Rezept für Benutzerpersonalisierung

Wichtig

Wir empfehlen die Verwendung des Rezepts User-Personalization-v2. Es kann bis zu 5 Millionen Elemente mit schnellerem Training berücksichtigen und relevantere Empfehlungen mit geringerer Latenz generieren.

Das Rezept für User-Personalization (aws-user-personalization) ist für alle Szenarien mit personalisierten Empfehlungen optimiert. Es prognostiziert die Elemente, mit denen ein Benutzer am wahrscheinlichsten interagieren wird. Sie können die Benutzerpersonalisierung verwenden, um personalisierte Filmempfehlungen für eine Streaming-App oder personalisierte Produktempfehlungen für eine Einzelhandels-App zu generieren.

Mit der Benutzerpersonalisierung generiert Amazon Personalize Empfehlungen, die hauptsächlich auf Daten zur Interaktion mit Benutzerartikeln in einem Datensatz mit Artikelinteraktionen basieren. Es kann auch beliebige Artikel- und Benutzermetadaten in Ihren Datensätzen „Artikel“ und „Benutzer“ verwenden. Weitere Informationen zu den verwendeten Daten finden Sie unterErforderliche und optionale Datensätze.

Merkmale des Rezepts

Die Benutzerpersonalisierung verwendet bei der Generierung von Artikelempfehlungen die folgenden Rezeptfunktionen von Amazon Personalize:

• Personalisierung in Echtzeit — Mit der Personalisierung in Echtzeit aktualisiert Amazon Personalize die Artikelempfehlungen und passt sie an das sich entwickelnde Interesse eines Benutzers an. Weitere Informationen finden Sie unter Personalisierung in Echtzeit.

• Erkundung — Bei der Erkundung schließen Empfehlungen neue Artikel oder Artikel mit weniger Interaktionsdaten ein. Dies verbessert die Auffindbarkeit und das Kundeninteresse, wenn Sie einen sich schnell ändernden Katalog haben oder wenn neue Artikel, wie Nachrichtenartikel oder Werbeaktionen, für Nutzer relevanter sind, wenn sie frisch sind. Weitere Informationen zur Erkundung finden Sie unterExploration (Erkundung).

• Automatische Updates — Bei automatischen Updates aktualisiert Amazon Personalize automatisch alle zwei Stunden das neueste Modell (Lösungsversion), um neue Artikel für Empfehlungen zu berücksichtigen. Weitere Informationen finden Sie unter Automatische Updates.

Erforderliche und optionale Datensätze

Um die Benutzerpersonalisierung verwenden zu können, müssen Sie einen Datensatz mit Artikelinteraktionen erstellen und mindestens 1000 Artikelinteraktionen importieren. Amazon Personalize generiert Empfehlungen hauptsächlich auf der Grundlage von Artikelinteraktionsdaten.

Mit der Benutzerpersonalisierung kann Amazon Personalize Artikelinteraktionsdaten verwenden, die Folgendes beinhalten:

• Daten zu Ereignistyp und Ereigniswert — Amazon Personalize verwendet Ereignistypdaten wie Klick- oder Beobachtungsereignisse, um anhand von Verhaltensmustern die Absicht und das Interesse von Benutzern zu ermitteln. Außerdem können Sie Daten zu Ereignistypen und Ereigniswerten verwenden, um Datensätze vor dem Training zu filtern. Weitere Informationen finden Sie unter Daten zu Ereignistyp und Ereigniswert.

• Kontextuelle Metadaten — Bei kontextuellen Metadaten handelt es sich um Interaktionsdaten, die Sie zum Zeitpunkt eines Ereignisses in der Umgebung des Benutzers sammeln, z. B. dessen Standort oder Gerätetyp. Weitere Informationen finden Sie unter Kontextuelle Metadaten.

• Impressionsdaten — Impressionen sind Listen von Elementen, die für einen Nutzer sichtbar waren, wenn er mit einem bestimmten Objekt interagiert hat (angeklickt, angesehen, gekauft usw.). Weitere Informationen finden Sie unter Daten zu Eindrücken.

Die folgenden Datensätze sind optional und können die Empfehlungen verbessern:

• Benutzerdatensatz — Amazon Personalize kann Daten in Ihrem Benutzerdatensatz verwenden, um Ihre Benutzer und deren Interessen besser zu verstehen. Sie können auch Daten in einem Benutzerdatensatz verwenden, um Empfehlungen zu filtern. Informationen zu den Benutzerdaten, die Sie importieren können, finden Sie unterBenutzer-Metadaten.

• Artikeldatensatz — Amazon Personalize kann Daten in Ihrem Artikeldatensatz verwenden, um Zusammenhänge und Verhaltensmuster zu identifizieren. Dies hilft Amazon Personalize, Ihre Benutzer und deren Interessen zu verstehen. Sie können auch Daten in einem Artikeldatensatz verwenden, um Empfehlungen zu filtern. Informationen zu den Artikeldaten, die Sie importieren können, finden Sie unterArtikel-Metadaten.

Eigenschaften und Hyperparameter

Das Rezept für die Benutzerpersonalisierung hat die folgenden Eigenschaften:

• Name (Name – aws-user-personalization

• Rezept Amazon-Ressourcenname (ARN) — arn:aws:personalize:::recipe/aws-user-personalization

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

Weitere Informationen finden Sie unter Ein Rezept wählen.

In der folgenden Tabelle werden die Hyperparameter für das Rezept für die Benutzerpersonalisierung beschrieben. Ein Hyperparameter ist ein Algorithmusparameter, den Sie anpassen können, um die Modellleistung zu verbessern. Algorithmus-Hyperparameter steuern die Leistung des Modells. Hyperparameter zur Entwicklung von Funktionen steuern, wie die Daten für die Schulung gefiltert werden. Der Prozess der Auswahl des besten Werts für einen Hyperparameter wird als Hyperparameter-Optimierung () bezeichnet. HPO Weitere Informationen finden Sie unter Hyperparameter und HPO.

Die Tabelle enthält die folgenden Informationen für jeden Hyperparameter:

• Bereich: [Untergrenze, Obergrenze]

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

• HPOabstimmbar: Kann der Parameter daran teilnehmen? HPO

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 Datensatz für Artikelinteraktionen kompliziertere Muster enthält. Je mehr ausgeblendete Dimensionen verwendet werden, desto größer muss das Dataset sein und desto länger dauert die Verarbeitung. Um sich für den besten Wert zu entscheiden, verwenden SieHPO. Um zu verwendenHPO, legen Sie festperformHPO, true wann Sie anrufen CreateSolution und welche CreateSolutionVersion Operationen ausgeführt werden. Standardwert Bereich: [32, 256] Werttyp: Ganzzahl HPOabstimmbar: Ja
bptt	Legt fest, ob die Technik „Backpropagation über Zeit“ verwendet werden soll. DieBackpropagation über Zeit ist eine Technik, die Gewichtungen in wiederkehrenden neuronalen netzwerkbasierten Algorithmen aktualisiert. Verwenden Sie bptt für langfristige Guthaben, um verzögerte Belohnungen mit frühen Ereignissen zu verbinden. Eine verzögerte Belohnung kann beispielsweise ein Kauf nach mehreren Klicks sein. Ein frühes Ereignis kann ein erster Klick sein. Selbst bei denselben Ereignistypen wie einem Klick empfiehlt es sich, langfristige Effekte zu berücksichtigen und die Gesamtbelohnungen zu maximieren. Um Langzeiteffekte zu berücksichtigen, verwenden Sie höhere bptt-Werte. Die Verwendung eines höheren bptt-Werts erfordert größere Datasets und mehr Zeit für die Verarbeitung. Standardwert: 32 Bereich: [2, 32] Werttyp: Ganzzahl HPOabstimmbar: Ja
recency_mask	Legt fest, ob das Modell die neuesten Beliebtheitstrends im Datensatz Artikelinteraktionen berücksichtigen soll. Neueste Beliebtheitstrends können plötzliche Änderungen in den zugrunde liegenden Mustern von Interaktionsereignissen umfassen. Um ein Modell zu schulen, das aktuelle Ereignisse stärker gewichtet, legen Sie recency_mask auf true fest. Um ein Modell zu schulen, das alle vorherigen Interaktionen gleichermaßen abwägt, legen Sie recency_mask auf false fest. Um gute Empfehlungen mit gleicher Gewichtung zu erhalten, benötigen Sie möglicherweise ein größeres Schulungsdataset. Standardwert: True Bereich: True oder False Werttyp: Boolescher Wert HPOabstimmbar: Ja
Hyperparameter zur Featureinstellung
min_user_history_length_percentile	Das Mindestperzentil der Benutzerhistorienlängen, das in die Modellschulung einbezogen werden muss. Historienlänge ist die Gesamtmenge der Daten zu einem Benutzer. Verwenden Sie min_user_history_length_percentile, um einen Prozentsatz von Benutzern mit kurzen Historienlängen auszuschließen. Benutzer mit einer kurzen Historie zeigen häufig Muster basierend auf der Beliebtheit von Elementen anstelle der persönlichen Bedürfnisse oder Wünsche des Benutzers. Wenn Sie diese entfernen, können Sie Modelle schulen, die sich stärker auf die zugrunde liegenden Muster in Ihren Daten konzentrieren. Wählen Sie einen geeigneten Wert aus, nachdem Sie die Längen der Benutzerhistorien mithilfe eines Histogramms oder eines ähnlichen Tools überprüft haben. Wir empfehlen, den Wert so festzulegen, dass die meisten Benutzer beibehalten, aber die Grenzfälle entfernt werden. Wenn Sie beispielsweise min_user_history_length_percentile to 0.05 und max_user_history_length_percentile to 0.95 festlegen, werden alle Benutzer berücksichtigt, mit Ausnahme der unteren und oberen 5 % in Bezug auf ihre Historienlängen. Standardwert: 0.0 Bereich: [0,0, 1,0]. Werttyp: Gleitkommazahl HPOabstimmbar: Nein
max_user_history_length_percentile	Das maximale Perzentil der Benutzerhistorienlänge, das in die Modellschulung einbezogen werden kann. Historienlänge ist die Gesamtmenge der Daten zu einem Benutzer. Verwenden Sie max_user_history_length_percentile, um einen Prozentsatz von Benutzern mit langen Historienlängen auszuschließen, da die Daten für diese Benutzer in der Regel Rauschen enthalten. Beispielsweise kann ein Roboter über eine lange Liste automatisierter Interaktionen verfügen. Durch das Entfernen dieser Benutzer werden Störungen der Schulung eingeschränkt. Wählen Sie einen geeigneten Wert, nachdem Sie die Längen der Benutzerhistorien mit einem Histogramm oder einem ähnlichen Tool überprüft haben. Wir empfehlen, den Wert so festzulegen, dass die meisten Benutzer beibehalten, aber die Grenzfälle entfernt werden. Wenn Sie beispielsweise min_user_history_length_percentile to 0.05 und max_user_history_length_percentile to 0.95 festlegen, werden alle Benutzer berücksichtigt, mit Ausnahme der unteren und oberen 5 % in Bezug auf ihre Historienlängen. Standardwert: 0.99 Bereich: [0,0, 1,0]. Werttyp: Gleitkommazahl HPOabstimmbar: Nein
Hyperparameter für die Konfiguration der Kampagne zur Erkundung von Objekten
exploration_weight	Legt fest, wie häufig Empfehlungen Artikel mit weniger Daten oder Relevanz zur Artikelinteraktion enthalten. Je näher der Wert an 1,0 liegt, desto mehr Erkundungen werden durchgeführt. Bei einem Wert von Null findet keine Erkundung statt und die Empfehlungen basieren auf aktuellen Daten (Relevanz). Weitere Informationen finden Sie unter CampaignConfig. Standardwert: 0.3 Bereich: [0,0, 1,0]. Werttyp: Gleitkommazahl HPOabstimmbar: Nein
exploration_item_age_cut_off	Geben Sie das maximale Artikelalter in Tagen seit der letzten Interaktion für alle Artikel im Datensatz Artikelinteraktionen an. Dies definiert den Umfang der Artikelsuche auf der Grundlage des Artikelalters. Amazon Personalize bestimmt das Alter eines Artikels anhand seines Erstellungszeitstempels oder, falls Daten zum Erstellungszeitstempel fehlen, anhand der Artikelinteraktionsdaten. Weitere Informationen darüber, wie Amazon Personalize das Alter eines Artikels bestimmt, finden Sie unterZeitstempeldaten der Erstellung. Um die Anzahl der Artikel zu erhöhen, die Amazon Personalize bei der Suche berücksichtigt, geben Sie einen höheren Wert ein. Das Minimum ist 1 Tag und die Standardeinstellung ist 30 Tage. Die Empfehlungen können Artikel enthalten, die älter sind als das von Ihnen angegebene Mindestalter für Artikel. Dies liegt daran, dass diese Artikel für den Benutzer relevant sind und sie bei der Erkundung nicht identifiziert wurden. Standardwert: 30.0 Bereich: Positive Gleitkommazahlen Werttyp: Gleitkommazahl HPOabstimmbar: Nein

Schulung mit dem Rezept für Benutzerpersonalisierung (Konsole)

Um das Rezept für Benutzerpersonalisierung zur Generierung von Empfehlungen in der Konsole zu verwenden, trainieren Sie zunächst eine neue Lösungsversion anhand des Rezepts. Stellen Sie dann eine Kampagne mit der Lösungsversion bereit und verwenden Sie die Kampagne, um Empfehlungen zu erhalten.

Schulung einer neuen Lösungsversion mit dem Rezept für Benutzerpersonalisierung (Konsole)

1. Öffnen Sie zu https://console.aws.amazon.com/personalize/Hause die Amazon Personalize Personalize-Konsole und melden Sie sich bei Ihrem Konto an.

2. Erstellen Sie eine benutzerdefinierte Datensatzgruppe mit einem neuen Schema und laden Sie Ihren Datensatz mit Impressionsdaten hoch. Fügen Sie optional CREATION_ TIMESTAMP und Unstrukturierte Textmetadaten Daten in Ihren Artikeldatensatz ein, damit Amazon Personalize das Alter eines Artikels genauer berechnen und kalte Artikel identifizieren kann.

   Weitere Informationen zum Importieren von Daten finden Sie unterTrainingsdaten in Amazon Personalize Personalize-Datensätze importieren.

3. Wählen Sie auf der Seite Datensatzgruppen die neue Datensatzgruppe aus, die den Datensatz oder die Datensätze mit Impressionsdaten enthält.

4. Wählen Sie im Navigationsbereich Lösungen und Rezepte und anschließend Lösung erstellen aus.

5. Geben Sie auf der Seite Lösung erstellen als Lösungsnamen den Namen Ihrer neuen Lösung ein.

6. Wählen Sie als Lösungstyp die Option Artikelempfehlung aus, um Artikelempfehlungen für Ihre Benutzer zu erhalten.

7. Wählen Sie für Rezept die Option aws-user-personalization. Der Abschnitt Lösungskonfiguration wird angezeigt und bietet mehrere Konfigurationsoptionen.

8. Wenn Ihr Datensatz mit Artikelinteraktionen die Spalten EVENT _ TYPE oder beide VALUE Spalten _ TYPE und EVENT EVENT _ enthält, können Sie in der Konfiguration „Zusätzliche Konfiguration“ optional die Felder „Ereignistyp“ und „Schwellenwert für Ereignisse“ verwenden, um die Artikelinteraktionsdaten auszuwählen, die Amazon Personalize beim Trainieren des Modells verwendet. Weitere Informationen finden Sie unter Auswahl der für das Training verwendeten Artikelinteraktionsdaten.

9. Konfigurieren Sie optional Hyperparameter für Ihre Lösung. Eine Liste der Rezepteigenschaften und Hyperparameter für die Benutzerpersonalisierung finden Sie unter. Eigenschaften und Hyperparameter

10. Wählen Sie Lösung erstellen und trainieren, um mit dem Training zu beginnen. Die Dashboard-Seite wird angezeigt.

    Sie können zur Seite mit den Lösungsdetails navigieren, um den Trainingsfortschritt im Abschnitt Lösungsversionen zu verfolgen. Wenn die Schulung abgeschlossen ist, lautet der Status Aktiv.

Eine Kampagne erstellen und Empfehlungen erhalten (Konsole)

Wenn der Status Ihrer Lösungsversion Aktiv lautet, sind Sie bereit, Ihre Kampagne zu erstellen und Empfehlungen wie folgt zu erhalten:

1. Wählen Sie entweder auf der Seite mit den Lösungsdetails oder der Seite Kampagnen die Option Neue Kampagne erstellen aus.

2. Geben Sie auf der Seite Neue Kampagne erstellen unter Kampagnendetails die folgenden Informationen ein:

   • Kampagnenname: Geben Sie den Namen der Kampagne ein. Der Text, den Sie hier eingeben, wird im Kampagnen-Dashboard und auf der Detailseite angezeigt.

   • Lösung: Wählen Sie die Lösung aus, die Sie gerade erstellt haben.

   • Lösungsversions-ID: Wählen Sie die ID der Lösungsversion, die Sie gerade erstellt haben.

   • Minimale bereitgestellte Transaktionen pro Sekunde: Legen Sie die Mindestanzahl bereitgestellter Transaktionen pro Sekunde fest, die Amazon Personalize unterstützt. Weitere Informationen finden Sie unter dem Vorgang CreateCampaign.

3. Geben Sie für die Campaign-Konfiguration die folgenden Informationen an:

   • Gewichtung der Erkundung: Legen Sie fest, wie viel untersucht werden soll, wobei die Empfehlungen auch Elemente mit weniger Daten zur Interaktion mit Objekten oder Relevanz enthalten, je mehr Erkundungen Sie angeben. Je näher der Wert an 1 liegt, desto mehr Erkundungen werden durchgeführt. Bei einem Wert von Null findet keine Untersuchung statt und die Empfehlungen basieren auf aktuellen Daten (Relevanz).

   • Mindestalter für das Explorationselement: Geben Sie das maximale Alter des Elements in Tagen seit der letzten Interaktion ein, um den Umfang der Artikelerkundung zu definieren. Um die Anzahl der Artikel zu erhöhen, die Amazon Personalize bei der Erkundung berücksichtigt, geben Sie einen höheren Wert ein.

     Wenn Sie beispielsweise 10 eingeben, werden bei der Erkundung nur Artikel mit Artikelinteraktionsdaten aus den 10 Tagen seit der letzten Interaktion im Datensatz berücksichtigt.

     Anmerkung

     Zu den Empfehlungen können Artikel ohne Artikelinteraktionsdaten von außerhalb dieses Zeitraums gehören. Dies liegt daran, dass diese Elemente für die Interessen des Benutzers relevant sind und keine Untersuchung erforderlich war, um sie zu identifizieren.

4. Wählen Sie Create campaign (Kampagne erstellen).

5. Wenn der Kampagnenstatus auf der Seite mit den Kampagnendetails Aktiv lautet, können Sie die Kampagne verwenden, um Empfehlungen zu erhalten und Impressionen aufzuzeichnen. Weitere Informationen finden Sie Schritt 5: Empfehlungen einholen unter „Erste Schritte“.

   Amazon Personalize aktualisiert Ihre neueste Lösungsversion automatisch alle zwei Stunden, um neue Daten aufzunehmen. Ihre Kampagne verwendet automatisch die aktualisierte Lösungsversion. Weitere Informationen finden Sie unter Automatische Updates.

   Um die Kampagne manuell zu aktualisieren, erstellen und trainieren Sie zunächst mithilfe der Konsole oder der CreateSolutionVersion Operation eine neue Lösungsversion mit der trainingMode Einstellung aufupdate. Anschließend aktualisieren Sie die Kampagne manuell auf der Kampagnenseite der Konsole oder mithilfe des UpdateCampaign Vorgangs.

   Anmerkung

   Amazon Personalize aktualisiert Lösungsversionen, die Sie vor dem 17. November 2020 erstellt haben, nicht automatisch.

Training mit dem Rezept für Benutzerpersonalisierung (Python) SDK

Wenn Sie eine Datensatzgruppe erstellt und Ihre Datensätze mit Impressionsdaten hochgeladen haben, können Sie eine Lösung mit dem Rezept für Benutzerpersonalisierung trainieren. Fügen Sie optional CREATION_ TIMESTAMP und Unstrukturierte Textmetadaten Daten in Ihren Artikeldatensatz ein, damit Amazon Personalize das Alter eines Artikels genauer berechnen und kalte Artikel identifizieren kann. Weitere Informationen zum Erstellen von Datensatzgruppen und zum Hochladen von Trainingsdaten finden Sie unter. JSONSchemadateien für Amazon Personalize Personalize-Schemas erstellen

Um eine Lösung mit dem Rezept für Benutzerpersonalisierung zu trainieren, verwenden Sie AWS SDK

1. Erstellen Sie eine neue Lösung mit der create_solution Methode.

   solution nameErsetzen Sie es durch Ihren Lösungsnamen und dataset group arn durch den Amazon-Ressourcennamen (ARN) Ihrer Datensatzgruppe.

   import boto3
   
   personalize = boto3.client('personalize')
   
   print('Creating solution')
   create_solution_response = personalize.create_solution(name = 'solution name', 
                               recipeArn = 'arn:aws:personalize:::recipe/aws-user-personalization', 
                               datasetGroupArn = 'dataset group arn',
                               )
   solution_arn = create_solution_response['solutionArn']
   print('solution_arn: ', solution_arn)

   Eine Liste der aws-user-personalization Rezepteigenschaften und Hyperparameter finden Sie unterEigenschaften und Hyperparameter.

2. Erstellen Sie eine neue Lösungsversion mit den aktualisierten Trainingsdaten und stellen Sie trainingMode die FULL Verwendung des folgenden Codeausschnitts ein. Ersetzen Sie die solution arn durch die ARN Ihrer Lösung.

   import boto3
           
   personalize = boto3.client('personalize')
           
   create_solution_version_response = personalize.create_solution_version(solutionArn = 'solution arn', 
                                                                  trainingMode='FULL')
   
   new_solution_version_arn = create_solution_version_response['solutionVersionArn']
   print('solution_version_arn:', new_solution_version_arn)

3. Wenn Amazon Personalize mit der Erstellung Ihrer Lösungsversion fertig ist, erstellen Sie Ihre Kampagne mit den folgenden Parametern:

   • Geben Sie eine neue campaign name und die in Schritt 2 solution version arn generierte Datei ein.

   • Ändern Sie den Hyperparameter für die Konfiguration der explorationWeight Elementerkundung, um zu konfigurieren, wie viel untersucht werden soll. Artikel mit weniger Daten zur Artikelinteraktion oder Relevanz werden häufiger empfohlen, je näher der Wert an 1,0 liegt. Der Standardwert ist 0,3.

   • Ändern Sie den Hyperparameter-Parameter für die Konfiguration der explorationItemAgeCutOff Elementerkundung, um die maximale Dauer in Tagen im Verhältnis zur letzten Interaktion anzugeben, für die Elemente untersucht werden sollen. Je größer der Wert, desto mehr Elemente werden bei der Untersuchung berücksichtigt.

   Verwenden Sie den folgenden Python-Snippet, um eine neue Kampagne zu erstellen, bei der der Schwerpunkt auf der Erkundung liegt und der Explorationszeitraum bei 30 Tagen liegt. Das Erstellen einer Kampagne dauert in der Regel einige Minuten, kann aber auch über eine Stunde dauern.

   import boto3
           
   personalize = boto3.client('personalize')
   
   create_campaign_response = personalize.create_campaign(
       name = 'campaign name',
       solutionVersionArn = 'solution version arn',
       minProvisionedTPS = 1,
       campaignConfig = {"itemExplorationConfig": {"explorationWeight": "0.3", "explorationItemAgeCutOff": "30"}}
   )
   
   campaign_arn = create_campaign_response['campaignArn']
   print('campaign_arn:', campaign_arn)

   Mit der Benutzerpersonalisierung aktualisiert Amazon Personalize Ihre Lösungsversion automatisch alle zwei Stunden, um neue Daten aufzunehmen. Ihre Kampagne verwendet automatisch die aktualisierte Lösungsversion. Weitere Informationen finden Sie unter Automatische Updates.

   Um die Kampagne manuell zu aktualisieren, erstellen und trainieren Sie zunächst mithilfe der Konsole oder der CreateSolutionVersion Operation eine neue Lösungsversion mit der trainingMode Einstellung aufupdate. Anschließend aktualisieren Sie die Kampagne manuell auf der Kampagnenseite der Konsole oder mithilfe des UpdateCampaign Vorgangs.

   Anmerkung

   Amazon Personalize aktualisiert Lösungsversionen, die Sie vor dem 17. November 2020 erstellt haben, nicht automatisch.

Empfehlungen abrufen und Eindrücke aufzeichnen (SDKfür Python (Boto3))

Wenn Ihre Kampagne erstellt ist, können Sie sie verwenden, um Empfehlungen für einen Benutzer zu erhalten und Impressionen aufzuzeichnen. Informationen zum Abrufen von Batch-Empfehlungen finden Sie unter AWS SDKssieheEinen Batch-Inferenzjob erstellen ()AWS SDKs.

Um Empfehlungen zu erhalten und Eindrücke festzuhalten

1. Rufen Sie die get_recommendations-Methode auf. Ändern Sie das campaign arn zu ARN Ihrer neuen Kampagne und user id zu dem userId des Benutzers.

   import boto3
               
   rec_response = personalize_runtime.get_recommendations(campaignArn = 'campaign arn', userId = 'user id')
   print(rec_response['recommendationId'])             

2. Erstellen Sie einen neuen Event-Tracker zum Senden von PutEvents Anfragen. event tracker nameErsetzen Sie ihn durch den Namen Ihres Event-Trackers und dataset group arn durch den Namen ARN Ihrer Datensatzgruppe.

   import boto3
           
   personalize = boto3.client('personalize')
   
   event_tracker_response = personalize.create_event_tracker( 
       name = 'event tracker name',
       datasetGroupArn = 'dataset group arn'
   )
   event_tracker_arn = event_tracker_response['eventTrackerArn']
   event_tracking_id = event_tracker_response['trackingId']
   print('eventTrackerArn:{},\n eventTrackingId:{}'.format(event_tracker_arn, event_tracking_id))               
                   

3. Verwenden Sie die recommendationId Anweisungen von Schritt 1 und event tracking id von Schritt 2, um eine neue PutEvents Anfrage zu erstellen. Diese Anfrage protokolliert die neuen Impressionsdaten aus der Benutzersitzung. Ändern Sie user id das in die ID des Benutzers.

   import boto3
               
   personalize_events.put_events(
        trackingId = 'event tracking id',
        userId= 'user id',
        sessionId = '1',
        eventList = [{
        'sentAt': datetime.now().timestamp(),
        'eventType' : 'click',
        'itemId' : rec_response['itemList'][0]['itemId'],        
        'recommendationId': rec_response['recommendationId'],
        'impression': [item['itemId'] for item in rec_response['itemList']],
        }]
   ) 

Beispiel für ein Jupyter-Notizbuch

Ein Beispiel für ein Jupyter-Notizbuch, das zeigt, wie das Rezept für Benutzerpersonalisierung verwendet wird, finden Sie unter Benutzerpersonalisierung mit Exploration.