Le traduzioni sono generate tramite traduzione automatica. In caso di conflitto tra il contenuto di una traduzione e la versione originale in Inglese, quest'ultima prevarrà.
Ricetta di somiglianza semantica
La ricetta Semantic-Similarity (aws-semantic-similarity) genera consigli per elementi semanticamente simili a un determinato elemento in base al contenuto testuale. A differenza delle tradizionali ricette di somiglianza che si basano sulle interazioni tra utenti e elementi, questa ricetta analizza le descrizioni e gli attributi testuali degli elementi per generare incorporamenti e identificare elementi semanticamente simili
Questa ricetta è ideale per gli scenari in cui desideri consigliare articoli in base alla somiglianza dei contenuti, ad esempio consigliare libri con temi simili, articoli su argomenti correlati o prodotti con descrizioni simili. Funziona particolarmente bene per i nuovi elementi con una cronologia di interazioni limitata (scenari con avvio a freddo) e per i cataloghi in cui le relazioni semantiche sono più importanti dei modelli di co-occorrenza.
Con Semantic-Similarity, fornisci un ID articolo in un'GetRecommendationsoperazione (o nella console Amazon Personalize) e Amazon Personalize restituisce un elenco di articoli simili. Oppure puoi utilizzare un flusso di lavoro in batch per ottenere articoli simili per tutti gli articoli del tuo inventario (vedi Ottenere consigli sugli articoli in batch).
Argomenti
Caratteristiche della ricetta
Semantic-Similarity utilizza le seguenti funzionalità delle ricette di Amazon Personalize per generare consigli sugli articoli:
-
Personalizzazione in tempo reale: con la ricetta della somiglianza semantica, Amazon Personalize mantiene automaticamente aggiornato il catalogo degli articoli. Quando aggiungi nuovi articoli al set di dati Items o aggiorni i metadati degli articoli esistenti, queste modifiche si riflettono nei consigli entro circa 30 minuti se utilizzi la formazione incrementale. Ciò garantisce che i clienti vedano sempre gli articoli più aggiornati disponibili nel catalogo senza richiedere interventi manuali o attendere un ciclo completo di riqualificazione. Ciò è particolarmente utile per i cataloghi che cambiano frequentemente, come articoli di notizie, post di blog o offerte di prodotti stagionali. Per abilitare gli aggiornamenti incrementali, i clienti devono:
-
Impostato
performIncrementalUpdatesutrueper la soluzione nell'API -
Scegli l'opzione «Formazione completa e incrementale» o «Formazione incrementale» in Metodo di allenamento nell'interfaccia utente
Tieni presente che l'abilitazione degli aggiornamenti incrementali comporterà costi aggiuntivi ogni volta che viene eseguito un aggiornamento.
-
-
Metadati con consigli: con la ricetta della somiglianza semantica, le campagne hanno automaticamente la possibilità di includere i metadati degli articoli nei risultati delle raccomandazioni. Non hai abilitato manualmente i metadati per la tua campagna. Puoi utilizzare i metadati per arricchire i consigli nella tua interfaccia utente, ad esempio per aggiungere i generi dei film ai caroselli. Per ulteriori informazioni, consulta Metadati degli articoli nei consigli.
Set di dati obbligatori e facoltativi
Per utilizzare la ricetta Semantic-Similarity, è necessario creare un set di dati Items. Amazon Personalize genera consigli basati sul significato semantico dei metadati degli articoli. Per ulteriori informazioni, consulta Metadati degli articoli. La somiglianza semantica può riguardare fino a 10 milioni di elementi nel set di dati Items.
Con Semantic-Similarity, Amazon Personalize richiede dati sugli articoli che includono quanto segue
-
Campo itemName: un campo
itemNamestringa impostato su.trueQuesto campo deve contenere il titolo o il nome dell'elemento. -
Campo di descrizione testuale: almeno un campo stringa contrassegnato come
textualcontenente la descrizione dell'articolo. Questo dovrebbe essere il campo che meglio descrive e rappresenta l'elemento.
Amazon Personalize utilizza questo campo per generare incorporamenti semantici che catturano il significato e il contenuto dei tuoi articoli.
Inoltre, il campo riservato CREATION_TIMESTAMP deve essere impostato se desideri utilizzare la classificazione basata sulla freschezza. Per ulteriori informazioni, consulta Proprietà e iperparametri.
I seguenti set di dati sono opzionali e possono migliorare i consigli:
-
Set di dati sulle interazioni: Amazon Personalize può utilizzare i dati del set di dati Interazioni per calcolare i punteggi di popolarità in base al coinvolgimento degli utenti con gli articoli. Puoi utilizzare i punteggi di popolarità per classificare articoli simili in base alla loro popolarità tra gli utenti. È necessario fornire un set di dati sulle interazioni se si desidera utilizzare il posizionamento basato sulla popolarità. Puoi anche utilizzare i dati in un set di dati Interazioni per filtrare i consigli. Per informazioni sui dati di interazione che puoi importare, consulta Dati di interazione tra gli elementi
Proprietà e iperparametri
La ricetta di somiglianza semantica ha le seguenti proprietà:
-
Nome:
aws-semantic-similarity -
Ricetta Amazon Resource Name (ARN) —
arn:aws:personalize:::recipe/aws-semantic-similarity -
Algoritmo ARN —
arn:aws:personalize:::algorithm/aws-semantic-similarity -
ARN per la trasformazione delle funzionalità —
arn:aws:personalize:::feature-transformation/aws-semantic-similarity -
Tipo di ricetta —
RELATED_ITEMS
Per ulteriori informazioni, consulta Scegliere una ricetta.
La ricetta della somiglianza semantica non ha iperparametri esposti, ma puoi configurare fattori di popolarità e freschezza quando crei una campagna per influenzare il posizionamento di articoli simili.
La tabella fornisce le seguenti informazioni per ogni fattore:
-
Range: [limite inferiore, limite superiore]
-
Value type: Integer, Continuous (float), Categorical (booleano, elenco, stringa)
| Nome | Description |
|---|---|
| Freshness |
Il fattore di freschezza rappresenta quanto è recente un elemento. La freschezza viene calcolata normalizzando l'età dell'articolo in base al relativo CREATION_TIMESTAMP. Per utilizzare il fattore di freschezza, devi includere il campo CREATION_TIMESTAMP nello schema del set di dati Items. Valori più elevati del fattore di freschezza daranno la priorità agli elementi più recenti tra raccomandazioni semanticamente simili Valore predefinito: Intervallo: Tipo di valore: doppio |
| Popolarità |
Il fattore di popolarità rappresenta la popolarità di un articolo in base alle interazioni degli utenti. La popolarità viene calcolata normalizzando il numero di interazioni ricevute da ciascun articolo. Per utilizzare il fattore di popolarità, è necessario includere un set di dati Interactions durante la creazione del gruppo di set di dati. Valori più elevati del fattore di popolarità danno priorità agli articoli con più interazioni con i clienti tra consigli semanticamente simili. Valore predefinito: Intervallo: Tipo di valore: doppio |
Tieni presente che i punteggi di freschezza e popolarità vengono calcolati durante l'allenamento e gli aggiornamenti incrementali non aggiornano i punteggi di popolarità e freschezza. Affinché i fattori di popolarità e freschezza più recenti influenzino la classifica degli articoli consigliati, utilizza la riqualificazione automatica o riqualifica manualmente la soluzione e aggiorna la campagna con la nuova versione della soluzione.
