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.

conjunto de datos

Un contenedor para los datos que carga en Amazon Personalize. Hay tres tipos de conjuntos de datos de Amazon Personalize: usuarios, elementos e interacciones.

grupo de conjuntos de datos

Un contenedor para los recursos de Amazon Personalize, que incluye conjuntos de datos, recomendadores de dominios y recursos personalizados. Un grupo de conjuntos de datos organiza sus recursos en colecciones independientes, de modo que los recursos de un grupo de conjuntos de datos no pueden influir en los 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 conjuntos de datos de dominio

Un grupo de conjuntos de datos que contiene recursos preconfigurados para diferentes dominios y casos de uso empresariales. Amazon Personalize gestiona el ciclo de vida de los modelos de entrenamiento y la implementación. Cuando crea un grupo de conjuntos de datos de dominio, elige su dominio comercial, importa sus datos y crea recomendadores para cada uno de sus casos de uso. Utiliza el recomendador en la aplicación para obtener recomendaciones con la operación GetRecommendations.

Si empieza con un grupo de conjuntos de datos de dominio, puede añadir recursos personalizados, como soluciones y versiones de soluciones entrenadas con recetas para casos de uso personalizados.

Grupo de conjuntos de datos personalizados

Un grupo de conjuntos de datos que contiene solo recursos personalizados, incluidas las soluciones, las versiones de las soluciones, los filtros, las campañas y los trabajos de inferencia por lotes. Utiliza una campaña para obtener recomendaciones con la operación GetRecommendations. Usted gestiona el ciclo de vida de los modelos de entrenamiento y la implementación. Si empieza con un grupo de conjuntos de datos personalizado, no podrá asociarlo 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 envía los registros de un conjunto de datos a uno o más archivos CSV de un bucket de Amazon S3. El archivo CSV de salida incluye una fila de encabezado con nombres de columnas que coinciden con los campos del esquema del conjunto de datos.

trabajo de importación de conjuntos de datos

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

evento

Una acción del usuario (como un clic, una compra o la visualización de un vídeo) que registra y carga en un conjunto de datos de interacciones de elementos de Amazon Personalize. Los eventos se importan de forma masiva desde un archivo CSV, de forma incremental con la consola de Amazon Personalize y en tiempo real.

impresiones explícitas

Una lista de elementos que agrega manualmente a un conjunto de datos de interacciones de elementos de Amazon Personalize. A diferencia de las impresiones implícitas, en las que Amazon Personalize obtiene automáticamente los datos de las recomendaciones, usted elige qué incluir en las impresiones explícitas.

impresiones implícitas

Las recomendaciones que su aplicación muestra a un usuario. A diferencia de las impresiones explícitas, que se agregan manualmente a un conjunto de datos de interacciones de elementos, Amazon Personalize obtiene automáticamente las impresiones implícitas de los datos de las recomendaciones.

datos de impresiones

La lista de elementos que presentó a un usuario cuando interactuó con un elemento concreto al hacer clic en él, verlo, comprarlo, etc. Amazon Personalize utiliza los 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.

conjunto de datos de interacciones

Un contenedor de datos históricos y en tiempo real que se recopilan de las interacciones entre los usuarios y los elementos (denominados eventos). Los datos de interacciones pueden incluir datos de impresiones y metadatos contextuales.

conjunto de datos de elementos

Un contenedor de metadatos sobre sus elementos, como el precio, el género o la disponibilidad.

Esquema

Un objeto JSON en formato Apache Avro que informa a Amazon Personalize sobre la estructura de los datos. Amazon Personalize usa su esquema para analizar los datos.

conjunto de datos de usuarios

: un contenedor de metadatos sobre sus usuarios, como la edad, el sexo o la membresía fidelizada.

Formación

Los siguientes términos hacen referencia al entrenamiento de un modelo en Amazon Personalize.

receta de similitudes entre elementos (SIMS)

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

item-affinity

Una receta USER_SEGMENTATION que utiliza los datos de un conjunto de datos de interacciones de elementos y un conjunto de datos de elementos para crear segmentos de usuarios para cada elemento que especifique en función de la probabilidad de que los usuarios interactúen con el elemento.

item-attribute-affinity

Una receta USER_SEGMENTATION que utiliza los datos de un conjunto de datos de interacciones de elementos y un conjunto de datos de elementos para crear un segmento de usuarios 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

Una receta PERSONALIZED_RANKING que clasifica un conjunto de artículos que proporcione en función del nivel de interés previsto para un usuario específico. Use la receta personalized-ranking para personalizar el orden de las listas seleccionadas de elementos o los resultados de búsqueda personalizados para un usuario específico.

Receta Popularity-Count

Una receta USER_PERSONALIZATION que recomienda los elementos que han tenido más interacciones con usuarios únicos.

recomendador

Una 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 utiliza en tu aplicación para obtener recomendaciones en tiempo real con la API GetRecommendations. Cuando crea un recomendador, especifica un caso de uso y Amazon Personalize entrena los modelos que lo respaldan con las mejores configuraciones para ese caso de uso.

receta

Un algoritmo de Amazon Personalize que está preconfigurado para predecir los elementos con los que interactuará un usuario (para las recetas USER_PERSONALIZATION), calcular los elementos que son similares a elementos específicos por los que un usuario ha mostrado interés (para las recetas RELATED_ITEMS) o clasificar una colección de elementos que usted proporciona en función del interés previsto para un usuario específico (para las recetas PERSONALIZED_RANKING).

solución

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

versión de la solución

Un modelo entrenado que se crea como parte de una solución en Amazon Personalize. Implementa una versión de la solución en una campaña para activar la API de personalización que utiliza para solicitar recomendaciones.

modo de entrenamiento

El alcance del entrenamiento que se realizará al crear la versión de la solución. Hay dos modos diferentes: FULL y UPDATE. El modo FULL crea una versión de la solución completamente nueva basada en la totalidad de los datos de entrenamiento de los conjuntos de datos de su grupo de conjuntos de datos. UPDATE actualiza de forma incremental la versión de la solución existente para recomendar nuevos elementos que haya agregado desde el último entrenamiento.

nota

Con User-Personalization o Next-Best-Action, Amazon Personalize actualiza automáticamente la última versión de la solución entrenada con el modo de entrenamiento FULL. Consulte Actualizaciones automáticas.

receta user-personalization

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

Implementación y recomendaciones del modelo

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

trabajo de inferencia por lotes

Una herramienta que importa los datos de entrada del lote desde 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 que utilice una ubicación diferente para sus datos de salida (ya sea una carpeta o un bucket de Amazon S3 diferente). Utilice 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

Una herramienta que importa los datos de entrada del lote desde un bucket de Amazon S3, utiliza la versión de la solución para crear segmentos de usuarios y exporta los segmentos de usuario a un bucket de Amazon S3. Recomendamos que utilice una ubicación diferente para sus datos de salida (ya sea una carpeta o un bucket de Amazon S3 diferente). Utilice un trabajo de segmentación por lotes con una solución respaldada por la receta USER_SEGMENTATION para crear segmentos de usuarios en función de la probabilidad de que el usuario interactúe con diferentes elementos o con elementos con diferentes atributos de elemento.

campaña

Una versión de solución implementada (modelo entrenado) con capacidad de transacción dedicada y aprovisionada para crear recomendaciones en tiempo real para los usuarios de la aplicación. Después de crear una campaña, puede utilizar las operaciones de la API de getRecommendations o getPersonalizedRanking para obtener recomendaciones.

exploración de elementos

Con la exploración, las recomendaciones incluyen algunos elementos o acciones que, por lo general, es menos probable que se recomienden al usuario, como nuevos elementos o acciones, elementos o acciones con pocas interacciones, o bien elementos o acciones menos relevantes para el usuario en función de su comportamiento anterior.

recomendaciones

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 elementos (recetas USER_PERSONALIZATION y recetas RELATED_ITEMS) o una clasificación de una colección de elementos que haya proporcionado (recetas PERSONALIZED_RANKING).

segmentos de usuarios

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