Passen Sie Ihre Empfehlungen an, indem Sie bestimmte Artikel mithilfe von Geschäftsregeln mit Amazon Personalize

Passen Sie Ihre Empfehlungen an, indem Sie bestimmte Artikel mithilfe von Geschäftsregeln mit Amazon Personalize bewerben

Neuauflage von Plato

15. August 2022

Passen Sie Ihre Empfehlungen an, indem Sie bestimmte Artikel mithilfe von Geschäftsregeln mit Amazon Personalize bewerben

Heute freuen wir uns, dies bekannt zu geben Sonderaktionen Funktion in Amazon Personalize, mit der Sie Ihren Benutzern bestimmte Artikel explizit empfehlen können, basierend auf Regeln, die mit Ihren Geschäftszielen übereinstimmen. Beispielsweise können Sie Marketingpartnerschaften eingehen, bei denen Sie bestimmte Marken, interne Inhalte oder Kategorien bewerben müssen, deren Sichtbarkeit Sie verbessern möchten. Werbeaktionen geben Ihnen mehr Kontrolle über empfohlene Artikel. Sie können Geschäftsregeln definieren, um Werbeartikel zu identifizieren und sie Ihrer gesamten Benutzerbasis ohne zusätzliche Kosten zu präsentieren. Sie steuern auch den Prozentsatz der beworbenen Inhalte in Ihren Empfehlungen. Amazon Personalize findet automatisch die relevanten Artikel innerhalb des Satzes von Werbeartikeln, die Ihrer Geschäftsregel entsprechen, und verteilt sie innerhalb der Empfehlungen jedes Benutzers.

Mit Amazon Personalize können Sie die Kundenbindung verbessern, indem Sie personalisierte Produkt- und Inhaltsempfehlungen in Websites, Anwendungen und gezielten Marketingkampagnen unterstützen. Sie können ohne vorherige Erfahrung mit maschinellem Lernen (ML) loslegen und APIs verwenden, um mit wenigen Klicks auf einfache Weise ausgefeilte Personalisierungsfunktionen zu erstellen. Alle Ihre Daten werden verschlüsselt, um privat und sicher zu sein, und werden nur verwendet, um Empfehlungen für Ihre Benutzer zu erstellen.

In diesem Beitrag zeigen wir, wie Sie Ihre Empfehlungen mit der neuen Aktionsfunktion für einen E-Commerce-Anwendungsfall anpassen können.

Lösungsüberblick

Verschiedene Unternehmen können Werbeaktionen basierend auf ihren individuellen Zielen für die Art von Inhalten verwenden, für die sie das Engagement erhöhen möchten. Sie können Werbeaktionen verwenden, um einen Prozentsatz Ihrer Empfehlungen für eine beliebige Anwendung unabhängig von der Domäne von einem bestimmten Typ zu machen. In E-Commerce-Anwendungen können Sie diese Funktion beispielsweise verwenden, um 20 % der empfohlenen Artikel als im Angebot markiert oder von einer bestimmten Marke oder Kategorie zu kennzeichnen. Für Video-on-Demand-Anwendungsfälle können Sie diese Funktion verwenden, um 40 % eines Karussells mit neu gestarteten Shows und Filmen zu füllen, die Sie hervorheben möchten, oder um Live-Inhalte zu bewerben. Sie können Werbeaktionen in verwenden Domänen-Dataset-Gruppen und benutzerdefinierte Datensatzgruppen (Benutzer-Personalisierung und Ähnliche Gegenstände Rezepte).

Amazon Personalize macht das Konfigurieren von Werbeaktionen einfach: Erstellen Sie zunächst einen Filter, der die Artikel auswählt, die Sie bewerben möchten. Sie können die Amazon Personalize-Konsole oder API verwenden, um einen Filter mit Ihrer Logik zu erstellen, indem Sie die Amazon Personalize DSL (domänenspezifische Sprache) verwenden. Es dauert nur wenige Minuten. Geben Sie dann beim Anfordern von Empfehlungen die Werbeaktion an, indem Sie den Filter, den Prozentsatz der Empfehlungen, die diesem Filter entsprechen sollten, und, falls erforderlich, die dynamischen Filterparameter angeben. Die beworbenen Artikel werden zufällig in den Empfehlungen verteilt, aber vorhandene Empfehlungen werden nicht entfernt.

Das folgende Diagramm zeigt, wie Sie Werbeaktionen in Empfehlungen in Amazon Personalize verwenden können.

Sie definieren die zu bewerbenden Artikel im Katalogsystem, laden sie in den Artikeldatensatz von Amazon Personalize und erhalten dann Empfehlungen. Wenn Sie Empfehlungen erhalten, ohne ein Angebot anzugeben, werden die relevantesten Artikel zurückgegeben, und in diesem Beispiel nur ein Artikel aus den beworbenen Artikeln. Es gibt keine Garantie für die Rückgabe von beworbenen Artikeln. Wenn Sie Empfehlungen mit 50 % beworbenen Artikeln erhalten, wird die Hälfte der Artikel zurückgegeben, die zu den beworbenen Artikeln gehören.

Dieser Beitrag führt Sie durch den Prozess zum Definieren und Anwenden von Werbeaktionen in Ihren Empfehlungen in Amazon Personalize, um sicherzustellen, dass die Ergebnisse einer Kampagne oder eines Empfehlungsprogramms bestimmte Artikel enthalten, die Benutzer sehen sollen. Für dieses Beispiel erstellen wir einen Recommender für den Einzelhandel und werben damit für Artikel CATEGORY_L2 as halloween, was Halloween-Dekorationen entspricht. Ein Codebeispiel für diesen Anwendungsfall ist unter verfügbar GitHub.

Voraussetzungen:

Um Werbeaktionen zu nutzen, richten Sie zunächst einige Amazon Personalize-Ressourcen in der Amazon Personalize-Konsole ein. Erstellen Sie Ihre Dataset-Gruppe, laden Sie Ihre Daten und trainieren Sie einen Recommender. Vollständige Anweisungen finden Sie unter Erste Schritte.

Erstellen Sie eine Datensatzgruppe.

Erstellen Sie ein Interactions Datensatz mit dem folgenden Schema:

{
    "type": "record",
    "name": "Interactions",
    "namespace": "com.amazonaws.personalize.schema",
    "fields": [
        {
            "name": "USER_ID",
            "type": "string"
        },
        {
            "name": "ITEM_ID",
            "type": "string"
        },
        {
            "name": "TIMESTAMP",
            "type": "long"
        },
        {
            "name": "EVENT_TYPE",
            "type": "string"
        }
    ],
    "version": "1.0"
}

Importieren Sie die Interaktionsdaten zu Amazon Personalisieren von Amazon Simple Storage-Service (Amazon S3). Für dieses Beispiel verwenden wir Folgendes Datendatei. Wir haben die synthetischen Daten basierend auf dem Code in generiert Einzelhandels-Demo-Store-Projekt. Weitere Informationen zu den Daten und möglichen Verwendungszwecken finden Sie im GitHub-Repo.

Erstellen Sie ein Items Datensatz mit dem folgenden Schema:

{
    "type": "record",
    "name": "Items",
    "namespace": "com.amazonaws.personalize.schema",
    "fields": [
        {
            "name": "ITEM_ID",
            "type": "string"
        },
        {
            "name": "PRICE",
            "type": "float"
        },
        {
            "name": "CATEGORY_L1",
            "type": ["string"],
            "categorical": true
        },
        {
            "name": "CATEGORY_L2",
            "type": ["string"],
            "categorical": true
        },
        {
            "name": "GENDER",
            "type": ["string"],
            "categorical": true
        }
    ],
    "version": "1.0"
}

Importieren Sie die Artikeldaten von Amazon S3 in Amazon Personalize. Für dieses Beispiel verwenden wir Folgendes Datendatei, basierend auf dem Code in der Einzelhandels-Demo-Store-Projekt.Weitere Informationen zum Formatieren und Importieren Ihrer Interaktionen und Artikeldaten aus Amazon S3 finden Sie unter Massendatensätze importieren.
Erstellen Sie einen Empfehlungsgeber. In diesem Beispiel erstellen wir eine „Für Sie empfohlen“-Recommender.

Erstellen Sie einen Filter für Ihre Werbeaktionen

Nachdem Sie Ihre Amazon Personalize-Ressourcen eingerichtet haben, können Sie eine Filter die die Artikel für Ihre Aktion auswählt.

Sie können einen statischen Filter erstellen, bei dem alle Variablen bei der Filtererstellung fest codiert werden. Zum Beispiel, um alle Elemente hinzuzufügen, die haben CATEGORY_L2 as halloween, verwenden Sie den folgenden Filterausdruck:

INCLUDE ItemID WHERE Items.CATEGORY_L2 IN ("halloween")

Sie können auch dynamische Filter erstellen. Dynamische Filter sind in Echtzeit anpassbar, wenn Sie die Empfehlungen anfordern. Um einen dynamischen Filter zu erstellen, definieren Sie Ihre Filterausdruckskriterien mithilfe eines Platzhalterparameters anstelle eines festen Werts. Auf diese Weise können Sie die zu filternden Werte auswählen, indem Sie einen Filter auf eine Empfehlungsanfrage anwenden, anstatt Ihren Ausdruck zu erstellen. Sie stellen einen Filter bereit, wenn Sie die aufrufen Empfehlungen abrufen or GetPersonalizedRanking API-Vorgänge oder als Teil Ihrer Eingabedaten beim Generieren von Empfehlungen im Batch-Modus über a Batch-Inferenz-Job.

Um beispielsweise alle Elemente in einer ausgewählten Kategorie auszuwählen, wenn Sie Ihren Inferenzanruf mit angewendetem Filter tätigen, verwenden Sie den folgenden Filterausdruck:

INCLUDE ItemID WHERE Items.CATEGORY_L2 IN ($CATEGORY)

Mit dem vorhergehenden DSL können Sie einen anpassbaren Filter auf der Amazon Personalize-Konsole erstellen. Führen Sie die folgenden Schritte aus:

Auf der Amazon Personalize-Konsole auf der Filter Seite wählen Filter erstellen.
Aussichten für Filtern Sie den Namen, geben Sie den Namen für Ihren Filter ein (für diesen Beitrag geben wir ein category_filter).
Auswählen Ausdruck erstellen oder fügen Sie Ihren Ausdruck manuell hinzu, um Ihren benutzerdefinierten Filter zu erstellen.
Erstellen Sie den Ausdruck „Include ItemID WO Items.CATEGORY_L2 IN $CATEGORY"Für Wert, geben Sie einen Wert von ein $ plus einen Parameternamen, der Ihrem Eigenschaftsnamen ähnelt und leicht zu merken ist (für dieses Beispiel $CATEGORY).
Um optional weitere Ausdrücke mit Ihrem Filter zu verketten, wählen Sie das Pluszeichen.
Um zusätzliche Filterausdrücke hinzuzufügen, wählen Sie Ausdruck hinzufügen.
Auswählen Filter erstellen.

Sie können Filter auch über das erstellen createFilter API in Amazon Personalisieren. Weitere Informationen finden Sie unter Filter erstellen.

Werbeaktionen auf Ihre Empfehlungen anwenden

Anwendung eines Filter beim Abrufen von Empfehlungen ist eine gute Möglichkeit, Ihre Empfehlungen auf bestimmte Kriterien zuzuschneiden. Die Verwendung von Filtern wendet den Filter jedoch direkt auf alle zurückgegebenen Empfehlungen an. Bei der Verwendung von Werbeaktionen können Sie auswählen, welcher Prozentsatz der Empfehlungen den beworbenen Artikeln entspricht, sodass Sie personalisierte Empfehlungen und die besten Artikel, die den Werbekriterien entsprechen, für jeden Benutzer in den Anteilen mischen und abgleichen können, die für Ihren geschäftlichen Anwendungsfall sinnvoll sind.

Der folgende Beispielcode ist ein Anforderungshauptteil für die GetRecommendations API, die Empfehlungen für einen Benutzer erhält, der die verwendet "Für dich empfohlen" Empfehlung:

{
    "recommenderArn" = "arn:aws:personalize:us-west-2:000000000000:recommender/test-recommender",
    userId = "1",
    numResults = 20
}

Diese Anfrage gibt personalisierte Empfehlungen für den angegebenen Benutzer zurück. Von den Artikeln im Katalog sind dies die 20 relevantesten Artikel für den Benutzer.

Wir können denselben Aufruf ausführen und einen Filter anwenden, um nur Elemente zurückzugeben, die dem Filter entsprechen. Der folgende Beispielcode ist ein Anforderungstext für die GetRecommendations API, die Empfehlungen für einen Benutzer erhält, der den Recommended for You-Recommender verwendet und a anwendet dynamischer Filter nur relevante Artikel zurückzugeben, die haben CATEGORY_L2 as halloween:

{
    "recommenderArn" = "arn:aws:personalize:us-west-2:000000000000:recommender/test-recommender",
    userId = "1",
    numResults = 20,
    filterArn = "arn:aws:personalize:us-west-2:000000000000:filter/category_filter",
    filterValues={ "CATEGORY": ""halloween""}
}

Diese Anfrage gibt personalisierte Empfehlungen für den angegebenen Benutzer zurück CATEGORY_L2 as halloween. Von den Artikeln im Katalog sind dies die 20 relevantesten Artikel mit CATEGORY_L2 as halloween für den Benutzer.

Sie können Werbeaktionen verwenden, wenn Sie möchten, dass ein bestimmter Prozentsatz der Artikel ein Attribut aufweist, das Sie bewerben möchten, und der Rest Artikel sind, die für diesen Benutzer von allen Artikeln im Katalog am relevantesten sind. Wir können den gleichen Anruf tätigen und eine Beförderung beantragen. Der folgende Beispielcode ist ein Anforderungstext für die GetRecommendations API, die Empfehlungen für einen Benutzer erhält, der den Recommended for You-Recommender verwendet, und eine Werbeaktion anwendet, um einen bestimmten Prozentsatz relevanter Artikel einzubeziehen, die haben CATEGORY_L2 as halloween:

{
    recommenderArn = "arn:aws:personalize:us-west-2:000000000000:recommender/test-recommender",
    userId = "1",
    numResults = 20,
    promotions = [{
        "name" : "halloween_promotion",
        "percentPromotedItems" : 20,
        "filterArn": "arn:aws:personalize:us-west-2:000000000000:filter/category_filter",
        "filterValues": {
            "CATEGORY" : ""halloween""
        }
    }]
}

Diese Anfrage gibt 20 % der Empfehlungen zurück, die dem in der Werbeaktion angegebenen Filter entsprechen: Artikel mit CATEGORY_L2 as halloween; und 80 % personalisierte Empfehlungen für den angegebenen Benutzer, die aus den Artikeln im Katalog die relevantesten Artikel für den Benutzer sind.

Sie können einen Filter in Kombination mit Werbeaktionen verwenden. Der Filter im Parameterblock der obersten Ebene gilt nur für die nicht beworbenen Artikel.

Der Filter zur Auswahl der beworbenen Artikel ist in angegeben promotions Parameterblock. Der folgende Beispielcode ist ein Anforderungstext für die GetRecommendations API, die Empfehlungen für einen Benutzer erhält, der den Recommended for You-Recommender verwendet und den dynamischen Filter verwendet, den wir zweimal verwendet haben. Der erste Filter gilt für nicht beworbene Artikel, die Auswahl von Artikeln mit CATEGORY_L2 as decorative, und der zweite Filter gilt für das Angebot und bewirbt Artikel mit CATEGORY_L2 as halloween:

{
    recommenderArn = "arn:aws:personalize:us-west-2:000000000000:recommender/test-recommender",
    userId = "1",
    numResults = 20,
    "filterArn": "arn:aws:personalize:us-west-2:000000000000:filter/category_filter",
    "filterValues": {
        "CATEGORY" : ""decorative""
    }
    promotions = [{
        "name" : "halloween_promotion",
        "percentPromotedItems" : 20,
        "filterArn": "arn:aws:personalize:us-west-2:000000000000:filter/category_filter",
        "filterValues": {
            "CATEGORY" : ""halloween""
        }
    }]
}

Diese Anfrage gibt 20 % der Empfehlungen zurück, die dem in der Werbeaktion angegebenen Filter entsprechen: Artikel mit CATEGORY_L2 as halloween. Die restlichen 80 % der empfohlenen Artikel sind personalisierte Empfehlungen für den angegebenen Benutzer mit CATEGORY_L2 as decorative. Dies sind die relevantesten Artikel für den Benutzer aus den Artikeln im Katalog mit CATEGORY_L2 as decorative.

Aufräumen

Stellen Sie sicher, dass Sie alle ungenutzten Ressourcen bereinigen, die Sie in Ihrem Konto erstellt haben, während Sie die in diesem Beitrag beschriebenen Schritte befolgen. Sie können Filter, Empfehlungsgeber, Datensätze und Datensatzgruppen über löschen AWS-Managementkonsole oder mit dem Python-SDK.

Zusammenfassung

Hinzufügen Promotions in Amazon Personalize können Sie Ihre Empfehlungen für jeden Benutzer anpassen, indem Sie Artikel hinzufügen, für die Sie die Sichtbarkeit und das Engagement explizit erhöhen möchten. Mit Werbeaktionen können Sie auch angeben, welcher Prozentsatz der empfohlenen Artikel beworbene Artikel sein sollen, wodurch die Empfehlungen ohne zusätzliche Kosten an Ihre Geschäftsziele angepasst werden. Sie können Werbeaktionen für Empfehlungen verwenden, indem Sie die Rezepte für Benutzerpersonalisierung und ähnliche Artikel sowie anwendungsfalloptimierte Empfehlungsfunktionen verwenden.

Weitere Informationen zu Amazon Personalize finden Sie unter Was ist Amazon Personalize?

Über die Autoren

Anna Grübler ist Lösungsarchitekt bei AWS.

Alex Burkleaux ist Lösungsarchitekt bei AWS. Sie konzentriert sich darauf, Kunden dabei zu helfen, maschinelles Lernen und Datenanalysen anzuwenden, um Probleme in der Medien- und Unterhaltungsbranche zu lösen. In ihrer Freizeit verbringt sie gerne Zeit mit ihrer Familie und engagiert sich ehrenamtlich als Skipatrouille auf ihrem örtlichen Skihang.

Liam Morrison ist Solutions Architect Manager bei AWS. Er leitet ein Team, das sich auf Marketing Intelligence Services konzentriert. Er hat sich in den letzten 5 Jahren auf praktische Anwendungen des maschinellen Lernens in Medien und Unterhaltung konzentriert und Kunden bei der Implementierung von Personalisierung, Verarbeitung natürlicher Sprache, Computer Vision und mehr unterstützt.

Generative Datenintelligenz