创建批处理推理作业 - Amazon Personalize
Amazon Web Services 文档中描述的 Amazon Web Services 服务或功能可能因区域而异。要查看适用于中国区域的差异,请参阅中国的 Amazon Web Services 服务入门

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。

创建批处理推理作业

创建批量推理作业,根据来自 Amazon S3 的输入数据为用户获取批量项目推荐。输入数据可以是 JSON 格式的用户或项目(或两者)的列表。您可以使用 Amazon Personfiguration (Amazon Personalize 控制台) 创建批处理推理作业Amazon Command Line Interface(Amazon CLI),或者Amazon上的开发工具包。

有关 Amazon Personalize 批处理工作流程的更多信息,包括权限要求、推荐评分以及准备和导入输入数据,请参阅获取批量推荐和用户细分.

创建批处理推理作业(控制台)

在您已满足之后准备和导入批量输入数据,您已准备好创建批处理推理作业。此过程假定您已创建解决方案和解决方案版本(已训练模型)。

创建批处理推理作业(控制台)

  1. 从打开 AAmazon Personalize 控制台https://console.aws.amazon.com/personalize/home并登录您的账户。

  2. 在存储库的数据集组页面上,选择您的数据集组。

  3. 在导航窗格中选择 Batch inference jobs (批处理推理作业),然后选择 Create batch inference job (创建批处理推理作业)

  4. Batch inference job details (批处理推理作业详细信息) 中,在 Batch inference job name (批处理推理作业名称) 中,指定批处理推理作业的名称。

  5. 适用于IAM 服务角色,选择您在设置期间为Amazon Personalize 创建的 IAM 服务角色。此角色必须分别对您的输入和输出 Amazon S3 存储桶具有读写访问权限。

  6. 适用于解决方案,选择解决方案,然后选择解决方案版本 ID要用于生成推荐的命令。

  7. 适用于Number of results,可以选择为每行输入数据指定推荐数。默认值为 25。

  8. 适用于输入数据配置中,指定 Amazon S3 至您的输入文件的路径。

    使用下面的语法:s3://<name of your S3 bucket>/<folder name>/<input JSON file name>

    您的输入数据的格式必须与您的解决方案使用的配方一致。有关输入数据的示例,请参阅输入和输出 JSON 示例.

  9. 适用于输出数据配置中,指定指向输出位置的路径。我们建议使用其他位置存储输出数据(文件夹或其他 Amazon S3 存储桶)。

    使用下面的语法:s3://<name of your S3 bucket>/<output folder name>/

  10. 适用于筛选器配置(可选)选择筛选器以将筛选器应用于批量推荐。如果您的筛选器使用占位符参数,请确保这些参数的值包含在输入 JSON 中。有关更多信息,请参阅在输入 JSON 中提供筛选器值.

  11. 适用于标签,可选择添加任何标签。有关标记 Amazon Personalize 资源的更多信息,请参阅为 AAmazon Personalize son.

  12. 选择 Create batch inference job (创建批处理推理作业)。此时将开始创建批处理推理作业,Batch inference jobs (批处理推理作业) 页面将显示,并显示 Batch inference job detail (批处理推理作业详细信息) 部分。

  13. 当批量推理作业的状态更改为处于活动状态时,您可以从指定的输出 Amazon S3 存储桶中检索任务的输出。输出文件的名称将采用 input-name.out 格式。

创建批处理推理作业 (Amazon CLI)

在您已满足之后准备和导入批量输入数据,您已准备好使用以下命令create-batch-inference-job码。指定作业名称,替换Solution version ARN将替换为解决方案版本的 Amazon 资源名称 (ARN),并将IAM service role ARN使用您在设置期间为Amazon Personalize 创建的 IAM 服务角色的 ARN。此角色必须分别对您的输入和输出 Amazon S3 存储桶具有读写访问权限。(可选)提供筛选器 ARN 来筛选推荐。如果您的筛选器使用占位符参数,请确保这些参数的值包含在输入 JSON 中。有关更多信息,请参阅筛选批量推荐和用户细分.

ReplaceS3 input pathS3 output path输入文件和输出位置的 Amazon S3 路径。我们建议使用其他位置存储输出数据(文件夹或其他 Amazon S3 存储桶)。输入和输出位置使用以下语法:s3://<name of your S3 bucket>/<folder name>/<input JSON file name>s3://<name of your S3 bucket>/<output folder name>/.

该示例包括特定于用户个性化的可选配方itemExplorationConfig超级参数:explorationWeightexplorationItemAgeCutOff. 可选择包括explorationWeightexplorationItemAgeCutOff值来配置探索。有关更多信息,请参阅 用户个性化配方

aws personalize create-batch-inference-job \ --job-name Batch job name \ --solution-version-arn Solution version ARN \ --filter-arn Filter ARN \ --job-input s3DataSource={path=s3://S3 input path} \ --job-output s3DataDestination={path=s3://S3 output path} \ --role-arn IAM service role ARN \ --batch-inference-job-config "{\"itemExplorationConfig\":{\"explorationWeight\":\"0.3\",\"explorationItemAgeCutOff\":\"30\"}}" { "batchInferenceJobArn": "arn:aws:personalize:us-west-2:acct-id:batch-inference-job/batchInferenceJobName" }

创建批处理推理作业 (Amazon开发工具包)

在您已满足之后准备和导入批量输入数据,您已准备好使用CreateBatchInferenceJoboperation. 以下代码显示了如何使用创建批处理推理作业Amazon SDK for Python (Boto3)要么Amazon SDK for Java 2.x.

我们建议使用其他位置存储输出数据(文件夹或其他 Amazon S3 存储桶)。输入和输出位置使用以下语法:s3://<name of your S3 bucket>/<folder name>/<input JSON file name>s3://<name of your S3 bucket>/<output folder name>/.

SDK for Python (Boto3)

使用以下命令create_batch_inference_job创建批处理推理作业的代码。指定一个Batch job name,替换Solution version ARN将替换为解决方案版本的 Amazon 资源名称 (ARN),并将IAM service role ARN使用您在设置期间为Amazon Personalize 创建的 IAM 服务角色的 ARN。此角色必须分别对您的输入和输出 Amazon S3 存储桶具有读写访问权限。(可选)提供筛选器 ARN 来筛选推荐。如果您的筛选器使用占位符参数,请确保这些参数的值包含在输入 JSON 中。有关更多信息,请参阅筛选批量推荐和用户细分)。

将 Amazon S3 数据源和数据目标替换为输入文件和输出位置的 Amazon S3 路径。我们建议使用其他位置存储输出数据(文件夹或其他 Amazon S3 存储桶)。

该示例包括特定于用户个性化的可选配方itemExplorationConfig超级参数:explorationWeightexplorationItemAgeCutOff. 可选择包括explorationWeightexplorationItemAgeCutOff值来配置探索。有关更多信息,请参阅 用户个性化配方

import boto3 personalize_rec = boto3.client(service_name='personalize') personalize_rec.create_batch_inference_job ( solutionVersionArn = "Solution version ARN", jobName = "Batch job name", roleArn = "IAM service role ARN", filterArn = "Filter ARN", batchInferenceJobConfig = { # optional USER_PERSONALIZATION recipe hyperparameters "itemExplorationConfig": { "explorationWeight": "0.3", "explorationItemAgeCutOff": "30" } }, jobInput = {"s3DataSource": {"path": "s3://<name of your S3 bucket>/<folder name>/<input JSON file name>"}}, jobOutput = {"s3DataDestination": {"path": "s3://<name of your S3 bucket>/<output folder name>/"}} )
SDK for Java 2.x

使用以下命令createPersonalizeBatchInferenceJob方法以创建批处理推理作业。将以下内容作为参数传递:Amazon Personalize 服务客户端、解决方案版本的 ARN(亚马逊资源名称)、任务名称、要使用的任何筛选条件的 ARN(请参阅筛选批量推荐和用户细分) 和您的服务角色的 ARN(请参阅创建 IAM 角色)。

对于输入和输出数据字段,传递存储输入数据的 Amazon S3 位置 (s3)InputDataSourcePath),那个bucket-name/folder name你的输出数据位置 (s3)DataDestinationPath)。我们建议使用其他位置存储输出数据(文件夹或其他 Amazon S3 存储桶)。

该示例包括特定于用户个性化的可选配方itemExplorationConfig字段:explorationWeightexplorationItemAgeCutOff. 可选择包括explorationWeightexplorationItemAgeCutOff值来配置探索。有关更多信息,请参阅 用户个性化配方

public static String createPersonalizeBatchInferenceJob(PersonalizeClient personalizeClient, String solutionVersionArn, String jobName, String filterArn, String s3InputDataSourcePath, String s3DataDestinationPath, String roleArn, String explorationWeight, String explorationItemAgeCutOff) { long waitInMilliseconds = 60 * 1000; String status; String batchInferenceJobArn; try { // Set up data input and output parameters. S3DataConfig inputSource = S3DataConfig.builder() .path(s3InputDataSourcePath) .build(); S3DataConfig outputDestination = S3DataConfig.builder() .path(s3DataDestinationPath) .build(); BatchInferenceJobInput jobInput = BatchInferenceJobInput.builder() .s3DataSource(inputSource) .build(); BatchInferenceJobOutput jobOutputLocation = BatchInferenceJobOutput.builder() .s3DataDestination(outputDestination) .build(); // Optional code to build the User-Personalization specific item exploration config. HashMap<String, String> explorationConfig = new HashMap<>(); explorationConfig.put("explorationWeight", explorationWeight); explorationConfig.put("explorationItemAgeCutOff", explorationItemAgeCutOff); BatchInferenceJobConfig jobConfig = BatchInferenceJobConfig.builder() .itemExplorationConfig(explorationConfig) .build(); // End optional User-Personalization recipe specific code. CreateBatchInferenceJobRequest createBatchInferenceJobRequest = CreateBatchInferenceJobRequest.builder() .solutionVersionArn(solutionVersionArn) .jobInput(jobInput) .jobOutput(jobOutputLocation) .jobName(jobName) .filterArn(filterArn) .roleArn(roleArn) .batchInferenceJobConfig(jobConfig) // Optional .build(); batchInferenceJobArn = personalizeClient.createBatchInferenceJob(createBatchInferenceJobRequest) .batchInferenceJobArn(); DescribeBatchInferenceJobRequest describeBatchInferenceJobRequest = DescribeBatchInferenceJobRequest.builder() .batchInferenceJobArn(batchInferenceJobArn) .build(); long maxTime = Instant.now().getEpochSecond() + 3 * 60 * 60; // wait until the batch inference job is complete. while (Instant.now().getEpochSecond() < maxTime) { BatchInferenceJob batchInferenceJob = personalizeClient .describeBatchInferenceJob(describeBatchInferenceJobRequest) .batchInferenceJob(); status = batchInferenceJob.status(); System.out.println("Batch inference job status: " + status); if (status.equals("ACTIVE") || status.equals("CREATE FAILED")) { break; } try { Thread.sleep(waitInMilliseconds); } catch (InterruptedException e) { System.out.println(e.getMessage()); } } return batchInferenceJobArn; } catch (PersonalizeException e) { System.out.println(e.awsErrorDetails().errorMessage()); } return ""; }

处理批处理作业可能需要一段时间才能完成。您可以通过调用 DescribeBatchInferenceJob 和传递 batchRecommendationsJobArn 作为输入参数来检查作业的状态。您还可以在您的 Amazon Personfiguration (个性化批处理推理作业Amazon通过调用环境ListBatchInferenceJobs.