Empfehlungen für Empfehlungsmodelle zu Nachrichten in Amazon Pinpoint hinzufügen - Amazon Pinpoint

Hinweis zum Ende des Supports: Am 30. Oktober 2026 AWS wird der Support für Amazon Pinpoint eingestellt. Nach dem 30. Oktober 2026 können Sie nicht mehr auf die Amazon-Pinpoint-Konsole oder die Amazon-Pinpoint-Ressourcen (Endpunkte, Segmente, Kampagnen, Journeys und Analytik) zugreifen. Weitere Informationen finden Sie unter Ende des Amazon-Pinpoint-Supports. Hinweis: APIs In Bezug auf SMS sind Sprach-, mobile Push-, OTP- und Telefonnummernvalidierung von dieser Änderung nicht betroffen und werden von AWS End User Messaging unterstützt.

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.

Empfehlungen für Empfehlungsmodelle zu Nachrichten in Amazon Pinpoint hinzufügen

Um ein Empfehlungsmodell mit Amazon Pinpoint zu verwenden, erstellen Sie zunächst eine Amazon-Personalize-Lösung und stellen diese Lösung als Amazon-Personalize-Kampagne bereit. Anschließend erstellen Sie eine Konfiguration für das Empfehlungsmodell in Amazon Pinpoint. In der Konfiguration geben Sie Einstellungen an, die bestimmen, wie Empfehlungsdaten aus der Amazon-Personalize-Kampagne abgerufen und verarbeitet werden sollen. Dazu gehört auch, ob eine AWS Lambda Funktion aufgerufen werden soll, um die abgerufenen Daten zusätzlich zu verarbeiten.

Amazon Personalize ist ein AWS Service, der Sie bei der Erstellung von ML-Modellen unterstützt, die personalisierte Empfehlungen in Echtzeit für Kunden bereitstellen, die Ihre Anwendungen verwenden. Amazon Personalize führt Sie durch den Prozess der Erstellung und Schulung eines ML-Modells und der anschließenden Vorbereitung und Bereitstellung des Modells als Amazon-Personalize-Kampagne. Sie können dann personalisierte Empfehlungen in Echtzeit aus der Kampagne abrufen. Weitere Informationen zu Amazon Personalize finden Sie im Amazon-Personalize-Entwicklerhandbuch.

AWS Lambda ist ein Rechenservice, mit dem Sie Code ausführen können, ohne Server bereitstellen oder verwalten zu müssen. Sie verpacken Ihren Code und laden ihn AWS Lambda als Lambda-Funktion hoch. AWS Lambda führt dann die Funktion aus, wenn die Funktion aufgerufen wird. Eine Funktion kann manuell von Ihnen, automatisch als Reaktion auf Ereignisse oder als Reaktion auf Anforderungen von Anwendungen oder Diensten, einschließlich Amazon Pinpoint, aufgerufen werden. Informationen zum Erstellen und Abrufen und Lambda-Funktionen finden Sie im AWS Lambda -Entwicklerhandbuch.

Nachdem Sie eine Amazon-Pinpoint-Konfiguration für ein Empfehlungsmodell erstellt haben, können Sie den Nachrichten, die Sie von Kampagnen und Journeys aus senden, Empfehlungen aus dem Modell hinzufügen. Hierfür verwenden Sie Nachrichtenvorlagen, die Nachrichtenvariablen für empfohlene Attribute enthalten. Ein empfohlenes Attribut ist ein dynamisches Endpunkt- oder Benutzerattribut zum Speichern von Empfehlungsdaten. Diese Attribute definieren Sie, wenn Sie die Konfiguration für ein Empfehlungsmodell erstellen.

In den folgenden Arten von Nachrichtenvorlagen können Sie Variablen für empfohlene Attribute verwenden:

  • E-Mail-Vorlagen für E-Mail-Nachrichten, die Sie von Kampagnen oder Journeys senden.

  • Push-Benachrichtigungsvorlagen für Push-Benachrichtigungen, die Sie von Kampagnen senden.

  • SMS-Vorlagen, für SMS-Textnachrichten, die Sie von Kampagnen senden.

Weitere Informationen zur Verwendung von Empfehlungsmodellen mit Amazon Pinpoint, finden Sie unter Machine-Learning-Modelle im Amazon-Pinpoint-Benutzerhandbuch.

Wenn Sie Amazon Pinpoint so konfigurieren, dass eine Lambda-Funktion aufgerufen wird, die Empfehlungsdaten verarbeitet, führt Amazon Pinpoint jedes Mal die folgenden allgemeinen Aufgaben durch, wenn personalisierte Empfehlungen in einer Nachricht für eine Kampagne oder Journey gesendet werden:

  1. Evaluierung und Verarbeitung der Konfigurationseinstellungen und der Inhalte der Nachricht sowie der Nachrichtenvorlage.

  2. Festlegung, dass die Nachrichtenvorlage mit einem Empfehlungsmodell verbunden ist.

  3. Evaluierung der Konfigurationseinstellungen für die Verbindung mit dem Modell und die Verwendung des Modells. Diese werden von der Empfehlungsmodell-Ressource für das Modell definiert.

  4. Erkennen einer oder mehrerer Nachrichtenvariablen für empfohlene Attribute, die über die Konfigurationseinstellungen für das Modell definiert werden.

  5. Abrufen von Empfehlungsdaten aus der Amazon-Personalize-Kampagne, die in den Konfigurationseinstellungen für das Modell angegeben ist. Es verwendet den GetRecommendationsBetrieb der Amazon Personalize Runtime API, um diese Aufgabe auszuführen.

  6. Hinzufügen der entsprechenden Empfehlungsdaten zu einem dynamischen empfohlenen Attribut (RecommendationItems) für jeden Nachrichtenempfänger.

  7. Aufruf Ihrer Lambda-Funktion und Senden der Empfehlungsdaten für die einzelnen Empfänger zur Verarbeitung an diese Funktion.

    Die Daten werden als JSON-Objekt gesendet, das die Endpunktdefinition für jeden Empfänger enthält. Jede Endpunktdefinition enthält ein Feld RecommendationItems, das ein geordnetes Array von 1–5 Werten enthält. Die Anzahl der Werte in dem Array hängt von den Konfigurationseinstellungen für das Modell ab.

  8. Warten, bis Ihre Lambda-Funktion die Daten verarbeitet und die Ergebnisse zurückgibt.

    Die Ergebnisse sind ein JSON-Objekt, das eine aktualisierte Endpunktdefinition für jeden Empfänger enthält. Jede aktualisierte Endpunktdefinition enthält ein neues Recommendations-Objekt. Dieses Objekt enthält 1–10 Felder, eines für jedes benutzerdefinierte empfohlene Attribut, das Sie in den Konfigurationseinstellungen für das Modell definiert haben. In jedem dieser Felder werden erweiterte Empfehlungsdaten für den Endpunkt gespeichert.

  9. Verwendung der aktualisierten Endpunktdefinition für die einzelnen Empfänger, um die einzelnen Nachrichtenvariablen durch den entsprechenden Wert für die betreffenden Empfänger zu ersetzen.

  10. Sendet eine Version der Nachricht, die die personalisierten Empfehlungen für jeden Nachrichtenempfänger enthält.

Um Empfehlungen auf diese Weise anzupassen und zu verbessern, erstellen Sie zunächst eine Lambda-Funktion, die die von Amazon Pinpoint, gesendeten Endpunktdefinitionen verarbeitet und aktualisierte Endpunktdefinitionen zurückgibt. Weisen Sie dann der Funktion eine Lambda-Funktionsrichtlinie zu und autorisieren Sie Amazon Pinpoint, die Funktion aufzurufen. Konfigurieren Sie anschließend das Empfehlungsmodell in Amazon Pinpoint. Wenn Sie das Modell konfigurieren, geben Sie die aufzurufende Funktion an, und definieren Sie die zu verwendenden empfohlenen Attribute.