本文為英文版的機器翻譯版本,如內容有任何歧義或不一致之處,概以英文版為準。
選擇一個食譜
當您建立自訂解決方案時,您可以指定方案並設定訓練參數。食譜是針對特定使用案例準備的 Amazon Personalize 演算法。Amazon Personalize 會根據常見使用案例提供訓練模型的配方。當您為解決方案建立解決方案版本時,Amazon Personalize 會根據配方和訓練組態來訓練支援解決方案版本的模型。
Amazon Personalize 配方在訓練期間會使用下列項目:
-
資料的預先定義屬性
-
預先定義的特徵轉換
-
預先定義的演算法
-
演算法的初始參數設定
若要最佳化模型,您可以在建立解決方案時覆寫其中許多參數。如需詳細資訊,請參閱超參數和 HPO。
主題
Amazon 依使用案例個人化食譜類型
若要選擇您的配方,請先從下列選項中選擇您的使用案例,並記下其對應的配方類型。
-
為用戶推薦項目(USER_ PERSONALIZATION 食譜)
若要為您的使用者提供個人化建議,請使用 USER _ PERSONALIZATION 方法訓練您的模型。個人化建議有助於提高參與度和轉化率。
-
為用戶排名項目(PERSONALIZED_ RANKING 食譜)
若要為使用者個人化精選清單或搜尋結果的順序,請使用 PERSONALIZED _ RANKING 方法訓練模型。PERSONALIZED_ RANKING 食譜通過根據給定用戶的預測興趣水平重新排名輸入項目集合來創建個性化列表。個性化列表可改善客戶體驗並提高客戶忠誠度和參與度。
-
推薦趨勢或受歡迎的項目(POPULAR_ ITEMS 食譜)
為了推薦趨勢或熱門項目使用 POPULAR _ ITEMS 配方。ITEMS如果您的客戶高度重視其他用戶與之交互的內容,則可以使用 POPULAR _。常見用途包括推薦病毒社交媒體內容,突發新聞文章或最近的體育視頻。
-
推薦類似物品(RELATED_ ITEMS 食譜)
要推薦類似的項目,例如經常一起購買的物品或其他用戶也看過的電影,您應該使用 RELATED _ ITEMS 食譜。推薦類似的項目可以幫助您的客戶發現項目,並可以提高用戶轉化率。
-
推薦下一個最佳動作(PERSONALIZED_ ACTIONS 食譜)
要為用戶實時推薦下一個最佳行動,例如註冊您的忠誠度計劃或申請信用卡,您應該使用 PERSONALIZED _ ACTIONS 方法。推薦下一個最佳行動可以提高客戶忠誠度,產生更多收入並改善用戶體驗。
-
獲取用戶細分(USER_ SEGMENTATION 食譜)
若要根據項目輸入資料取得使用者區段,例如最有可能與具有特定屬性之項目互動的使用者,您應該使用 USER _ SEGMENTATION 方法。獲取用戶細分可以幫助您創建高級營銷活動,根據他們採取行動的可能性,將不同的物品推廣到不同的用戶細分。
Amazon Personalize 化的
Amazon Personalize 化提供以下類型的食譜。除了行為差異外,每個類型都有取得建議的不同需求,如下表所示。
配方類型 | 配方 | API | API要求 |
---|---|---|---|
USER_PERSONALIZATION | GetRecommendations |
|
|
POPULAR_ITEMS | GetRecommendations |
|
|
PERSONALIZED_RANKING | GetPersonalizedRanking |
|
|
RELATED_ITEMS | GetRecommendations |
|
|
PERSONALIZED_ACTIONS | GetActionRecommendations |
|
|
USER_SEGMENTATION | CreateBatchSegmentJob |
如需批次工作流程需求,請參閱透過批次區段工作取得使用者區段。 |
查看可用的 Amazon Personalize 化
若要查看可用配方的清單:
-
在 Amazon 個人化主控台中,選擇資料集群組。從導覽窗格中,選擇 Solutions and recipes (解決方案和配方),然後選擇 Recipes (配方) 標籤。
-
隨著 AWS SDK for Python (Boto3),呼叫 ListRecipesAPI.
-
隨著 AWS CLI,使用下列命令。
aws personalize list-recipes
若要取得有關使用 Python (Boto3) 之配方的相關資訊,SDK請呼叫. DescribeRecipe API 若要取得配方的相關資訊,請使用 AWS CLI,使用下列命令。
aws personalize describe-recipe --recipe-arn
recipe_arn