用户个性化 v2 配方 - Amazon Personalize
配方特征必需和可选数据集属性和超参数
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 (PDF)。

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。

用户个性化 v2 配方

User-Personalization-v2 (aws-user-personalization-v2) 个配方会根据用户的喜好推荐他们要与之互动的物品。例如，您可以使用 User-Personalization-v 2 为流媒体应用程序生成个性化电影推荐，或为零售应用程序生成个性化产品推荐。其他用例包括为新闻网站生成实时推荐或为个性化营销活动生成批量推荐。

User-Personalization-v2 可以在物品交互和物品数据集中的多达 500 万个物品上进行训练。而且，它可以生成更相关的推荐，延迟更低User-Personalization。

由于 User-Personalization-v 2 会根据您的数据向用户推荐最相关的项目，因此它更频繁地推荐包含交互数据的现有项目。为确保推荐中包含新商品，您可以使用包含基于创建时间戳的某些商品的促销。有关促销的更多信息，请参阅在实时推荐中推广商品。

此方法使用基于转换器的架构来训练一个模型，该模型可以学习上下文并跟踪数据中的关系和模式。变形金刚是一种神经网络架构，可将输入序列转换或更改为输出序列。对于 Amazon Personalize，输入序列是用户在您的数据中的商品互动历史记录。输出顺序是他们的个性化推荐。有关变形金刚的更多信息，请参阅人工智能中的变形金刚是什么？ 在 Amazon 云计算概念中心中。

用户个性化-v2 使用的定价模式与其他配方不同。有关定价的更多信息，请参阅 Amazon Personalize 定价。

配方特征

用户个性化-v2 在生成商品推荐时使用以下 Amazon Personalization 食谱功能：

  • 实时个性化 — 通过实时个性化设置，Amazon Personalize 可以根据用户不断变化的兴趣更新和调整商品推荐。有关更多信息，请参阅 实时个性化。

  • 探索-通过探索，推荐包括互动数据较少或与用户相关性较少的项目。使用 User-Personalization-v 2，Amazon Personalize 会为您处理探索配置。为确保推荐中包含新商品，您可以使用促销来根据新商品的创建时间戳添加新商品。有关促销的更多信息，请参阅在实时推荐中推广商品。

  • 自动更新 — 通过自动更新，Amazon Personalize 每两小时自动更新一次最新型号（解决方案版本），以考虑推荐新商品。有关更多信息，请参阅 自动更新。

  • 包含推荐的元数据 — 使用 User-Personalization-v 2 配方，如果您的商品数据集至少包含一列元数据，则广告系列可以自动选择在推荐结果中包含商品元数据。您没有手动为广告活动启用元数据。您可以使用元数据来丰富用户界面中的建议，例如将电影的类型添加到轮播中。有关更多信息，请参阅 推荐中的商品元数据。

必需和可选数据集

要使用 User-Personalization-v 2，您必须创建项目交互数据集并导入至少 1000 个项目交互组件。Amazon Personalize 主要根据商品互动数据生成推荐。有关更多信息，请参阅 物品交互数据。 User-Personalization-v2 可以在物品交互和物品数据集中训练多达 500 万个物品。

在 User-Personalization-v 2 中，Amazon Personalize 可以使用包含以下内容的商品互动数据：

  • 事件类型和事件值数据 — Amazon Personalize 使用事件类型数据（例如点击或观看事件类型），通过用户行为中的任何模式来识别用户的意图和兴趣。此外，您还可以在训练前使用事件类型和事件值数据筛选记录。有关更多信息，请参阅 事件类型和事件值数据。

    注意

    如果使用 User-Personalization-v 2，则您的训练费用将基于您的互动数据，然后再按事件类型或值进行筛选。有关定价的更多信息，请参阅 Amazon Personalize 定价。

  • 情境元数据-情境元数据是您在事件发生时在用户环境中收集的互动数据，例如他们的位置或设备类型。有关更多信息，请参阅 上下文元数据。

以下数据集是可选的，可以改进建议：

  • 用户数据集 — Amazon Personalize 可以使用您的用户数据集中的数据来更好地了解您的用户及其兴趣。您也可以使用用户数据集中的数据来筛选推荐。有关您可以导入的用户数据的信息，请参阅用户元数据。

  • 商品数据集 — Amazon Personalize 可以使用您的商品数据集中的数据来识别其行为中的联系和模式。这有助于 Amazon Personalize 了解您的用户及其兴趣。您也可以使用 Items 数据集中的数据来筛选推荐。有关您可以导入的物品数据的信息，请参阅项目元数据。

属性和超参数

User-Personalization-v2 配方具有以下特性：

  • 名称 – aws-user-personalization-v2

  • 食谱 Amazon 资源名称 (ARN) — arn:aws:personalize:::recipe/aws-user-personalization-v2

  • 算法 ARN — arn:aws:personalize:::algorithm/aws-user-personalization-v2

有关更多信息，请参阅 选择食谱。

下表描述了 User-Personalization-v 2 配方的超参数。超参数 是一个算法参数，您可以调整该参数以提高模型性能。算法超参数控制模型的执行方式。为超参数选择最佳值的过程称为超参数优化 () HPO。在 User-Personalization-v 2 中，如果您开启自动培训，Amazon Personalize 将HPO每 90 天自动执行一次。如果没有自动训练，就不会HPO发生。

该表为每个超参数提供以下信息：

  • 范围：[上界, 下界]

  • 值类型：Integer、Continuous（浮点数）、Categorical（布尔值、列表、字符串）

名称 描述
算法超参数
apply_recency_bias

确定模型是否应为项目交互数据集中最新的项目交互数据赋予更多权重。最新的互动数据可能包括互动事件底层模式的突然变化。

要训练一个使最近事件具有更高权重的模型，请将 apply_recency_bias 设置为 true。要训练一个使所有过往交互占相同权重的模型，请将 apply_recency_bias 设置为 false。

默认值：true

范围：true 或 false

值类型：布尔值

HPO可调：否