User-Personalization-v2 レシピ

User-Personalization-v2 (aws-user-personalization-v2) レシピでは、ユーザーが好みに基づいて操作する項目を推奨しています。例えば、 User-Personalization-v2 を使用してストリーミングアプリのパーソナライズされた映画レコメンデーションを生成したり、小売アプリのパーソナライズされた製品レコメンデーションを生成したりできます。その他のユースケースには、ニュースサイトのリアルタイムのレコメンデーションの生成や、パーソナライズされたマーケティングキャンペーンのバッチレコメンデーションの生成などがあります。

User-Personalization-v2 は、アイテムインタラクションとアイテムデータセットから最大 500 万のアイテムでトレーニングできます。また、 よりも低レイテンシーで、より関連性の高いレコメンデーションを生成しますUser-Personalization。

User-Personalization-v2 はデータに基づいてユーザーに最も関連性の高い項目を推奨するため、インタラクションデータを含む既存の項目をより頻繁に推奨します。レコメンデーションに新しいアイテムが含まれていることを確認するには、作成タイムスタンプに基づいていくつかのアイテムを含むプロモーションを使用できます。プロモーションの詳細については、「」を参照してくださいリアルタイムレコメンデーションでのアイテムのプロモーション。

このレシピは、トランスフォーマーベースのアーキテクチャを使用して、コンテキストを学習し、データ内の関係とパターンを追跡するモデルをトレーニングします。トランスフォーマーは、入力シーケンスを出力シーケンスに変換または変更するニューラルネットワークアーキテクチャの一種です。Amazon Personalize の場合、入力シーケンスはデータ内のユーザーの項目インタラクション履歴です。出力シーケンスは、パーソナライズされたレコメンデーションです。トランスフォーマーの詳細については、 AWS Cloud Computing Concepts Hub の「人工知能におけるトランスフォーマーとは」を参照してください。

User-Personalization-v2 は、他のレシピとは異なる料金モデルを使用します。料金の詳細については、「Amazon Personalize の料金」を参照してください。

レシピ機能

User-Personalization-v2 は、アイテムレコメンデーションを生成するときに次の Amazon Personalize レシピ機能を使用します。

• リアルタイムパーソナライゼーション — リアルタイムパーソナライゼーションにより、Amazon Personalize はユーザーの関心の変化に応じてアイテムのレコメンデーションを更新および適応します。詳細については、「リアルタイムパーソナライゼーション」を参照してください。

• 探索 – 探索では、レコメンデーションには、インタラクションデータが少ない項目やユーザーとの関連性がある項目が含まれます。 User-Personalization-v2 を使用すると、Amazon Personalize は探索設定を処理します。レコメンデーションに新しいアイテムが含まれていることを確認するには、プロモーションを使用して、作成タイムスタンプに基づいて新しいアイテムを含めることができます。プロモーションの詳細については、「」を参照してくださいリアルタイムレコメンデーションでのアイテムのプロモーション。

• 自動更新 – 自動更新では、Amazon Personalize は 2 時間ごとに最新のモデル (ソリューションバージョン) を自動的に更新し、新しい項目をレコメンデーションの対象として検討します。詳細については、「自動更新」を参照してください。

• レコメンデーションを含むメタデータ – User-Personalization-v2 レシピでは、メタデータの列が 1 つ以上あるアイテムデータセットがある場合、キャンペーンにはレコメンデーション結果にアイテムメタデータを含めるオプションが自動的にあります。キャンペーンのメタデータを手動で有効にすることはできません。メタデータを使用して、映画のジャンルをカルーセルに追加するなど、ユーザーインターフェイスのレコメンデーションを充実させることができます。詳細については、「レコメンデーションの項目メタデータ」を参照してください。

必須およびオプションのデータセット

User-Personalization-v2 を使用するには、アイテムインタラクションデータセットを作成し、少なくとも 1000 個のアイテムインタラクションをインポートする必要があります。Amazon Personalize は、主にアイテムインタラクションデータに基づいてレコメンデーションを生成します。詳細については、「アイテムインタラクションデータ」を参照してください。 User-Personalization-v2 は、アイテムインタラクションとアイテムデータセット全体で最大 500 万のアイテムでトレーニングできます。

User-Personalization-v2 を使用すると、Amazon Personalize は以下を含むアイテムインタラクションデータを使用できます。

• イベントタイプとイベント値データ – Amazon Personalize は、クリックや監視イベントタイプなどのイベントタイプデータを使用して、ユーザーの動作のパターンを通じてユーザーのインテントと関心を特定します。また、イベントタイプとイベント値データを使用して、トレーニング前にレコードをフィルタリングすることもできます。詳細については、「イベントタイプとイベント値のデータ」を参照してください。

  注記

  User-Personalization-v2 の場合、トレーニングコストはイベントタイプまたは値でフィルタリングする前にインタラクションデータに基づきます。料金の詳細については、「Amazon Personalize の料金」を参照してください。

• コンテキストメタデータ – コンテキストメタデータは、場所やデバイスタイプなど、イベント時にユーザーの環境で収集するインタラクションデータです。詳細については、「コンテキストメタデータ」を参照してください。

次のデータセットはオプションであり、推奨事項を改善できます。

• ユーザーデータセット – Amazon Personalize は、ユーザーデータセット内のデータを使用して、ユーザーとその関心をより深く理解できます。ユーザーデータセット内のデータを使用して、レコメンデーションをフィルタリングすることもできます。インポートできるユーザーデータについては、「ユーザーメタデータ」を参照してください。

• アイテムデータセット – Amazon Personalize は、アイテムデータセット内のデータを使用して、その動作の接続とパターンを識別できます。これにより、Amazon Personalize はユーザーとその関心について理解しやすくなります。Items データセット内のデータを使用して、レコメンデーションをフィルタリングすることもできます。インポートできるアイテムデータについては、「アイテムメタデータ」を参照してください。

プロパティおよびハイパーパラメータ

User-Personalization-v2 つのレシピには、次のプロパティがあります。

• 名前 – aws-user-personalization-v2

• レシピ Amazon リソースネーム (ARN） – arn:aws:personalize:::recipe/aws-user-personalization-v2

• アルゴリズム ARN – arn:aws:personalize:::algorithm/aws-user-personalization-v2

詳細については、「レシピの選択」を参照してください。

次の表は、 User-Personalization-v2 つのレシピのハイパーパラメータを示しています。ハイパーパラメータは、モデルパフォーマンスを向上させるために調整できるアルゴリズムパラメータです。アルゴリズムのハイパーパラメータは、モデルの実行方法を制御します。ハイパーパラメータに最適な値を選択するプロセスは、ハイパーパラメータ最適化 () と呼ばれますHPO。 User-Personalization-v2 では、自動トレーニングを有効にすると、Amazon Personalize は 90 日HPOごとに自動的に実行されます。自動トレーニングがないと、 はHPO発生しません。

このテーブルには、各ハイパーパラメータに関する以下の情報が含まれています。

• 範囲: [下限、上限]

• 値のタイプ: 整数、連続 (浮動小数点)、カテゴリ別 (ブール値、リスト、文字列)

名前	説明
アルゴリズムのハイパーパラメータ
apply_recency_bias	モデルがアイテムインタラクションデータセット内の最新のアイテムインタラクションデータにより多くの重みを与えるかどうかを決定します。最新のインタラクションデータには、インタラクションイベントの基盤となるパターンの突然の変化が含まれる場合があります。 最近のイベントにより多くの重みを置くモデルをトレーニングするには、apply_recency_bias を true に設定します。過去のすべてのインタラクションを均等に重み付けするモデルをトレーニングするには、apply_recency_bias を false に設定します。 デフォルト値: true 範囲: true または false 値の型: ブール値 HPO 調整可能: いいえ