Kumpulan data interaksi item

Interaksi item adalah peristiwa interaksi positif antara pengguna dan item dalam katalog Anda. Misalnya, pengguna menonton film, melihat daftar, atau membeli sepasang sepatu. Anda mengimpor data tentang interaksi pengguna dengan item Anda ke dalam kumpulan data interaksi Item. Anda dapat merekam beberapa jenis acara, seperti klik, tonton, atau suka.

Misalnya, jika pengguna mengklik item tertentu dan kemudian menyukai item tersebut, Anda dapat meminta Amazon Personalisasi menggunakan peristiwa ini sebagai data pelatihan. Untuk setiap peristiwa, Anda akan merekam ID pengguna, ID item, stempel waktu (dalam format waktu Unix time epoch), dan jenis acara (klik dan suka). Anda kemudian akan menambahkan kedua peristiwa interaksi item ke kumpulan data interaksi Item.

Untuk semua kasus penggunaan (Grup kumpulan data domain) dan resep (sumber daya khusus), data interaksi item Anda harus memiliki yang berikut:

• Minimal 1000 catatan interaksi item dari pengguna yang berinteraksi dengan item di katalog Anda. Interaksi ini dapat berasal dari impor massal, atau acara streaming, atau keduanya.

• Minimal 25 ID pengguna unik dengan setidaknya dua interaksi item untuk masing-masing.

Untuk rekomendasi kualitas, kami sarankan Anda memiliki setidaknya 50.000 interaksi item dari setidaknya 1.000 pengguna dengan dua atau lebih interaksi item masing-masing.

Untuk membuat pemberi rekomendasi atau solusi khusus, Anda harus setidaknya membuat kumpulan data interaksi Item. Bagian ini memberikan informasi tentang jenis data interaksi item berikut yang dapat Anda impor ke Amazon Personalize.

Jenis peristiwa dan data nilai acara

Kumpulan data interaksi Item dapat menyimpan jenis peristiwa dan data nilai peristiwa untuk setiap interaksi. Hanya sumber daya khusus yang menggunakan data nilai peristiwa.

Data tipe acara

Amazon Personalize menggunakan data tipe peristiwa, seperti data klik atau beli, untuk mengidentifikasi maksud dan minat pengguna. Jika Anda membuat pemberi rekomendasi domain, semua kasus penggunaan memerlukan data tipe peristiwa. Beberapa kasus penggunaan memerlukan jenis acara tertentu. Anda bebas menggunakan jenis acara tambahan. Untuk informasi selengkapnya, lihat Memilih kasus penggunaan.

Jika Anda membuat sumber daya khusus, Anda dapat memilih acara yang digunakan untuk pelatihan menurut jenis acara. Jika kumpulan data Anda memiliki beberapa jenis peristiwa di kolom EVENT_TYPE, dan Anda tidak memberikan jenis peristiwa saat mengonfigurasi solusi khusus, Amazon Personalize menggunakan semua data interaksi item untuk pelatihan dengan bobot yang sama terlepas dari jenisnya. Untuk informasi selengkapnya, lihat Memilih data interaksi item yang digunakan untuk pelatihan.

Jenis peristiwa positif dan negatif

Amazon Personalize mengasumsikan interaksi apa pun adalah interaksi positif. Interaksi dengan jenis peristiwa negatif, seperti tidak suka, tidak akan selalu mencegah item muncul di rekomendasi future pengguna.

Berikut ini adalah cara untuk memiliki peristiwa negatif dan rekomendasi pengaruh ketidaktertarikan pengguna:

• Untuk semua kasus penggunaan domain dan Personalisasi Pengguna resepnya, Amazon Personalize dapat menggunakan data tayangan. Ketika item muncul di data tayangan dan pengguna tidak memilihnya, item tersebut cenderung tidak muncul dalam rekomendasi. Untuk informasi selengkapnya, lihat Data tayangan.

• Jika Anda menggunakan sumber daya khusus dan mengimpor jenis peristiwa positif dan negatif, Anda dapat melatih hanya pada jenis peristiwa positif dan kemudian menyaring item yang berinteraksi dengan pengguna secara negatif. Untuk informasi selengkapnya, lihat Memilih data interaksi item yang digunakan untuk pelatihan dan Memfilter rekomendasi dan segmen pengguna.

Data nilai acara (sumber daya khusus)

Data nilai peristiwa mungkin persentase film yang ditonton pengguna atau peringkat dari 10. Jika Anda membuat solusi khusus dan mengimpor data nilai peristiwa bersama dengan data tipe peristiwa, Anda dapat memilih catatan yang digunakan untuk pelatihan berdasarkan jenis dan nilai. Dengan pemberi rekomendasi domain, Amazon Personalize tidak menggunakan data nilai peristiwa dan Anda tidak dapat memfilter peristiwa sebelum pelatihan.

Untuk memilih rekaman berdasarkan jenis dan nilai, rekam jenis peristiwa dan nilai acara untuk setiap acara. Nilai yang Anda pilih untuk setiap acara tergantung pada data apa yang ingin Anda kecualikan dan jenis acara apa yang Anda rekam. Misalnya, Anda mungkin mencocokkan aktivitas pengguna, seperti persentase video yang ditonton pengguna untuk jenis acara tontonan.

Saat mengonfigurasi solusi, Anda menetapkan nilai tertentu sebagai ambang batas untuk mengecualikan catatan dari pelatihan. Misalnya, jika data EVENT_VALUE untuk peristiwa dengan EVENT_TYPE jam tangan adalah persentase video yang ditonton pengguna, jika Anda menetapkan ambang nilai peristiwa ke 0,5, dan jenis acara yang akan ditonton, Amazon Personalize melatih model hanya menggunakan menonton peristiwa interaksi dengan EVENT_VALUE lebih besar dari atau sama dengan 0,5.

Untuk informasi selengkapnya, lihat Memilih data interaksi item yang digunakan untuk pelatihan

Metadata kontekstual

Dengan resep dan kasus penggunaan pemberi rekomendasi tertentu, Amazon Personalize dapat menggunakan metadata kontekstual saat mengidentifikasi pola dasar yang mengungkapkan item yang paling relevan untuk pengguna Anda. Metadata kontekstual adalah data interaksi yang Anda kumpulkan di lingkungan pengguna pada saat kejadian, seperti lokasi atau jenis perangkat mereka.

Menyertakan metadata kontekstual memungkinkan Anda memberikan pengalaman yang lebih personal bagi pengguna yang sudah ada. Misalnya, jika pelanggan berbelanja secara berbeda saat mengakses katalog Anda dari telepon dibandingkan dengan komputer, sertakan metadata kontekstual tentang perangkat pengguna. Rekomendasi kemudian akan lebih relevan berdasarkan bagaimana mereka menjelajah.

Selain itu, metadata kontekstual membantu mengurangi fase start dingin untuk pengguna baru atau tidak dikenal. Fase start dingin mengacu pada periode ketika mesin rekomendasi Anda memberikan rekomendasi yang kurang relevan karena kurangnya informasi historis mengenai pengguna tersebut.

Untuk grup kumpulan data Domain, kasus penggunaan pemberi rekomendasi berikut dapat menggunakan metadata kontekstual:

• Direkomendasikan untuk Anda(Domain eCommerce)

• Pilihan teratas untuk Anda(Domain VIDEO_ON_DEMAND)

Untuk sumber daya kustom, resep yang menggunakan metadata kontekstual mencakup yang berikut:

• Personalisasi pengguna-v2 dan Personalisasi Pengguna

• Personalisasi-peringkat-v2 dan Peringkat yang Dipersonalisasi

Untuk informasi selengkapnya tentang informasi kontekstual, lihat postingan Blog AWS Machine Learning berikut: Meningkatkan relevansi rekomendasi Amazon Personalize Anda dengan memanfaatkan informasi kontekstual.

Data tayangan

Tayangan adalah daftar item yang terlihat oleh pengguna saat berinteraksi dengan (misalnya, diklik atau ditonton) item tertentu. Jika Anda menggunakan kasus penggunaan domain yang menyediakan personalisasi atau Personalisasi Pengguna resep, Amazon Personalize dapat menggunakan data tayangan untuk memandu eksplorasi.

Dengan eksplorasi, rekomendasi mencakup beberapa item atau tindakan yang biasanya cenderung tidak direkomendasikan bagi pengguna, seperti item atau tindakan baru, item atau tindakan dengan sedikit interaksi, atau item atau tindakan yang kurang relevan bagi pengguna berdasarkan perilaku mereka sebelumnya. Semakin sering suatu item muncul dalam data tayangan, semakin kecil kemungkinan Amazon Personalize menyertakan item dalam eksplorasi.

Saat Anda membuat pemberi rekomendasi atau solusi, Amazon Personalize selalu mengecualikan data tayangan dari pelatihan. Ini karena Amazon Personalize tidak melatih model Anda dengan data tayangan. Sebaliknya, ia menggunakannya ketika Anda mendapatkan rekomendasi untuk memandu eksplorasi bagi pengguna.

Nilai tayangan dapat memiliki paling banyak 1000 karakter (termasuk karakter batang vertikal). Untuk grup kumpulan data Domain, kasus penggunaan pemberi rekomendasi berikut dapat menggunakan data tayangan:

• Direkomendasikan untuk Anda(Domain eCommerce)

• Pilihan teratas untuk Anda(Domain VIDEO_ON_DEMAND)

Untuk informasi lebih lanjut tentang eksplorasi lihatEksplorasi. Amazon Personalize dapat memodelkan dua jenis tayangan: Tayangan implisit dan. Tayangan eksplisit

Tayangan implisit

Tayangan implisit adalah rekomendasi, diambil dari Amazon Personalize, yang Anda tunjukkan kepada pengguna. Anda dapat mengintegrasikannya ke dalam alur kerja rekomendasi Anda dengan menyertakan RecommendationId (dikembalikan oleh GetRecommendations dan GetPersonalizedRanking operasi) sebagai input untuk PutEvents permintaan future. Amazon Personalize memperoleh tayangan implisit berdasarkan data rekomendasi Anda.

Misalnya, Anda mungkin memiliki aplikasi yang memberikan rekomendasi untuk streaming video. Alur kerja rekomendasi Anda menggunakan tayangan implisit mungkin sebagai berikut:

1. Anda meminta rekomendasi video untuk salah satu pengguna menggunakan operasi Amazon Personalize GetRecommendations API.

2. Amazon Personalize menghasilkan rekomendasi untuk pengguna yang menggunakan model Anda (versi solusi) dan mengembalikannya dengan recommendationId respons API.

3. Anda menunjukkan rekomendasi video kepada pengguna Anda di aplikasi Anda.

4. Saat pengguna berinteraksi dengan (misalnya, mengklik) video, rekam pilihan tersebut dalam panggilan ke PutEvents API dan sertakan parameter recommendationId as a. Untuk contoh kode lihatMerekam data tayangan.

5. Amazon Personalize menggunakan data tayangan recommendationId untuk memperoleh data tayangan dari rekomendasi video sebelumnya, dan kemudian menggunakan data tayangan untuk memandu eksplorasi, di mana rekomendasi future menyertakan video baru dengan data interaksi atau relevansi yang lebih sedikit.

   Untuk informasi selengkapnya tentang merekam peristiwa dengan data tayangan implisit, lihatMerekam data tayangan.

Tayangan eksplisit

Tayangan eksplisit adalah tayangan yang Anda rekam dan kirim secara manual ke Amazon Personalisasi. Gunakan tayangan eksplisit untuk memanipulasi hasil dari Amazon Personalize. Urutan item tidak berdampak.

Misalnya, Anda mungkin memiliki aplikasi belanja yang memberikan rekomendasi untuk sepatu. Jika Anda hanya merekomendasikan sepatu yang saat ini tersedia, Anda dapat menentukan item ini menggunakan tayangan eksplisit. Alur kerja rekomendasi Anda menggunakan tayangan eksplisit mungkin sebagai berikut:

1. Anda meminta rekomendasi untuk salah satu pengguna menggunakan Amazon Personalize APIGetRecommendations.

2. Amazon Personalize menghasilkan rekomendasi untuk pengguna yang menggunakan model Anda (versi solusi) dan mengembalikannya dalam respons API.

3. Anda hanya menunjukkan kepada pengguna sepatu yang direkomendasikan yang tersedia.

4. Untuk impor data inkremental real-time, ketika pengguna berinteraksi dengan (misalnya, mengklik) sepasang sepatu, Anda mencatat pilihan dalam panggilan ke PutEvents API dan mencantumkan item yang direkomendasikan yang tersedia dalam parameter. impression Untuk contoh kode lihatMerekam data tayangan.

   Untuk mengimpor tayangan dalam data interaksi item historis, Anda dapat mencantumkan tayangan eksplisit di file csv Anda dan memisahkan setiap item dengan karakter '| '. Karakter batang vertikal dihitung menuju batas 1000 karakter. Sebagai contoh lihatMemformat tayangan eksplisit.

5. Amazon Personalize menggunakan data tayangan untuk memandu eksplorasi, di mana rekomendasi future menyertakan sepatu baru dengan data interaksi atau relevansi yang lebih sedikit.