Las traducciones son generadas a través de traducción automática. En caso de conflicto entre la traducción y la version original de inglés, prevalecerá la version en inglés.

Optimización de una solución con la configuración de eventos

Si utiliza la receta Personalization-v2 o Personalized-Ranking-v2, puede optimizar una solución de Amazon Personalize con una configuración de eventos.

Con las recetas de recomendación de elementos, el objetivo principal de Amazon Personalize es predecir los artículos más relevantes para sus usuarios en función de los datos históricos y en tiempo real de las interacciones con artículos. Sin embargo, la interacción puede incluir información adicional; por ejemplo, si un usuario ha hecho clic en un artículo determinado o si lo ha comprado. Puede registrarlo grabando el tipo del evento (Datos de valor de evento y tipo de evento). Al configurar una solución, puede hacer que asigne ponderaciones distintas a los diferentes tipos de evento de interacción. Por ejemplo, puede configurar una solución para dar más peso a los eventos de purchase que a los de click.

Para que una solución asigne diferentes ponderaciones a los distintos tipos de evento, al configurar los eventos de la solución, debe especificar los tipos de evento y sus ponderaciones correspondientes. Además, puede definir un umbral de valor de evento para excluir las interacciones que tengan un valor de evento inferior a ese umbral. Por ejemplo, si los datos EVENT_VALUE de los eventos con un EVENT_TYPE de ver son el porcentaje de un vídeo que ha visto un usuario, si establece el umbral del valor del evento en 0,5 y el tipo de evento en ver, Amazon Personalize entrena el modelo utilizando únicamente eventos de interacción ver con un EVENT_VALUE superior o igual a 0,5.

Las ponderaciones asociadas a los tipos de evento determinarán su importancia. Un tipo de evento con mayor ponderación hará que sea más probable que el modelo entrenado recomiende un artículo con el que se interactuaría con ese tipo de evento. Por ejemplo, si ha especificado "compra" con una ponderación mayor que "clic" y el modelo ha aprendido que, según su historial de interacciones, un usuario haría clic en el artículo B o compraría el artículo C, el modelo clasificará el artículo C en una posición más alta.

Para optimizar una solución con la configuración de eventos, cree una nueva solución con la receta User-Personalization-v2 o Personalized-Ranking-v2 y especifique una configuración de eventos. También puede actualizar una solución existente (Actualización de una solución para cambiar la configuración de entrenamiento automático) con una configuración de eventos.

Puede usar la consola de Amazon Personalize, AWS Command Line Interface (AWS CLI) o los SDK de AWS. Para obtener información sobre el uso de la consola de Amazon Personalize, consulte Creación de una solución (consola).

Directrices y requisitos

Estas son las directrices y requisitos detallados de la configuración de eventos:

Medición del rendimiento con la configuración de ponderación de eventos

Cuando crea una versión de una solución (entrena un modelo) con una configuración de eventos, Amazon Personalize genera una métrica normalized_discounted_cumulative_gain_with_event_weights_at_k. La puntuación de normalized_discounted_cumulative_gain_with_event_weights_at_k indica lo bien que funciona la versión de la solución teniendo en cuenta la ponderación que haya establecido para cada tipo de evento.

Esta métrica es similar a la ganancia acumulada descontada normalizada (NCDG) en K, pero se ponderará la recompensa por cada predicción correcta. Por el contrario, en el NDCG original en K, cada predicción correcta tendrá una ponderación de 1. Por ejemplo, si "compra" tiene una ponderación de 0,3 y "clic" una ponderación de 0,1, la recompensa por pronosticar correctamente la "compra" del artículo será 1,5, mientras que si se predice "clic", la recompensa será de 0,5.

Para obtener más información sobre la generación de métricas, consulte Evaluación de una versión de solución de Amazon Personalize con métricas.

Optimización de una solución (AWS CLI)

Puede optimizar la configuración de eventos con la receta User-Personalization-v2 o Personalized-Ranking-v2.

Para optimizar una solución con la configuración de eventos mediante la AWS CLI, cree una nueva solución y especifique los detalles de la configuración de eventos con la clave eventsConfig en el objeto solutionConfig. El evento eventsConfig tiene una clave de eventParametersList con la que puede especificar hasta 10 eventParameters. Cada eventParameter tiene los siguientes campos:

A continuación, se muestra un ejemplo del comando de la AWS CLI create-solution. Reemplace solution name, dataset group arn y recipe arn por los suyos.

aws personalize create-solution \
--name solution name \
--dataset-group-arn dataset group arn \
--recipe-arn recipe arn \
--solution-config "{\"eventsConfig\":{\"eventParametersList\":[{\"eventType\":\"Purchase\", \"eventValueThreshold\":0.1, \"weight\":0.3}, {\"eventType\":\"Click\", \"weight\":0.1}]}"

Cuando la solución esté lista, cree una nueva versión de la solución (para ver un ejemplo de comando, consulte Creación de una solución (AWS CLI)). Una vez que haya creado una versión de la solución, podrá ver el rendimiento de la optimización con las métricas de la versión de la solución. Consulte Medición del rendimiento de optimización.

Optimización de una solución (SDK de AWS)

Puede optimizar la configuración de eventos con la receta User-Personalization-v2 o Personalized-Ranking-v2.

Para optimizar una solución con la configuración de eventos mediante los SDK de AWS, cree una solución y especifique los detalles de la configuración de eventos con la clave eventsConfig en el objeto solutionConfig. El evento eventsConfig tiene una clave de eventParametersList con la que puede especificar hasta 10 eventParameters. Cada eventParameter tiene los siguientes campos:

SDK for Python (Boto3)

import boto3

personalize = boto3.client('personalize')

create_solution_response = personalize.create_solution(
    name= 'solution name', 
    recipeArn = 'recipe arn', 
    datasetGroupArn = 'dataset group arn',
    solutionConfig = {
       "eventsConfig": {
          "eventParametersList": [
             {"eventType":"Purchase", 
              "eventValueThreshold":0.1, 
              "weight":0.3}, 
             {"eventType":"Click", 
              "weight":0.1}
          ]
       }
    }
)
solution_arn = create_solution_response['solutionArn']
print('solution_arn: ', solution_arn)

SDK for Java 2.x

public static String createPersonalizeSolution(PersonalizeClient personalizeClient, 
							  String datasetGroupArn, 
							  String solutionName, 
							  String recipeArn,
							  ) {
    
try {
    EventsConfig eventsConfig = EventsConfig.builder()
        .eventsParameterList(eventsParameterList)
        .build();

    SolutionConfig solutionConfig = SolutionConfig.builder()
        .eventsConfig(eventsConfig)
        .build();

    CreateSolutionRequest solutionRequest = CreateSolutionRequest.builder()
        .name(solutionName)
        .datasetGroupArn(datasetGroupArn)
        .recipeArn(recipeArn)
        .solutionConfig(solutionConfig)
        .build();

    CreateSolutionResponse solutionResponse = personalizeClient.createSolution(solutionRequest);
    
    return solutionResponse.solutionArn();

} catch (PersonalizeException e) {
    System.err.println(e.awsErrorDetails().errorMessage());
    System.exit(1);
}
return "";

Cuando la solución esté lista, cree una nueva versión de la solución (para ver un ejemplo de comando, consulte Creación de una solución (SDK de AWS)). Una vez que haya creado una versión de la solución, podrá ver el rendimiento de la optimización con las métricas de la versión de la solución. Consulte Medición del rendimiento de optimización.