Amazon Personalize
開発者ガイド

事前定義済みレシピの使用

Amazon Personalize には、モデルをトレーニングするための事前定義済みレシピが用意されています。これにより、機械学習の経験がなくても、パーソナライゼーションシステムを作成できます。

これらのレシピでは、データの事前定義済み属性、事前定義済み機能変換、事前定義済みアルゴリズム、およびアルゴリズムの初期パラメータを使用します。これらのパラメータの多くは、ソリューションの作成時に上書きできます。

Amazon Personalizeでは、入力データの分析に基づいて最適な HRNN レシピ (performAutoML) を自動的に選択できます。または、各自の経験に基づいて、特定のレシピを自分で選択することもできます。以下で説明するように、レシピごとにユースケースが異なるため、ニーズに最適なレシピを選択する必要があります。

利用可能なレシピのリストは、Amazon Personalize コンソールで表示するか、ListRecipes API を呼び出してレシピを一覧表示することができます。特定のレシピに関する情報を取得するには、DescribeRecipe API を呼び出します。

Amazon Personalize には、3 種類のレシピが用意されています。次の表に示すように、各タイプは、動作が異なるほかにレコメンデーションを取得する要件が異なります。

レシピタイプ API userId itemId inputList
USER_PERSONALIZATION GetRecommendations 必須 省略可能 NA
PERSONALIZED_RANKING GetPersonalizedRanking 必須 NA itemId のリスト
RELATED_ITEMS GetRecommendations 使用しない 必須 NA

事前定義済みレシピ

Amazon Personalize の事前定義済みレシピをタイプ別に以下に示します。

USER_PERSONALIZATION レシピ

ユーザーがやり取りするアイテムを予測します。

HRNN^

階層的なリカレントニューラルネットワーク。ユーザーとアイテムのインタラクションの一時順序をモデル化できます。

ユーザーの行動が時間の経過に伴って変化する場合に推奨 (進化していくインテントの問題)。

HRNN-Metadata^*

コンテキストメタデータ (インタラクションデータセット) とユーザーとアイテムのメタデータ (ユーザーとアイテムのデータセット) から派生した追加機能を持つ HRNN。少なくとも 1 つのデータセットのトレーニングデータにメタデータが含まれている必要があります。

高品質のメタデータが使用できる場合は、メタデータ以外のモデルよりパフォーマンスが向上。トレーニング時間が長びく可能性がある。

HRNN-Coldstart^*

新しいアイテムのパーソナライズされた探索を伴う HRNN メタデータに似ています。トレーニングデータを提供するデータセットグループには、アイテムデータセットが含まれている必要があります。

カタログに新しいアイテムを追加する頻度が高く、アイテムを推奨事項に即座に表示する場合に推奨されます。

Popularity-Count

ユーザーとアイテムのインタラクションデータセット内のそのアイテムに対するイベントの数に基づき、アイテムの人気度を計算します。

他のユーザーパーソナライゼーションレシピを比較するためのベースラインとして使用します。

PERSONALIZED_RANKING レシピ

結果をパーソナライズします。

Personalized-Ranking

このレシピは、ユーザーの結果をパーソナライズする際に使用します (例: 検索結果または選別リストのパーソナライズされた再ランク付け)。

RELATED_ITEMS レシピ

与えられたアイテムに類似するアイテムを予測します。

SIMS

アイテム間の類似度 (SIMS) は、ユーザーとアイテムのインタラクションデータセット内のユーザー履歴内のアイテムの共起に基づいて、特定のアイテムに類似したアイテムを生成します。アイテムに関するユーザーの行動が不足している場合、または指定されたアイテム ID が見つからない場合、このアルゴリズムは一般的なアイテムをレコメンデーションとして返します。

アイテムの検出可能性を高めるために詳細ページで使用高速なパフォーマンスを提供します。

^ Amazon Personalize は AutoML の実行時にこれらのレシピを調査します。

* メタデータモデル: これらのレシピは、インタラクションデータとメタデータの両方をトレーニングします。詳細については、「データセットとスキーマ」を参照してください。

このページの内容: