Receta Item-Attribute-Affinity

La receta Item-Attribute-Affinity (aws-item-attribute-affinity) es una receta de USER_SEGMENTATION que crea un segmento de usuarios (grupo de usuarios) para cada atributo de elemento que especifique. Estos son los usuarios que Amazon Personalize predice que es más probable que interactúen con elementos con el atributo en particular. Use Item-Attribute-Affinity para obtener más información sobre sus usuarios y tomar medidas en función de sus respectivos segmentos de usuarios.

Por ejemplo, es posible que desee crear una campaña de marketing para su aplicación de venta al por menor basada en las preferencias de los usuarios respecto a los tipos de zapato de su catálogo. Item-Attribute-Affinity crearía un segmento de usuarios para cada tipo de zapato en función de los datos de sus conjuntos de datos de interacciones y elementos. Puede recurrir a ello para promocionar diferentes zapatos entre distintos segmentos de usuarios en función de la probabilidad de que realicen una acción (por ejemplo, hacer clic en un zapato o comprarlo). Otros usos pueden incluir la promoción de diferentes géneros cinematográficos entre distintos usuarios o la identificación de posibles candidatos a un puesto de trabajo en función del tipo de trabajo.

Para obtener segmentos de usuarios basados en los atributos de los elementos, debe crear una solución y una versión de la solución con la receta Item-Attribute-Affinity, agregar una lista de elementos en formato JSON a un bucket de Amazon S3 y crear un trabajo de segmento por lotes. Amazon Personalize envía un segmento de usuarios para cada elemento a su ubicación de salida en Amazon S3. Los datos de entrada pueden tener un máximo de 10 consultas, cada una de las cuales consiste en uno o más atributos de un elemento. Para obtener información sobre cómo preparar los datos de entrada para un trabajo de segmento por lotes, consulte Preparación de los datos de entrada para las recomendaciones por lotes.

Debe tener un conjunto de datos de interacciones de elementos y otro de elementos para usar Item-Attribute-Affinity. Su conjunto de datos de elementos debe tener al menos una columna que sea una columna de metadatos no textual ni reservada. Puede obtener segmentos de usuarios con trabajos de segmentos por lotes. Para obtener más información, consulte Recomendaciones por lotes y segmentos de usuarios (recursos personalizados).

Después de crear una versión de la solución, asegúrese de mantener la versión y los datos de la solución actualizados. Con Item-Attribute-Affinity, debe crear manualmente una nueva versión de la solución (volver a entrenar el modelo) para que Amazon Personalize tenga en cuenta los nuevos elementos a modo de recomendaciones y actualice el modelo con el comportamiento más reciente de sus usuarios. A continuación, debe actualizar cualquier campaña con la versión de la solución. Para obtener más información, consulte Mantenimiento de la relevancia de las recomendaciones. Para obtener un segmento de usuarios para el atributo de un elemento, este debe haber estado presente en el momento de crear la versión de la solución.

La receta Item-Attribute-Affinity incluye las siguientes propiedades:

• Nombre: aws-item-attribute-affinity

• Nombre de recurso de Amazon (ARN) de la receta: arn:aws:personalize:::recipe/aws-item-attribute-affinity

• ARN del algoritmo: arn:aws:personalize:::algorithm/aws-item-attribute-affinity

• ARN de transformación de características: arn:aws:personalize:::feature-transformation/item-attribute-affinity

• Tipo de receta: USER_SEGMENTATION

En la siguiente tabla se describen los hiperparámetros de la receta Item-Attribute-Affinity. Un hiperparámetro es un parámetro de algoritmo que se puede ajustar para mejorar el rendimiento del modelo. Los hiperparámetros de algoritmos controlan el rendimiento del modelo. No puede usar la optimización de hiperparámetros (HPO) con la receta Item-Attribute-Affinity.

La tabla también proporciona la siguiente información para cada hiperparámetro:

• Rango: [límite inferior, límite superior]

• Tipo de valor: número entero, continuo (flotante), categórico (booleano, lista, cadena)

Nombre	Descripción
Hiperparámetros de algoritmos
hidden_dimension	El número de variables ocultas utilizadas en el modelo. Las variables ocultas recrean el historial de compras de los usuarios y las estadísticas de los elementos para generar puntuaciones de clasificación. Especifique un número mayor de dimensiones ocultas cuando el conjunto de datos de interacciones incluya patrones más complicados. El uso de más dimensiones ocultas requiere un conjunto de datos mayor y más tiempo de procesamiento. Valor predeterminado: 149 Rango: [32, 256] Tipo de valor: entero