Die vorliegende Übersetzung wurde maschinell erstellt. Im Falle eines Konflikts oder eines Widerspruchs zwischen dieser übersetzten Fassung und der englischen Fassung (einschließlich infolge von Verzögerungen bei der Übersetzung) ist die englische Fassung maßgeblich.
Semantisches Ähnlichkeitsrezept
Das Semantic-Similary-Rezept (aws-semantic-similarity) generiert basierend auf dem Textinhalt Empfehlungen für Elemente, die einem bestimmten Element semantisch ähnlich sind. Im Gegensatz zu herkömmlichen Ähnlichkeitsrezepten, die auf Interaktionen zwischen Benutzern und Objekten basieren, analysiert dieses Rezept die Textbeschreibungen und Attribute von Elementen, um Einbettungen zu generieren und semantisch ähnliche Elemente zu identifizieren
Dieses Rezept ist ideal für Szenarien, in denen Sie Artikel auf der Grundlage der inhaltlichen Ähnlichkeit empfehlen möchten, z. B. wenn Sie Bücher mit ähnlichen Themen, Artikel zu verwandten Themen oder Produkte mit ähnlichen Beschreibungen empfehlen möchten. Es eignet sich besonders gut für neue Artikel mit begrenzter Interaktionshistorie (Kaltstartszenarien) und für Kataloge, in denen semantische Beziehungen wichtiger sind als Muster des gleichzeitigen Auftretens.
Mit Semantic-Similarity geben Sie in einem GetRecommendationsVorgang (oder in der Amazon Personalize-Konsole) eine Artikel-ID an und Amazon Personalize gibt eine Liste ähnlicher Artikel zurück. Oder Sie können einen Batch-Workflow verwenden, um ähnliche Artikel für alle Artikel in Ihrem Inventar zu erhalten (siehe Empfehlungen für Batch-Artikel abrufen).
Funktionen des Rezepts
Semantic-Similarity verwendet bei der Generierung von Artikelempfehlungen die folgenden Rezeptfunktionen von Amazon Personalize:
-
Personalisierung in Echtzeit — Mit dem Semantic-Similarity Rezept hält Amazon Personalize Ihren Artikelkatalog automatisch auf dem neuesten Stand. Wenn Sie Ihrem Artikeldatensatz neue Artikel hinzufügen oder bestehende Artikelmetadaten aktualisieren, spiegeln sich diese Änderungen innerhalb von etwa 30 Minuten in Ihren Empfehlungen wider, wenn Sie inkrementelles Training verwenden. Dadurch wird sichergestellt, dass Ihren Kunden immer die aktuellsten Artikel in Ihrem Katalog angezeigt werden, ohne dass manuelles Eingreifen erforderlich ist oder ein vollständiger Umschulungszyklus abgewartet werden muss. Dies ist besonders nützlich für Kataloge, die sich häufig ändern, z. B. Nachrichtenartikel, Blogbeiträge oder saisonale Produktangebote. Um inkrementelle Updates zu ermöglichen, müssen Kunden:
-
trueFürperformIncrementalUpdatedie Lösung in der API auf einstellen -
Wählen Sie in der Benutzeroberfläche unter Trainingsmethode entweder die Option „Vollständiges und inkrementelles Training“ oder „Inkrementelles Training“
Beachten Sie, dass bei der Aktivierung inkrementeller Updates zusätzliche Kosten anfallen, wenn ein Update durchgeführt wird.
-
-
Metadaten mit Empfehlungen — Mit dem Rezept „Semantische Ähnlichkeit“ haben Kampagnen automatisch die Möglichkeit, Artikelmetadaten in die Empfehlungsergebnisse einzubeziehen. Sie müssen Metadaten für Ihre Kampagne nicht manuell aktivieren. Sie können Metadaten verwenden, um Empfehlungen in Ihrer Benutzeroberfläche zu erweitern, z. B. um Genres für Filme zu Karussells hinzuzufügen. Weitere Informationen finden Sie unter Elementmetadaten in Empfehlungen.
Erforderliche und optionale Datensätze
Um das Semantic-Similary-Rezept zu verwenden, müssen Sie einen Items-Datensatz erstellen. Amazon Personalize generiert Empfehlungen auf der Grundlage der semantischen Bedeutung von Artikelmetadaten. Weitere Informationen finden Sie unter Artikelmetadaten. Semantische Ähnlichkeit kann anhand von bis zu 10 Millionen Elementen in Ihrem Artikeldatensatz trainiert werden.
Mit Semantic-Similarity benötigt Amazon Personalize Artikeldaten, die Folgendes beinhalten:
-
ItemName-Feld — Ein Zeichenkettenfeld mit der
itemNameEinstellung auftrue. Dieses Feld sollte den Titel oder Namen des Elements enthalten. -
Textbeschreibungsfeld — Mindestens ein als solches markiertes Zeichenfolgenfeld enthält
textualdie Beschreibung des Elements. Dies sollte das Feld sein, das den Artikel am besten beschreibt und repräsentiert.
Amazon Personalize verwendet dieses Feld, um semantische Einbettungen zu generieren, die die Bedeutung und den Inhalt Ihrer Artikel erfassen.
Darüber hinaus sollte das reservierte Feld CREATION_TIMESTAMP festgelegt werden, wenn Sie ein aktuelles Ranking verwenden möchten. Weitere Informationen finden Sie unter Eigenschaften und Hyperparameter.
Die folgenden Datensätze sind optional und können die Empfehlungen verbessern:
-
Interaktions-Datensatz — Amazon Personalize kann Daten in Ihrem Interaktions-Datensatz verwenden, um Beliebtheitswerte basierend auf der Benutzerinteraktion mit Artikeln zu berechnen. Sie können Beliebtheitswerte verwenden, um ähnliche Artikel danach zu ordnen, wie beliebt sie bei Benutzern sind. Sie müssen einen Interactions-Datensatz bereitstellen, wenn Sie ein beliebtheitsbasiertes Ranking verwenden möchten. Sie können auch Daten in einem Interactions-Datensatz verwenden, um Empfehlungen zu filtern. Informationen zu den Interaktionsdaten, die Sie importieren können, finden Sie unter Interaktionsdaten für Artikel
Eigenschaften und Hyperparameter
Das Semantic-Similary-Rezept hat die folgenden Eigenschaften:
-
Name (Name –
aws-semantic-similarity -
Rezept Amazon-Ressourcenname (ARN) —
arn:aws:personalize:::recipe/aws-semantic-similarity -
Algorithmus ARN —
arn:aws:personalize:::algorithm/aws-semantic-similarity -
Merkmalstransformation ARN —
arn:aws:personalize:::feature-transformation/aws-semantic-similarity -
Art des Rezepts —
RELATED_ITEMS
Weitere Informationen finden Sie unter Ein Rezept wählen.
Das Rezept „Semantische Ähnlichkeit“ enthält keine offengelegten Hyperparameter. Sie können jedoch bei der Erstellung einer Kampagne Faktoren für Beliebtheit und Aktualität konfigurieren, um das Ranking ähnlicher Artikel zu beeinflussen.
Die Tabelle enthält die folgenden Informationen für jeden Faktor:
-
Bereich: [Untergrenze, Obergrenze]
-
Werttyp: Ganzzahl, kontinuierlich (float), kategorisch (boolean, Liste, Zeichenfolge)
| Name | Description |
|---|---|
| Frische |
Der Frischefaktor gibt an, wie aktuell ein Artikel ist. Die Aktualität wird berechnet, indem das Alter des Elements anhand seines CREATION_TIMESTAMP normalisiert wird. Um den Frischefaktor verwenden zu können, müssen Sie das Feld CREATION_TIMESTAMP in Ihr Artikel-Dataset-Schema aufnehmen. Bei höheren Werten des Frischefaktors werden neuere Artikel unter den semantisch ähnlichen Empfehlungen priorisiert Standardwert: Reichweite: Wertetyp: Doppelt |
| Beliebtheit |
Der Beliebtheitsfaktor gibt an, wie beliebt ein Artikel auf der Grundlage von Benutzerinteraktionen ist. Die Beliebtheit wird berechnet, indem die Anzahl der Interaktionen, die jeder Artikel erhält, normalisiert wird. Um den Beliebtheitsfaktor verwenden zu können, müssen Sie bei der Erstellung Ihrer Datensatzgruppe einen Interaktions-Datensatz einbeziehen. Bei höheren Werten des Beliebtheitsfaktors werden Artikel mit mehr Kundeninteraktionen unter semantisch ähnlichen Empfehlungen priorisiert. Standardwert: Reichweite: Wertetyp: Doppelt |
Beachten Sie, dass die Werte für Aktualität und Beliebtheit während des Trainings berechnet werden und dass inkrementelle Aktualisierungen die Beliebtheits- und Frischewerte nicht aktualisieren. Damit die neuesten Beliebtheits- und Frischefaktoren die Rangfolge der empfohlenen Artikel beeinflussen, sollten Sie entweder die automatische Umschulung verwenden oder die Lösung manuell neu trainieren und die Kampagne mit der neuen Lösungsversion aktualisieren.
