Rezept für Artikelattribute-Affinität

Das Rezept Item-Attribute-Affinity (aws-item-attribute-affinity) ist ein USER_SEGMENTATION-Rezept, das für jedes von Ihnen angegebene Artikelattribut ein Benutzersegment (Benutzergruppe) erstellt. Dies sind die Benutzer, von denen Amazon Personalize prognostiziert, dass sie höchstwahrscheinlich mit Artikeln mit dem jeweiligen Attribut interagieren werden. Verwenden Sie Item-Attribute-Affinity, um mehr über Ihre Benutzer zu erfahren und Maßnahmen auf der Grundlage ihrer jeweiligen Benutzersegmente zu ergreifen.

Möglicherweise möchten Sie beispielsweise eine Marketingkampagne für Ihre Einzelhandelsanwendung erstellen, die auf den Benutzerpräferenzen für Schuhtypen in Ihrem Katalog basiert. Item-Attribute-Affinity würde für jeden auf dem Schuhtyp basierenden Daten in Ihren Datensätzen Interaktionen und Artikel ein Benutzersegment erstellen. Sie könnten dies verwenden, um verschiedene Schuhe bei verschiedenen Benutzersegmenten zu bewerben, je nachdem, wie wahrscheinlich es ist, dass sie eine Aktion ausführen (z. B. auf einen Schuh klicken oder einen Schuh kaufen). Andere Verwendungszwecke könnten die Werbung für verschiedene Filmgenres bei verschiedenen Nutzern oder die Identifizierung potenzieller Bewerber anhand der Art des Jobs sein.

Um Benutzersegmente auf der Grundlage von Artikelattributen zu erhalten, erstellen Sie eine Lösung und eine Lösungsversion mit dem Item-Attribute-Affinity-Rezept, fügen dann eine Liste von Artikelattributen im JSON-Format zu einem Amazon S3 S3-Bucket hinzu und erstellen einen Batch-Segment-Job. Amazon Personalize gibt für jeden Artikel ein Benutzersegment an Ihren Ausgabespeicherort in Amazon S3 aus. Ihre Eingabedaten können maximal 10 Abfragen enthalten, wobei jede Abfrage ein oder mehrere Artikelattribute umfasst. Hinweise zur Vorbereitung von Eingabedaten für einen Batch-Segmentauftrag finden Sie unterVorbereiten der Eingabedaten für Batch-Empfehlungen.

Sie benötigen einen Datensatz für Artikelinteraktionen und einen Artikeldatensatz, um Item-Attribute-Affinity verwenden zu können. Ihr Artikel-Datensatz muss mindestens eine Spalte enthalten, bei der es sich nicht um eine textuelle, nicht reservierte Metadatenspalte handelt. Sie können Benutzersegmente mit Batch-Segmentaufträgen abrufen. Weitere Informationen finden Sie unter Batch-Benutzersegmente mit benutzerdefinierten Ressourcen abrufen.

Nachdem Sie eine Lösungsversion erstellt haben, stellen Sie sicher, dass Sie Ihre Lösungsversion und Ihre Daten auf dem neuesten Stand halten. Mit Item-Attribute-Affinity müssen Sie eine neue Lösungsversion für Amazon Personalize erstellen, um neue Benutzer für Benutzersegmente zu berücksichtigen und das Modell mit dem neuesten Verhalten Ihrer Benutzer zu aktualisieren. Um ein Benutzersegment für ein Artikelattribut zu erhalten, muss das Artikelattribut bei der Erstellung der Lösungsversion vorhanden gewesen sein.

Das Item-Attribute-Affinity-Rezept hat die folgenden Eigenschaften:

• Name (Name – aws-item-attribute-affinity

• Rezept Amazon-Ressourcenname (ARN) — arn:aws:personalize:::recipe/aws-item-attribute-affinity

• Algorithmus ARN — arn:aws:personalize:::algorithm/aws-item-attribute-affinity

• Merkmalstransformation ARN — arn:aws:personalize:::feature-transformation/item-attribute-affinity

• Art des Rezepts — USER_SEGMENTATION

In der folgenden Tabelle werden die Hyperparameter für das Item-Attribute-Affinity-Rezept beschrieben. Ein Hyperparameter ist ein Algorithmusparameter, den Sie anpassen können, um die Modellleistung zu verbessern. Algorithmus-Hyperparameter steuern die Leistung des Modells. Sie können die Hyperparameter-Optimierung (HPO) nicht mit dem Item-Attribute-Affinity-Rezept verwenden.

Die Tabelle enthält auch die folgenden Informationen für jeden Hyperparameter:

• Bereich: [Untergrenze, Obergrenze]

• Werttyp: Ganzzahl, kontinuierlich (float), kategorisch (boolean, Liste, Zeichenfolge)

Name	Beschreibung
Hyperparameter des Algorithmus
hidden_dimension	Anzahl der ausgeblendeten Variablen im Modell. Ausgeblendete Variablen erstellen die Kaufhistorie und Elementstatistiken der Benutzer neu, um die Rangfolge zu generieren. Geben Sie eine größere Anzahl ausgeblendeter Dimensionen an, wenn Ihr Interaktionen-Dataset komplexere Muster enthält. Je mehr ausgeblendete Dimensionen verwendet werden, desto größer muss das Dataset sein und desto länger dauert die Verarbeitung. Standardwert Bereich: [32, 256] Werttyp: Ganzzahl