Términos de Amazon Personalize - 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.

Términos de Amazon Personalize

En esta sección se presentan los términos utilizados en Amazon Personalize.

Importación y administración de datos

Los siguientes términos se refieren a la importación, exportación y formato de datos en Amazon Personalize.

Metadatos contextuales

Datos de interacciones que recopila sobre el contexto de navegación de un usuario (como el dispositivo utilizado o la ubicación) cuando se produce un evento (como un clic). Los metadatos contextuales pueden mejorar la relevancia de las recomendaciones para los usuarios nuevos y existentes.

dataset

Contenedor de datos que subes a Amazon Personalize. Existen tres tipos de conjuntos de datos de Amazon Personalize: Usuarios, elementos e interacciones.

grupo de conjunto de datos

Un grupo de conjuntos de datos sirve como contenedor para los componentes de Amazon Personalize, incluidos conjuntos de datos, rastreadores de eventos, soluciones, filtros, campañas y trabajos de inferencia por lotes. Un grupo de conjuntos de datos organiza los recursos en colecciones independientes, de modo que los recursos de un grupo de conjuntos de datos no pueden influir en los recursos de ningún otro grupo de conjuntos de datos. Un grupo de conjuntos de datos puede ser un grupo de conjuntos de datos de dominio o un grupo de conjuntos de datos personalizados.

Grupo de conjunto de datos de dominio

Grupo de conjuntos de datos que contiene recursos preconfigurados para distintos dominios empresariales y casos de uso. Amazon Personalize administra el ciclo de vida de los modelos de formación y la implementación. Al crear un grupo de conjuntos de datos de dominio, elige el dominio empresarial, importa los datos y crea recomendaciones para cada uno de sus casos de uso. Utiliza tu recomendador en tu aplicación para obtener recomendaciones con la operación GetRecommendations.

Si comienza con un grupo de conjuntos de datos de dominio, puede agregar recursos personalizados, como soluciones y versiones de soluciones capacitadas con recetas para casos de uso personalizados.

Grupo de conjunto de datos personalizado

Grupo de conjuntos de datos que contiene recursos personalizados, incluidas soluciones, versiones de soluciones, filtros, campañas y trabajos de inferencia por lotes. Utiliza una campaña para obtener recomendaciones con la operación GetRecommendations. Gestiona el ciclo de vida de los modelos de formación y la implementación. Si comienzas con un grupo de conjuntos de datos personalizados, no podrás asociarte a un dominio más adelante. En su lugar, cree un grupo de conjuntos de datos de dominio.

trabajo de exportación de conjuntos de datos

Herramienta de exportación de registros que genera los registros de un conjunto de datos en uno o varios archivos CSV de un bucket de Amazon S3. El archivo CSV de salida incluye una fila de encabezado con nombres de columna que coinciden con los campos del esquema del conjunto de datos.

trabajo de importación de conjuntos de datos

Herramienta de importación masiva que rellena el conjunto de datos de Amazon Personalize con datos de un archivo CSV de su bucket de Amazon S3.

event

Acción de usuario, como un clic, una compra o una visualización de vídeo, que graba y carga en un conjunto de datos de Amazon Personalize Interactions. Se importan eventos de forma masiva desde un archivo CSV, de forma incremental con la consola de Amazon Personalize y en tiempo real.

impresiones explícitas

Lista de elementos que agrega manualmente a un conjunto de datos de Amazon Personalize Interactions. A diferencia de las impresiones implícitas, que Amazon Personalize deriva automáticamente de sus datos de recomendación, elige qué incluir en las impresiones explícitas.

impresiones implícitas

Las recomendaciones que muestra la aplicación a un usuario. A diferencia de las impresiones explícitas, que agrega manualmente a un conjunto de datos de Interacciones, Amazon Personalize deriva automáticamente impresiones implícitas de los datos de recomendación.

datos de impresiones

La lista de artículos que ha presentado a un usuario cuando interactuó con un artículo en particular haciendo clic en él, viéndolo, comprándolo, etc. Amazon Personalize utiliza datos de impresiones para calcular la relevancia de los nuevos artículos para un usuario en función de la frecuencia con la que los usuarios han seleccionado o ignorado el mismo artículo.

dataset de interacciones

Un contenedor de datos históricos y en tiempo real que recopila de las interacciones entre usuarios y elementos (denominadoEventos de). Los datos de interacciones pueden incluirdatos de impresionesyMetadatos contextuales.

conjunto de datos de elementos

Un contenedor para metadatos sobre tus artículos, como el precio, el género o la disponibilidad.

esquema

Un objeto JSON enApache Avroformato que informa a Amazon Personalize sobre la estructura de los datos. Amazon Personalize utiliza el esquema para analizar los datos.

dataset de usuarios

Un contenedor de metadatos sobre los usuarios, como la edad, el sexo o el grado de fidelización.

Entrenamiento

Los siguientes términos se refieren a la formación de un modelo en Amazon Personalize.

Receta SIMS (similitudes entre elementos)

UNARELATED_ITEMSreceta que utiliza los datos de un conjunto de datos de Interacciones para hacer recomendaciones para elementos similares a un elemento especificado. La receta de SIMS calcula la similitud en función de la forma en que los usuarios interactúan con los elementos en lugar de coincidir los metadatos de los artículos, como el precio o el color.

Afinidad de elementos

Receta USER_SEGMENTATION que utiliza los datos de un conjunto de datos de Interacciones y un conjunto de datos Elementos para crear segmentos de usuario para cada elemento que especifique en función de la probabilidad de que los usuarios interactúen con el elemento.

afinidad de artículo-atributo

Receta USER_SEGMENTATION que utiliza los datos de un conjunto de datos de Interacciones y un conjunto de datos Elementos para crear un segmento de usuario para cada atributo de elemento que especifique en función de la probabilidad de que los usuarios interactúen con los elementos del atributo.

receta de clasificación personalizada

UNAPERSONALIZED_RANKINGreceta que clasifica una colección de artículos que proporciones en función del nivel de interés previsto para un usuario específico. Utilice la receta de clasificación personalizada para personalizar el orden de las listas seleccionadas de artículos o resultados de búsqueda personalizados para un usuario específico.

receta de recuento de popularidad

UNAUSER_PERSONALIZATIONreceta que recomienda los elementos que han tenido más interacciones con usuarios únicos.

recomendador

Herramienta de grupo de conjuntos de datos de dominio que genera recomendaciones. Crea un recomendador para un grupo de conjuntos de datos de dominio y lo utilizas en tu aplicación para obtener recomendaciones en tiempo real con la API GetRecommendations. Al crear un recomendador, especifica un caso de uso y Amazon Personalize entrena los modelos que respaldan al recomendador con las mejores configuraciones para el caso de uso.

recipe

Algoritmo de Amazon Personalize que está preconfigurado para predecir los elementos con los que un usuario interactuará (para recetas USER_PERSONALIZACIÓN), o para calcular artículos similares a los artículos específicos en los que un usuario ha mostrado interés (para recetas RELATED_ITEMS) o clasificar una colección de artículos que proporcione según el interés previsto para un usuario específico (para recetas PERSONALIZED_RANKING).

solution

La receta, los parámetros personalizados y los modelos entrenados (Versiones de solución) que Amazon Personalize utiliza para generar recomendaciones.

versión de la solución

Modelo capacitado que crea como parte de una solución en Amazon Personalize. Implementa una versión de solución en una campaña para activar la API de personalización que utiliza para solicitar recomendaciones.

modo de entrenamiento

El alcance de la formación que debe realizarse al crear una versión de solución. Existen dos modos diferentes: COMPLETO y ACTUALIZADO. El modo FULL crea una versión de solución completamente nueva basada en la totalidad de los datos de formación de los conjuntos de datos de su grupo de conjuntos de datos. UPDATE actualiza gradualmente la versión de la solución existente para recomendar nuevos elementos que has agregado desde el último entrenamiento.

nota

Con la personalización del usuario, Amazon Personalize actualiza automáticamente la última versión de la solución entrenada con el modo de formación FULL. Consulte Actualizaciones automáticas.

receta de personalización del usuario

Una red neuronal jerárquica recurrente (HRNN) basada en una red neuronal recurrenteUSER_PERSONALIZATIONreceta que predice los elementos con los que va a interactuar un usuario. La receta de personalización del usuario puede utilizar datos de exploración de artículos e impresiones para generar recomendaciones para nuevos artículos.

Implementación de modelos y recomendaciones

Los siguientes términos se refieren a la implementación y el uso de un modelo en Amazon Personalize.

trabajo de inferencia por lotes

Herramienta que importa los datos de entrada por lotes de un bucket de Amazon S3, utiliza la versión de la solución para generar recomendaciones y exporta las recomendaciones a un bucket de Amazon S3. Recomendamos utilizar una ubicación diferente para los datos de salida (ya sea una carpeta o un bucket de Amazon S3 diferente). También puede utilizar un trabajo de inferencia por lotes para obtener recomendaciones a partir de conjuntos de datos grandes que no requieren actualizaciones en tiempo real.

trabajo de segmento por lotes

Herramienta que importa los datos de entrada por lotes de un bucket de Amazon S3, utiliza la versión de la solución para crear segmentos de usuarios y exporta los segmentos de usuarios a un bucket de Amazon S3. Recomendamos utilizar una ubicación diferente para los datos de salida (ya sea una carpeta o un bucket de Amazon S3 diferente). Utilice un trabajo de segmento por lotes con una solución respaldada por una receta USER_SEGMENTATION para crear segmentos de usuarios en función de la probabilidad de que el usuario interactúe con distintos elementos o artículos con atributos de artículo diferentes.

campaña

Una versión de solución implementada (modelo capacitado) con capacidad de transacción dedicada aprovisionada para crear recomendaciones en tiempo real para los usuarios de la aplicación. Después de crear una campaña, puede utilizar elgetRecommendationsogetPersonalizedRankingOperaciones de API para obtener recomendaciones.

Exploración de elementos

El proceso que utiliza Amazon Personalize para probar diferentes recomendaciones de artículos y aprender cómo responden los usuarios a los nuevos artículos sin datos de interacción o muy pocos. Amazon Personalize utiliza la exploración cuando se entrena el modelo con la receta de personalización del usuario. Para recomendaciones en tiempo real, configura la exploración a nivel de campaña. Para recomendaciones por lotes, puede configurar la exploración al crear un trabajo de inferencia por lotes.

Recomendaciones de

Una lista de elementos con los que Amazon Personalize predice que un usuario interactuará. Según la receta de Amazon Personalize utilizada, las recomendaciones pueden ser una lista de artículos (recetas USER_PERSONALIZACIÓN y recetas RELATED_ITEMS) o una clasificación de una colección de artículos que proporcionaste (recetas PERSONALIZED_RANKING).

segmentos de usuario

Listas de usuarios que Amazon Personalize predice que un usuario interactuará con su catálogo. Según la receta USER_SEGMENTATION utilizada, se crean segmentos de usuario basados en metadatos de elementos (receta Item-Affinity) (receta Item-Attribute-Affinity). Puede crear segmentos de usuario con un trabajo de segmento por lotes.