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 工作流
使用 Amazon Personalize 化,有两种工作流程选项:
-
您可以创建针对不同使用案例优化的资源的 Domonalize 数据集组。如果您从域数据集组开始,您仍可以添加自定义资源,例如针对自定义使用案例训练的解决方案和解决方案版本。
-
或者,您可以使用自定义资源创建自定义数据集组。
域数据集组的工作流
要创建基于域的资源,请为业务域创建域数据集组、导入数据、为每个使用案例创建推荐者并获取建议。重复数据导入过程,以便随着目录的增长保持建议的相关性。您可以使用 Amazon Personalize 化控制台完成域名工作流程,Amazon Command Line Interface(Amazon CLI),或者Amazon开发工具包。
-
创建域数据集组
创建域数据集组时,请从以下类型中选择您的业务域。
-
VIDEO_ON_需求
-
电子商务
-
-
导入数据
您将项目、用户和交互记录导入到数据集(Amazon Personalize 化数据容器)。您可以选择批量导入记录,也可以选择以增量方式导入记录。使用增量导入,您可以添加一条或多条历史记录或从实时用户活动中导入数据。
您导入的数据取决于您的域。每个域都有一个默认模式,您可以将数据映射到该模式。有关您可以导入的数据类型的信息,请参阅数据集和架构以及每个域的章节(VIDEO_ON_DEMAND 数据集和架构和电子商务数据集和模式)。
-
创建推荐者
导入数据后,Amazon Personalize 化将使用它来训练一个或多个模型。对于域数据集组,您可以通过创建推荐者针对每个使用案例。Amazon Personalize 化为每位推荐者提供针对所选用例的最佳配置培训模型。有关更多信息,请参阅创建推荐者.
-
获取建议
在 Amazon Personalize 化创建推荐人之后,您可以使用他们通过 Amazon Personalize 化控制台获取建议,Amazon Command Line Interface(Amazon CLI),或者Amazon开发工具包。有关更多信息,请参阅从推荐人那里获取推荐.
-
刷新数据然后重复
保持物品和用户数据的最新状态,并实时记录新的互动数据。Amazon Personalize 管理推荐人的生命周期,并随着数据集的变化重新训练模型。这使您的模型能够从用户最近的活动中学习,并维持和提高建议的相关性。有关更多信息,请参阅保持推荐相关性(域数据集组).
自定义数据集组的工作流
通过自定义工作流程,您可以确定使用案例、导入数据、训练和部署模型,然后获得建议。重复数据导入和培训流程,以便随着目录的增长维持和提高建议的相关性。您可以使用 Amazon Personalize 化控制台完成 Amazon Personalize 化工作流程Amazon Command Line Interface(Amazon CLI),或者Amazon开发工具包。
-
确定您的使用案例
从以下选项中选择您的使用案例并记下其对应的配方类型。(配方是针对不同使用案例准备的 Amazon Personalize 算法。)
-
为用户推荐物品(USER_PEROIZATION 食谱)
-
对给定用户的物品进行排名(个性化 _RANGING 食谱)
-
推荐类似物品(READEST_ITEMS 食谱)
有关更多信息,请参阅确定您的使用案例.
-
-
导入数据
您将项目、用户和交互记录导入到数据集(Amazon Personalize 化数据容器)。您可以选择批量导入记录,也可以选择以增量方式导入记录。使用增量导入,您可以添加一条或多条历史记录或从实时用户活动中导入数据。
导入的数据因使用案例而定。有关您可以导入的数据类型的信息,请参阅数据集和架构以及每种数据集类型的部分(交互数据、项目数据、用户数据)。
有关导入数据的更多信息,请参准备和导入数据.
-
训练模型
导入数据后,Amazon Personalize 化将使用它来训练模型。在 Amazon Personalize 化中,您可以通过创建解决方案,您可以通过选择 Amazon Personalize 化食谱来指定您的使用案例。然后你创建解决方案版本,这是 Amazon Personalize 化用于生成建议的训练模型。有关更多信息,请参阅创建解决方案.
-
部署模型(用于实时推荐)
Amazon Personalize 化完成您的解决方案版本(训练模型)的创建之后,您可以在广告活动中部署 广告系列创建和管理推荐 API,您可以在应用程序中使用该 API 从自定义模型中请求实时推荐。有关部署模型的更多信息,请参阅。创建市场活动. 对于批量推荐,您无需创建促销活动。
获取推荐和用户细分
实时或作为批处理工作流程的一部分获取建议。当客户使用应用程序时想要更新推荐时,获取实时推荐。当您不需要实时更新时,获取批量推荐和用户细分。有关更多信息,请参阅 获取推荐(自定义数据集组)。
-
刷新数据然后重复
保持物品和用户数据的最新状态,实时记录新的互动数据,并定期重新训练模型。这使您的模型能够从用户最近的活动中学习,并维持和提高建议的相关性。有关更多信息,请参阅保持推荐相关性.