Receta V2 de personalización por parte del usuario - Amazon Personalize

Las traducciones son generadas a través de traducción automática. En caso de conflicto entre la traducción y la version original de inglés, prevalecerá la version en inglés.

Receta V2 de personalización por parte del usuario

La receta user-Personalization-v2 (aws-user-personalization-v2) recomienda los elementos con los que un usuario interactuará en función de sus preferencias. Por ejemplo, puedes usar user-Personalization-v2 para generar recomendaciones de películas personalizadas para una aplicación de streaming o recomendaciones de productos personalizadas para una aplicación de venta minorista. Otros casos de uso incluyen la generación de recomendaciones en tiempo real para un sitio de noticias o recomendaciones por lotes para una campaña de marketing personalizada.

La versión 2 de personalización de usuario puede procesar hasta 5 millones de artículos a partir de interacciones entre artículos y conjuntos de datos de artículos. Y genera recomendaciones más relevantes con una latencia menor que. User-Personalization

Como user-Personalization-v2 recomienda los elementos más relevantes a los usuarios en función de sus datos, recomienda con mayor frecuencia los elementos existentes con datos de interacciones. Para asegurarte de que las recomendaciones incluyen artículos nuevos, puedes utilizar una promoción que incluya algunos artículos en función de la fecha y hora de creación. Para obtener más información sobre las promociones, consulta. Promoción de elementos en las recomendaciones

Esta receta utiliza una arquitectura basada en transformadores para entrenar un modelo que aprenda el contexto y realice un seguimiento de las relaciones y los patrones de los datos. Los transformadores son un tipo de arquitectura de red neuronal que transforma o cambia una secuencia de entrada en una secuencia de salida. En el caso de Amazon Personalize, la secuencia de entrada es el historial de interacciones entre los artículos de un usuario en sus datos. La secuencia de salida son sus recomendaciones personalizadas. Para obtener más información sobre los transformadores, consulte ¿Qué son los transformadores en la inteligencia artificial? en el centro de conceptos AWS de computación en nube.

La versión 2 de personalización de usuario utiliza un modelo de precios diferente al de otras recetas. Para obtener más información sobre los precios, consulta los precios de Amazon Personalize.

Características de la receta

Usuer-Personalization-v2 utiliza las siguientes funciones de recetas de Amazon Personalize al generar recomendaciones de artículos:

  • Personalización en tiempo real: con la personalización en tiempo real, Amazon Personalize actualiza y adapta las recomendaciones de artículos en función de la evolución del interés del usuario. Para obtener más información, consulte Personalización en tiempo real.

  • Exploración: con la exploración, las recomendaciones incluyen artículos con menos interacciones, datos o relevancia para el usuario. Con user-Personalization-v2, Amazon Personalize se encarga de la configuración de exploración por usted. Para asegurarse de que las recomendaciones incluyan artículos nuevos, puede utilizar las promociones para incluir nuevos artículos en función de su fecha de creación. Para obtener más información sobre las promociones, consulte. Promoción de elementos en las recomendaciones

  • Actualizaciones automáticas: con las actualizaciones automáticas, Amazon Personalize actualiza automáticamente el último modelo (versión de la solución) cada dos horas para tener en cuenta nuevos artículos y recomendarlos. Para obtener más información, consulte Actualizaciones automáticas.

  • Metadatos con recomendaciones: con la fórmula Usuer-Personalization-v2, si tienes un conjunto de datos de artículos con al menos una columna de metadatos, las campañas tienen automáticamente la opción de incluir los metadatos de los artículos en los resultados de las recomendaciones. No tienes que activar manualmente los metadatos de tu campaña. Puede usar metadatos para enriquecer las recomendaciones de la interfaz de usuario, por ejemplo, agregar los géneros de las películas a los carruseles. Para obtener más información, consulte Metadatos de los artículos en las recomendaciones.

Conjuntos de datos obligatorios y opcionales

Para usar la versión 2 de personalización de usuario, debes crear Conjunto de datos de interacciones de elementos e importar un mínimo de 1000 interacciones entre elementos. Amazon Personalize genera recomendaciones basadas principalmente en los datos de interacción entre los artículos. La versión 2 de personalización de usuario puede procesar hasta 5 millones de artículos a través de las interacciones entre los artículos y los conjuntos de datos de los artículos.

Con user-Personalization-v2, Amazon Personalize puede utilizar los datos de interacciones entre los artículos, entre los que se incluyen los siguientes:

  • Datos de tipo de evento y valor del evento: Amazon Personalize utiliza datos de tipo de evento, como los tipos de eventos de clic o visualización, para identificar la intención y el interés de los usuarios a través de cualquier patrón de comportamiento. Además, puede utilizar los datos sobre el tipo y el valor del evento para filtrar los registros antes del entrenamiento. Para obtener más información, consulte Datos de valor de evento y tipo de evento.

    nota

    Con user-Personalization-v2, el coste de la formación se basa en los datos de las interacciones antes de filtrarlos por tipo o valor del evento. Para obtener más información sobre los precios, consulta los precios de Amazon Personalize.

  • Metadatos contextuales: los metadatos contextuales son datos de interacciones que se recopilan en el entorno del usuario en el momento de un evento, como su ubicación o el tipo de dispositivo. Para obtener más información, consulte Metadatos contextuales.

Los siguientes conjuntos de datos son opcionales y pueden mejorar las recomendaciones:

  • Conjunto de datos de usuarios: Amazon Personalize puede usar los datos de su conjunto de datos de usuarios para comprender mejor a sus usuarios y sus intereses. También puede usar los datos de un conjunto de datos de usuarios para filtrar las recomendaciones. Para obtener información sobre los datos de usuario que puede importar, consulte Conjunto de datos de usuarios.

  • Conjunto de datos de artículos: Amazon Personalize puede usar los datos de su conjunto de datos de artículos para identificar conexiones y patrones en su comportamiento. Esto ayuda a Amazon Personalize a entender a los usuarios y sus intereses. También puede usar los datos de un conjunto de datos de artículos para filtrar las recomendaciones. Para obtener información sobre los datos de elementos que puede importar, consulte Conjunto de datos de elementos.

Propiedades e hiperparámetros

La receta user-Personalization-v2 tiene las siguientes propiedades:

  • Nombre: aws-user-personalization-v2

  • Nombre de recurso de Amazon (ARN) de la receta: arn:aws:personalize:::recipe/aws-user-personalization-v2

  • ARN del algoritmo: arn:aws:personalize:::algorithm/aws-user-personalization-v2

Para obtener más información, consulte Elección de una receta.

En la siguiente tabla se describen los hiperparámetros de la receta user-Personalization-V2. 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. El proceso de elección del mejor valor para un hiperparámetro se denomina optimización de hiperparámetros (HPO). Con user-Personalization-v2, si activa la formación automática, Amazon Personalize realiza automáticamente la HPO cada 90 días. Sin un entrenamiento automático, no se produce ningún HPO.

La tabla 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
apply_recency_bias

Determina si el modelo debe dar más peso a los datos de interacciones entre elementos más recientes de su conjunto de datos de interacciones entre elementos. Los datos de interacciones más recientes pueden incluir cambios repentinos en los patrones subyacentes de los eventos de interacción.

Para entrenar un modelo que tenga más peso sobre los eventos recientes, establezca apply_recency_bias en true. Para entrenar un modelo que pesa igualmente todas las interacciones anteriores, establezca apply_recency_bias en false.

Valor predeterminado: true

Rango: true o false

Tipo de valor: booleano

HPO ajustable: no