Amazon Personalize
개발자 안내서

미리 정의된 레시피 사용

Amazon Personalize에서는 모델을 교육시키는 미리 정의된 레시피를 제공합니다. 이러한 레시피를 사용하면 기계 학습 경험이 없어도 개인 설정 시스템을 만들 수 있습니다.

이러한 레시피는 데이터의 미리 정의된 속성, 미리 정의된 기능 변환, 미리 정의된 알고리즘 및 알고리즘용 초기 파라미터를 사용합니다. 솔루션 생성 시 이들 파라미터 중 상당수를 재정의할 수 있습니다.

Amazon Personalize에서는 입력 데이터 분석에 따라 가장 적합한 HRNN 레시피(performAutoML)를 자동으로 선택할 수 있습니다. 또한, 경험에 따라 특정 레시피를 선택할 수 있습니다. 아래 설명된 바와 같이 각 레시피마다 고유한 사용 사례가 있으며, 요구에 가장 적합한 레시피를 선택해야 합니다.

Amazon Personalize 콘솔에서 사용 가능한 레시피 목록을 보거나 ListRecipes API를 호출하여 레시피를 목록으로 나열할 수 있습니다. DescribeRecipe API를 호출하면 특정 레시피에 관한 정보를 얻을 수 있습니다.

Amazon Personalize는 3가지 유형의 레시피를 제공합니다. 작동 차이 외에도, 다음 표에서처럼 각 유형마다 권장 요구 사항이 서로 다릅니다.

레시피 유형 API userId itemId inputList
USER_PERSONALIZATION GetRecommendations 필수 선택 사항 NA
PERSONALIZED_RANKING GetPersonalizedRanking 필수 NA itemId 목록
RELATED_ITEMS GetRecommendations 사용되지 않음 필수 NA

미리 정의된 레시피

Amazon Personalize에서는 레시피 유형별로 나열된 다음과 같은 미리 정의된 레시피를 제공합니다.

USER_PERSONALIZATION 레시피

사용자가 상호 작용할 항목을 예측합니다.

HRNN^

사용자-항목 상호 작용의 시간적 순서를 모델링할 수 있는 계층 적 반복 신경망입니다.

사용자 동작이 시간에 따라 변경될 때(진화 의도 문제) 권장됩니다.

HRNN-Metadata^*

사용자 및 항목 메타데이터(사용자 및 항목 데이터 세트)와 함께 상황별 메타데이터(상호 작용 데이터 세트)에서 파생된 추가 기능이 포함된 HRNN입니다. 교육 데이터는 하나 이상의 데이터 세트에 있는 메타데이터를 포함해야 합니다.

고품질 메타데이터를 사용할 수 있을 때 비 메타데이터 모델보다 성능이 더 좋습니다. 장기 교육 시간이 수반될 수 있습니다.

HRNN-Coldstart^*

HRNN 메타데이터와 비슷하게 새 항목들을 개인 설정에 따라 탐색합니다. 교육 데이터를 제공하는 데이터 세트 그룹은 항목 데이터 세트를 포함해야 합니다.

카탈로그에 새 항목을 자주 추가하며 항목을 권장 사항에 즉시 표시하려는 경우에 권장됩니다.

Popularity-Count

사용자-항목 상호 작용 데이터 세트에서 해당 항목에 대한 이벤트 수를 기반으로 항목의 인기도를 계산합니다.

다른 사용자-개인화 레시피를 비교할 때 기준으로 사용합니다.

PERSONALIZED_RANKING 레시피

결과를 개인 설정합니다.

맞춤화된 순위

검색 결과 또는 선별된 목록의 개인 설정된 순위 재결정과 같이 사용자의 결과를 개인 설정할 때 이 레시피를 사용하십시오.

RELATED_ITEMS 레시피

주어진 항목과 유사한 항목들을 예측합니다.

SIMS

항목 간 유사점(Item-to-item Similarities, SIMS)은 사용자-항목 상호 작용 데이터 세트의 사용자 기록에 있는 해당 항목의 동시 발생에 근거하여 주어진 항목과 유사한 항목들을 생성합니다. 항목에 대한 사용자 동작 데이터가 충분하지 않거나 지정된 항목 ID를 찾을 수 없는 경우, 알고리즘은 인기 항목을 권장 사항으로 반환합니다.

세부 정보 페이지에서 사용하거나 항목 검색 가능성을 개선하는 데 사용합니다. 빠른 성능을 제공합니다.

^ Amazon Personalize에서 AutoML 수행 시 이러한 레시피를 검사합니다.

* 메타데이터 모델: 이러한 레시피는 사용자 상호 작용 데이터 및 메타데이터 모두에 대해 훈련시킵니다. 자세한 내용은 데이터 세트 및 스키마 단원을 참조하십시오.

이 페이지에서: