翻訳は機械翻訳により提供されています。提供された翻訳内容と英語版の間で齟齬、不一致または矛盾がある場合、英語版が優先します。

# ドメインデータセットグループの開始方法 (SDK for Python (Boto3))
<a name="getting-started-domain-python"></a>

このチュートリアルでは、SDK for Python (Boto3) を使用して VIDEO\_ON\_DEMAND ドメイン用のドメインデータセットグループを作成する方法を示します。このチュートリアルでは、「*上位のおすすめ*」ユースケースのレコメンダーを作成します。

開始方法の演習を完了したら、不要な料金が発生しないように、作成したリソースを削除します。詳細については、「[Amazon Personalize リソースを削除するための要件](deleting-resources.md)」を参照してください。

**Topics**
+ [前提条件](#gs-sdk-domain-prerequisites)
+ [チュートリアル](#gs-python-tutorial)
+ [Jupyter (iPython) ノートブックでの Amazon Personalize API の開始方法](#gs-jupyter-domain-notebook)

## 前提条件
<a name="gs-sdk-domain-prerequisites"></a>

このガイドで Python の例を使用するための前提条件のステップを以下に示します。
+ [開始方法の前提条件](gs-prerequisites.md) を完了して必要な権限を設定し、トレーニングデータを作成します。独自のソースデータを使用する場合は、前提条件に示しているようにそのデータがフォーマットされていることを確認します。
+ 「」で指定されているように AWS SDK for Python (Boto3) 環境をセットアップします[AWS SDKs のセットアップ](aws-personalize-set-up-sdks.md)。

## チュートリアル
<a name="gs-python-tutorial"></a>

次のステップでは、環境を確認し、Amazon Personalize 用の SDK for Python (Boto3) クライアントを作成します。次に、データをインポートし、「*上位のおすすめ*」ユースケースのレコメンダーを作成して、レコメンデーションを取得します。

### ステップ 1: Python 環境を確認し、boto3 クライアントを作成する
<a name="gs-python-domain-verify-environment"></a>

前提条件のステップを完了したら、以下の Python の例を実行して、環境が適切に設定されていることを確認します。このコードでは、このチュートリアルで使用する Amazon Personalize boto3 クライアントも作成されます。環境が正しく設定されている場合、使用可能なレシピのリストが表示され、このガイドの他の例を実行できます。

```
import boto3

personalizeRt = boto3.client('personalize-runtime')
personalize = boto3.client('personalize')

response = personalize.list_recipes()

for recipe in response['recipes']:
    print (recipe)
```

### ステップ 2: データをインポートする
<a name="getting-started-python-domain-import-dataset"></a>

Amazon Personalize boto3 クライアントを作成して環境を検証したら、「[開始方法の前提条件](gs-prerequisites.md)」の完了時に作成した履歴データをインポートします。過去のデータを Amazon Personalize にインポートするには、次の操作を実行します。

1. 以下のコードを使用して、Amazon Personalize でスキーマを作成します。`gs-domain-interactions-schema` を、スキーマの名前に置き換えます。

   ```
   import json
   schema = {
     "type": "record",
     "name": "Interactions",
     "namespace": "com.amazonaws.personalize.schema",
     "fields": [
         {
             "name": "USER_ID",
             "type": "string"
         },
         {
             "name": "ITEM_ID",
             "type": "string"
         },
         {
             "name": "EVENT_TYPE",
             "type": "string"
         },
         {
             "name": "TIMESTAMP",
             "type": "long"
         }
     ],
     "version": "1.0"
   }
   
   create_interactions_schema_response = personalize.create_schema(
       name='{{gs-domain-interactions-schema}}',
       schema=json.dumps(schema),
       domain='VIDEO_ON_DEMAND'
   )
   
   interactions_schema_arn = create_interactions_schema_response['schemaArn']
   print(json.dumps(create_interactions_schema_response, indent=2))
   ```

1. 次のコードを使用してデータセットグループを作成します。`dataset group name` をデータセットグループの名前に置き換えます。

   ```
   response = personalize.create_dataset_group(
     name = '{{dataset group name}}',
     domain = 'VIDEO_ON_DEMAND'
   )
   dsg_arn = response['datasetGroupArn']
   
   description = personalize.describe_dataset_group(datasetGroupArn = dsg_arn)['datasetGroup']
   
   print('Name: ' + description['name'])
   print('ARN: ' + description['datasetGroupArn'])
   print('Status: ' + description['status'])
   ```

1. 次のコードを使用して、新しいデータセットグループにアイテムインタラクションデータセットを作成します。データセットに名前を付け、前のステップの `schema_arn` および `dataset_group_arn` を指定します。

   ```
   response = personalize.create_dataset(
       name = '{{interactions-dataset-name}}',
       schemaArn = interactions_schema_arn,
       datasetGroupArn = dsg_arn,
       datasetType = 'INTERACTIONS'
   )
   
   dataset_arn = response['datasetArn']
   ```

1. 以下のコードとともにデータセットのインポートジョブを使用してデータをインポートします。このコードでは describe\_dataset\_import\_job メソッドを使用してジョブのステータスを追跡します。

   ジョブの名前、前のステップの `dataset_arn`、トレーニングデータおよび IAM サービスロール ARN を格納した Amazon S3 バケットパス (`s3://{{bucket name}}/{{folder name}}/ratings.csv`) をパラメータに渡します。このロールは [開始方法の前提条件](gs-prerequisites.md) の一部として作成しました。Amazon Personalize には、バケットにアクセスするための許可が必要です。アクセス権限の付与については、「[Amazon Personalize に対する、Amazon S3 リソースへのアクセスの付与](granting-personalize-s3-access.md)」を参照してください。

   ```
   import time
   response = personalize.create_dataset_import_job(
       jobName = '{{JobName}}',
       datasetArn = '{{dataset_arn}}',
       dataSource = {'dataLocation':'s3://{{amzn-s3-demo-bucket}}/{{filename}}.csv'},
       roleArn = '{{role_arn}}'
   )
   
   dataset_interactions_import_job_arn = response['datasetImportJobArn']
   
   description = personalize.describe_dataset_import_job(
       datasetImportJobArn = dataset_interactions_import_job_arn)['datasetImportJob']
   
   print('Name: ' + description['jobName'])
   print('ARN: ' + description['datasetImportJobArn'])
   print('Status: ' + description['status'])
   
   max_time = time.time() + 3*60*60 # 3 hours
   while time.time() < max_time:
       describe_dataset_import_job_response = personalize.describe_dataset_import_job(
           datasetImportJobArn = dataset_interactions_import_job_arn
       )
       status = describe_dataset_import_job_response["datasetImportJob"]['status']
       print("Interactions DatasetImportJob: {}".format(status))
       
       if status == "ACTIVE" or status == "CREATE FAILED":
           break
           
       time.sleep(60)
   ```

### ステップ 4: レコメンダーを作成する
<a name="domain-gs-py-create-recommender"></a>

データセットのインポートジョブが完了すると、レコメンダーを作成する準備が整います。次のコードを使用してレコメンダーを取得します。以下をパラメータとして渡します: レコメンダーの名前、データセットグループの Amazon リソースネーム (ARN)、レシピ ARN の `arn:aws:personalize:::recipe/aws-vod-top-picks` このコードは、describe\_recommender メソッドを使用してレコメンダーのステータスを追跡します。

```
import time
create_recommender_response = personalize.create_recommender(
  name = 'gs-python-top-picks',
  recipeArn = 'arn:aws:personalize:::recipe/aws-vod-top-picks',
  datasetGroupArn = dsg_arn     
)
recommender_arn = create_recommender_response['recommenderArn']

print('Recommender ARN:' + recommender_arn)
max_time = time.time() + 3*60*60 # 3 hours
while time.time() < max_time:

    version_response = personalize.describe_recommender(
        recommenderArn = recommender_arn
    )
    status = version_response["recommender"]["status"]

    if status == "ACTIVE":
        print("Creation succeeded for {}".format(recommender_arn))
        
    elif status == "CREATE FAILED":
        print("Creation failed for {}".format(recommender_arn))

    if status == "ACTIVE":
        break
    else:
        print("Recommender creation is still in progress")
        
    time.sleep(60)
```

### ステップ 5: レコメンデーションを取得する
<a name="domain-gs-py-get-recommendations"></a>

レコメンダーを作成したら、それを使用して次のコードでレコメンデーションを取得します。パラメータとして、前のステップで作成したレコメンダーの Amazon リソースネーム (ARN) とユーザー ID (例: `123`) を渡します。このメソッドは、推奨事項のリストを画面に出力します。

```
response = personalizeRt.get_recommendations(
    recommenderArn = "arn:aws:personalize:us-west-2:014025156336:recommender/gs-python-top-picks-89",
    userId = '123'
)
print("Recommended items")
for item in response['itemList']:
    print (item['itemId'])
```

## Jupyter (iPython) ノートブックでの Amazon Personalize API の開始方法
<a name="gs-jupyter-domain-notebook"></a>

 Jupyter Notebook を使用してドメインデータセットグループの作成を開始するには、[Amazon Personalize サンプル](https://github.com/aws-samples/amazon-personalize-samples)リポジトリの [notebooks\_managed\_domains](https://github.com/aws-samples/amazon-personalize-samples/tree/master/getting_started/notebooks_managed_domains) フォルダにある一連のノートブックを複製するかダウンロードします。ノートブックでは、トレーニングデータのインポート、レコメンダーの作成、Amazon Personalize でのレコメンデーションの取得について説明します。

**注記**  
 ノートブックを使用する前に、[README.md](https://github.com/aws-samples/amazon-personalize-samples/blob/master/getting_started/README.md) の手順に従って環境を構築してください。