Préparation des données d'entrée pour les recommandations par lots

Une tâche d'inférence par lots importe les données JSON saisies par lots depuis un compartiment Amazon S3, utilise la version de votre solution personnalisée pour générer des recommandations, puis exporte les recommandations d'articles vers un compartiment Amazon S3. Avant de pouvoir obtenir des recommandations par lots, vous devez préparer et télécharger votre fichier JSON dans un compartiment Amazon S3. Nous vous recommandons de créer un dossier de sortie dans votre compartiment Amazon S3 ou d'utiliser un compartiment de sortie Amazon S3 distinct. Vous pouvez ensuite exécuter plusieurs tâches d'inférence par lots en utilisant le même emplacement de données d'entrée.

Si vous utilisez un filtre avec des paramètres d'espace réservé, par exemple$GENRE, vous devez fournir les valeurs des paramètres d'un filterValues objet dans votre code JSON d'entrée. Pour plus d’informations, consultez Fournir des valeurs de filtre dans votre JSON d'entrée.

Pour préparer et importer des données

1. Formatez les données de saisie par lots en fonction de votre recette. Vous ne pouvez pas obtenir de recommandations par lots avec la recette Trending-Now.

   • Pour les recettes USER_PERSONALIZATION et Popularity-Count, vos données d'entrée sont un fichier JSON contenant une liste d'identifiants d'utilisateur

   • Pour les recettes RELATED_ITEMS, vos données d'entrée sont une liste d'ItemID

   • Pour les recettes PERSONALIZED_RANKING, vos données d'entrée sont une liste d'identifiants d'utilisateur, chacun étant associé à une collection d'identifiants ItemID

   Séparez chaque ligne par une nouvelle ligne. Pour des exemples de données d'entrée, voirExemples JSON d'entrée et de sortie de tâches d'inférence par lots.

2. Téléchargez votre code JSON d'entrée dans un dossier d'entrée de votre compartiment Amazon S3. Pour plus d'informations, consultez la section Chargement de fichiers et de dossiers par glisser-déposer dans le guide de l'utilisateur d'Amazon Simple Storage Service

3. Créez un emplacement distinct pour vos données de sortie, qu'il s'agisse d'un dossier ou d'un autre compartiment Amazon S3. En créant un emplacement distinct pour le JSON de sortie, vous pouvez exécuter plusieurs tâches d'inférence par lots avec le même emplacement de données d'entrée.

4. Créez une tâche d'inférence par lots. Amazon Personalize transmet les recommandations de la version de votre solution à l'emplacement de vos données de sortie.

Exemples JSON d'entrée et de sortie de tâches d'inférence par lots

La façon dont vous formatez vos données d'entrée et la recette que vous utilisez. Si vous utilisez un filtre avec des paramètres d'espace réservé, par exemple$GENRE, vous devez fournir les valeurs des paramètres d'un filterValues objet dans votre code JSON d'entrée. Pour plus d’informations, consultez Fournir des valeurs de filtre dans votre JSON d'entrée.

Les sections suivantes répertorient des exemples d'entrée et de sortie JSON correctement formatés pour les tâches d'inférence par lots. Vous ne pouvez pas obtenir de recommandations par lots avec la recette Trending-Now.

Recettes USER_PERSONALIZATION (PERSONNALISATION DE L'UTILISATEUR)

Vous trouverez ci-dessous des exemples d'entrée et de sortie JSON correctement formatés pour les recettes USER_PERSONALIZATION. Si vous utilisez User-Personalization-v2, chaque élément recommandé inclut une liste des raisons pour lesquelles l'élément a été inclus dans les recommandations. Cette liste peut être vide. Pour plus d'informations sur les raisons possibles, voirRaisons de recommandation (Personnalisation utilisateur v2).

Input

Séparez chacune userId par une nouvelle ligne comme suit.

{"userId": "4638"}
{"userId": "663"}
{"userId": "3384"}
...

Output

{"input":{"userId":"4638"},"output":{"recommendedItems":["63992","115149","110102","148626","148888","31685","102445","69526","92535","143355","62374","7451","56171","122882","66097","91542","142488","139385","40583","71530","39292","111360","34048","47099","135137"],"scores":[0.0152238,0.0069081,0.0068222,0.006394,0.0059746,0.0055851,0.0049357,0.0044644,0.0042968,0.004015,0.0038805,0.0037476,0.0036563,0.0036178,0.00341,0.0033467,0.0033258,0.0032454,0.0032076,0.0031996,0.0029558,0.0029021,0.0029007,0.0028837,0.0028316]},"error":null}
{"input":{"userId":"663"},"output":{"recommendedItems":["368","377","25","780","1610","648","1270","6","165","1196","1097","300","1183","608","104","474","736","293","141","2987","1265","2716","223","733","2028"],"scores":[0.0406197,0.0372557,0.0254077,0.0151975,0.014991,0.0127175,0.0124547,0.0116712,0.0091098,0.0085492,0.0079035,0.0078995,0.0075598,0.0074876,0.0072006,0.0071775,0.0068923,0.0066552,0.0066232,0.0062504,0.0062386,0.0061121,0.0060942,0.0060781,0.0059263]},"error":null}
{"input":{"userId":"3384"},"output":{"recommendedItems":["597","21","223","2144","208","2424","594","595","920","104","520","367","2081","39","1035","2054","160","1370","48","1092","158","2671","500","474","1907"],"scores":[0.0241061,0.0119394,0.0118012,0.010662,0.0086972,0.0079428,0.0073218,0.0071438,0.0069602,0.0056961,0.0055999,0.005577,0.0054387,0.0051787,0.0051412,0.0050493,0.0047126,0.0045393,0.0042159,0.0042098,0.004205,0.0042029,0.0040778,0.0038897,0.0038809]},"error":null}
...

Recettes POPULAR_ITEMS (Popularity-Count uniquement)

Vous trouverez ci-dessous des exemples d'entrée et de sortie JSON correctement formatés pour la recette Popularity-Count. Vous ne pouvez pas obtenir de recommandations par lots avec la recette Trending-Now.

Input

Séparez chacune userId par une nouvelle ligne comme suit.

{"userId": "12"}
{"userId": "105"}
{"userId": "41"}
...

Output

{"input": {"userId": "12"}, "output": {"recommendedItems": ["105", "106", "441"]}}
{"input": {"userId": "105"}, "output": {"recommendedItems": ["105", "106", "441"]}}
{"input": {"userId": "41"}, "output": {"recommendedItems": ["105", "106", "441"]}}
...

Recettes PERSONALIZED_RANKING

Vous trouverez ci-dessous des exemples d'entrée et de sortie JSON correctement formatés pour les recettes PERSONALIZED_RANKING.

Input

Séparez chacune userId et la liste des itemIds à classer par une nouvelle ligne comme suit.

{"userId": "891", "itemList": ["27", "886", "101"]}
{"userId": "445", "itemList": ["527", "55", "901"]}
{"userId": "71", "itemList": ["27", "351", "101"]}
...

Output

{"input":{"userId":"891","itemList":["27","886","101"]},"output":{"recommendedItems":["27","101","886"],"scores":[0.48421,0.28133,0.23446]}}
{"input":{"userId":"445","itemList":["527","55","901"]},"output":{"recommendedItems":["901","527","55"],"scores":[0.46972,0.31011,0.22017]}}
{"input":{"userId":"71","itemList":["29","351","199"]},"output":{"recommendedItems":["351","29","199"],"scores":[0.68937,0.24829,0.06232]}}
...

Recettes RELATED_ITEMS

Vous trouverez ci-dessous des exemples d'entrée et de sortie JSON correctement formatés pour les recettes RELATED_ITEMS.

Input

Séparez chacune itemId par une nouvelle ligne comme suit.

{"itemId": "105"}
{"itemId": "106"}
{"itemId": "441"}
...

Output

{"input": {"itemId": "105"}, "output": {"recommendedItems": ["106", "107", "49"]}}
{"input": {"itemId": "106"}, "output": {"recommendedItems": ["105", "107", "49"]}}
{"input": {"itemId": "441"}, "output": {"recommendedItems": ["2", "442", "435"]}}
...

Vous trouverez ci-dessous des exemples d'entrée et de sortie JSON correctement formatés pour la recette Similar-Items avec thèmes.

Input

Séparez chacune itemId par une nouvelle ligne comme suit.

{"itemId": "40"}
{"itemId": "43"}
...

Output

{"input":{"itemId":"40"},"output":{"recommendedItems":["36","50","44","22","21","29","3","1","2","39"],"theme":"Movies with a strong female lead","itemsThemeRelevanceScores":[0.19994527,0.183059963,0.17478035,0.1618133,0.1574806,0.15468733,0.1499242,0.14353688,0.13531424,0.10291852]}}
{"input":{"itemId":"43"},"output":{"recommendedItems":["50","21","36","3","17","2","39","1","10","5"],"theme":"The best movies of 1995","itemsThemeRelevanceScores":[0.184988,0.1795761,0.11143453,0.0989443,0.08258403,0.07952615,0.07115086,0.0621634,-0.138913,-0.188913]}}
...