程式中使用此 GetRecommendations API 取得即時建議。當您建立推薦人時，您需要指定使用案例，Amazon Personalize 會針對該使用案例的最佳組態來訓練支援推薦人的模型。

recipe

一種 Amazon Personalize 演算法，預先設定用來預測使用者將與之互動的項目 (針對 USER_PERSONALIZE 配方)，或計算與使用者感興趣的特定項目類似的項目 (針對 RELATITED_ITEMS 配方)，或根據特定使用者的預測興趣對您提供的項目集合進行排名 (針對 PERSONALIZED_RANGER 食譜)。

解決方案

Amazon Personalize 用來產生建議的配方、自訂參數和訓練有素的模型 (解決方案版本)。

解決方案版

您在 Amazon Personalize 中建立的訓練模型，做為解決方案的一部分。您可以在促銷活動中部署解決方案版本，以啟用用於請求建議的個人化 API。

訓練模式

建立解決方案版本時要執行的訓練範圍。有兩種不同的模式：完整和更新。FULL 模式會根據資料集群組中資料集的整個訓練資料，建立全新的解決方案版本。UPDATE 會逐步更新現有的解決方案版本，以建議您自上次訓練以來新增的新項目。

注意

透過使用者個人化第 2 版、使用者個人化或下一個最佳動作，Amazon Personalize 會自動更新經過完整訓練模式訓練的最新解決方案版本。請參閱自動更新。

用戶個性化-v2 配方

使用者個人化配方，可根據使用者的偏好建議使用者將與之互動的項目。此配方使用基於轉換器的架構來訓練從項目交互數據，項目元數據和用戶元數據中學習的模型。它可以訓練多達 500 萬個項目，並以比以前的版本更低的延遲來生成更相關的建議。

用戶個性化配方

基於用戶 _ 個性化配方的分層遞歸神經網絡（HRNN），可預測用戶將與之交互的項目。使用者個人化方案可以使用項目探索和曝光次數資料來產生新項目的建議。

下列術語與部署和使用模型產生建議有關。

動作最佳化週期

Amazon Personalize 在預測使用者最有可能採取的動作時所使用的時間段。例如，如果動作最佳化期為 14 天，Amazon Personalize 會預測使用者在接下來 14 天內最有可能執行的動作。當您使用建立解決方案時，您可以設定動作最佳化期間Next-Best-Action 配方。

批次推論工作

從 Amazon S3 儲存貯體匯入批次輸入資料、使用您的解決方案版本產生建議，以及將建議匯出到 Amazon S3 儲存貯體的工具。我們建議您為輸出資料使用不同的位置 (資料夾或不同的 Amazon S3 儲存貯體)。使用批次推論工作取得不需要即時更新之大型資料集的建議。

批次區段工作

從 Amazon S3 儲存貯體匯入批次輸入資料、使用解決方案版本建立使用者區段，以及將使用者區段匯出至 Amazon S3 儲存貯體的工具。我們建議您為輸出資料使用不同的位置 (資料夾或不同的 Amazon S3 儲存貯體)。使用批次區段工作搭配 USER_STREATGETING 方案支援的解決方案，根據使用者與不同項目屬性的不同項目或項目互動的可能性，建立使用者區段。

行銷活動

已部署的解決方案版本 (經過訓練的模型)，其中包含佈建的專用交易容量，可為您的應用程式使用者 建立行銷活動後，您可以使用getRecommendations或 getPersonalizedRanking API 作業來取得建議。

項目探索

透過探索，建議包括一些通常不太可能推薦給使用者的項目或動作，例如新項目或動作、互動很少的項目或動作，或者根據使用者先前的行為較不相關的項目或動作。

量度歸因

用來衡量項目建議影響的工具。量度歸因會根據您匯入的項目互動和項目資料，以及您指定的量度來建立報表。例如，用戶觀看的電影總長度，或點擊事件的總數。

建議

Amazon Personalize 化預測用戶將與之交互的項目列表。根據所使用的 Amazon Personalize 化配方，建議可以是項目列表（用戶 _ 個性化配方和相關項目配方），也可以是您提供的項目集合的排名（個性化 _ 排名食譜）。

使用者區段

Amazon Personalize 預測使用者將與您的目錄互動的使用者清單。根據使用的 USER_Segment 方案，您可以根據項目 (項目-相似性方案) 項目中繼資料 (項目-屬性-相似性方案) 建立使用者區段。您可以使用批次區段工作建立使用者區段。