Amazon Personalize 常见问题

Page Topics

一般性问题
4
使用 Amazon Personalize
15
使用案例
2
定价
2

一般性问题

Amazon Personalize 是一项完全托管的机器学习（ML）服务，使用您的数据为您的用户生成产品和内容推荐。您提供有关最终用户（例如，年龄、位置、设备类型）、目录中的商品（例如类型、价格）以及用户与商品之间的交互（例如点击、购买）的数据。Personalize 使用这些数据来训练自定义的专用模型，从而生成可通过 API 显示的推荐。

该服务使用算法来分析客户行为并推荐他们可能感兴趣的产品、内容和服务。这种增强的客户体验方法可以提高客户参与度、忠诚度和销售额，从而增加收入和盈利能力。Personalize 由 Amazon.com 使用的 ML 技术提供支持，允许任何开发人员轻松地向现有应用程序、网站、推送通知、营销通信等添加个性化设置，所有这些都无需任何 ML 经验。Personalize 使用实时数据洞察，根据用户行为即时提供个性化推荐。您可以使用针对您的业务领域进行应用场景优化的推荐器快速上手，也可以创建自己的可配置自定义资源。

以下是企业选择使用 Amazon Personalize 进行个性化的一些原因：

  • 提高用户参与度和转化率：用户更有可能与根据自己的喜好量身定制的产品和服务进行交互，因此，企业可以通过提供个性化推荐来提高用户参与度和转化率。
  • 提高客户满意度：企业可以通过使用个性化来提供与客户需求和兴趣更相关的产品和服务，从而改善客户体验。
  • 以经济实惠的方式扩展个性化：Amazon Personalize 是一项基于云的机器学习服务，可以处理海量用户数据，为数百万用户提供量身定制的推荐。因此，对于拥有庞大或快速扩张的用户群的公司来说，这是一个有效的解决方案。
  • 节省时间和资源：Amazon Personalize 可自动生成定制推荐，在几天而不是几个月内部署推荐模型。这可以帮助组织节省宝贵的资源和时间，否则，这些资源和时间将花费在手动分析和生成推荐上。

Amazon Personalize 可用于通过任何数字渠道实现最终用户体验个性化。示例包括，电子商务的产品推荐、出版物、媒体和社交网络、旅游网站的酒店推荐、银行的信用卡推荐以及约会网站的配对推荐。Amazon Personalize 还可用于在通过物理渠道进行用户交互时自定义用户体验，例如送餐公司可以在订阅计划中个性化每周用餐。其他应用场景示例包括以下内容。查看我们的客户参考案例，了解真实的客户成功案例。

  • 对视频流媒体应用程序进行个性化设置：向您的流媒体应用程序添加多种类型的个性化视频推荐。例如，为您优选、更多人喜欢 X 和最受欢迎视频推荐。
  • 向电子商务应用程序添加产品推荐：向您的零售应用程序添加一系列个性化产品推荐。例如，为您推荐、经常同时购买以及查看过 X 的客户还查看过产品推荐。
  • 创建个性化电子邮件：为电子邮件列表中的所有用户生成批量推荐。然后，您可以使用 AWS 服务或第三方服务向用户发送个性化电子邮件，推荐您目录中的商品。
  • 创建有针对性的营销活动：您可以使用 Amazon Personalize 来生成最有可能与您目录中的商品进行交互的用户群组。然后，您可以使用 AWS 服务或第三方服务创建有针对性的营销活动，向不同的用户群推广不同的商品。

来看看 Magic Movie Machine，这是一款简短的交互游戏，您将在这款游戏中寻找符合您个人兴趣的电影推荐。亲自了解 Amazon Personalize 如何了解您的喜好，然后实时调整给您的推荐。立即演示。

使用 Amazon Personalize

Amazon Personalize 有一个简单的三步流程，只需在 AWS 管理控制台中点击几下，或者进行一组简单的 API 调用。首先，将 Amazon Personalize 指向 Amazon S3 中的用户交互数据（浏览量、点击次数、购买等的历史日志），使用简单的 API 调用上传数据，或者使用 SageMaker Data Wrangler 准备和导入数据。或者，您可以提供商品或用户数据集，其中包含有关您的目录和客户群的更多信息。其次，只需在控制台中点击几下或进行一次 API 调用，即可为您的数据训练一个自定义的私人推荐模型。第三，检索个性化推荐。观看此 Amazon Personalize 深入探究视频系列，了解更多信息。

首先创建一个账户，然后访问 Amazon Personalize 开发人员控制台，该控制台将引导您完成一个直观的设置向导。您可以选择使用 JavaScript API 和 Server-Side SDK 将实时活动流数据发送到 Amazon Personalize 或使用用户事件的历史日志引导启动服务。您也可以通过 Amazon Simple Storage Service（S3）或使用 SageMaker Data Wrangler 导入数据。然后，只需进行几次 API 调用即可训练一个个性化模型，让服务通过 AutoML 选择适用于您的数据集的算法，或者手动从多个可用的算法选项中选择一个。一经训练，即可利用单个 API 调用部署模型，然后再供生产应用程序使用。部署完成后，从您的生产服务中调用服务以获得实时推荐，Amazon Personalize 将根据需求自动进行扩展。

用户应向 Amazon Personalize 提供以下数据：

  • 用户活动流或事件数据 – 网站/应用程序上的用户交互历史记录将以事件形式收集，并通过涉及单行代码的集成发送到 Amazon Personalize。这包括点击、购买、观看、添加到购物车、点赞等关键事件。在刚开始使用服务时，您还可以提供所有可用的事件/活动流数据的历史日志。
  • 目录（商品）数据：可以是任何类型的目录，包括书籍、视频、新闻文章或产品。这包括商品 ID 以及与每个商品关联的元数据。
  • 用户数据：用户资料数据，包括性别、年龄等用户的人口统计数据。这些数据是可选的。

Amazon Personalize 将基于这些数据训练和部署一个模型。然后，您可以使用一个简单的推理 API 在运行时获得个性化推荐，并根据个性化模型的类型生成最终用户的个性化体验（例如用户个性化、相关商品或个性化重新排名）。

以下数据可以帮助提高您的推荐相关性，强烈建议包括以下数据：

  • 事件类型（对所有域数据集组应用场景均必需）
  • 事件价值
  • 上下文元数据
  • 商品和用户元数据

有关 Amazon Personalize 可以使用的数据类型的更多信息，请参阅可以导入到 Amazon Personalize 的数据类型。

Amazon Personalize 让您可以通过 Amazon SageMaker Data Wrangler 轻松导入和准备数据，然后在 Amazon Personalize 中使用数据。通过 SageMaker Data Wrangler，您可以从 40 多个支持的数据来源导入数据，并在单个用户界面中执行端到端的数据准备（包括大规模的数据选择、清理、探索、可视化和处理），这个过程几乎不需要代码。这使您可以利用 Amazon SageMaker Data Wrangler 快速准备用户、商品或交互数据集，方法是利用特定于 Amazon Personalize 的转换和 300 多种常规内置数据转换，检索数据见解，并通过修复数据问题进行快速迭代。只需访问 Amazon Personalize 控制台，从您的数据集组中打开数据集，选择“导入并准备数据”，然后选择“使用 Data Wrangler 准备数据”即可。 请注意，使用 Amazon SageMaker Data Wrangler 的客户将根据其使用情况产生额外费用。查看其定价页面。

可以。Amazon Personalize 允许您指定“新商品探索权重”，从而帮助您的用户发现新产品和商品。 然后，Amazon Personalize 将使用此输入自动在向用户展示新内容和提供最相关的推荐之间取得适当的平衡。Amazon Personalize 还会考虑用户接触过但选择不与之交互的商品的相关数据。 

Amazon Personalize 可对您的数据进行分析，让您轻松上手。它可以分析您提供的数据，并提供建议以帮助您改进数据准备工作。个性化系统的性能取决于为模型提供有关用户及其与目录中商品交互的高质量数据。通过发现潜在的数据缺陷并提供建议来帮助客户进行补救，Amazon Personalize 使训练性能模型变得更加轻松，并减少了执行故障排除的需求。

Amazon Personalize 已推出与自我管理的 OpenSearch 的新集成，使您能够为每个用户个性化搜索结果，并帮助预测您的搜索需求。OpenSearch 中的 Amazon Personalize 搜索排名插件可帮助您利用 Amazon Personalize 提供的深度学习功能，并在没有任何机器学习专业知识的情况下为 OpenSearch 搜索结果应用个性化重新排名。借助个性化搜索，您可以超越传统的关键词匹配方法，根据特定用户的兴趣、背景和过去的互动情况，在他们的搜索结果中实时提升相关项目。您还可以微调每个搜索查询的个性化级别，以便更好地控制自己的搜索体验，从而提高最终用户的参与度和搜索转化率。 

Amazon Personalize 搜索排名插件适用于自我管理的 OpenSearch 和 Amazon OpenSearch。如果使用 Amazon OpenSearch，首先只需设置一个 OpenSearch 域，然后使用“AWS 个性化排名”配方设置 Amazon Personalize 营销活动即可。接下来，将 Amazon Personalize 搜索排名插件与您的域关联，最后配置该插件。您还可以使用 OpenSearch 控制面板来比较搜索结果。

如果使用自我管理的 OpenSearch，首先只需设置一个 OpenSearch 集群，然后使用“AWS 个性化排名”配方设置 Amazon Personalize 市场活动，最后在 OpenSearch 中安装和配置 Amazon Personalize 搜索排名插件。您可以使用 OpenSearch 控制面板来比较搜索结果。

要了解更多信息，请参阅我们的文档。

使用 Amazon Personalize 下一最佳操作（aws-next-best-action）配方，您可以根据每个用户的首选项、兴趣和历史记录实时确定向其建议的下一个最佳操作。您可以建议鼓励转化的操作，例如附加服务、加入客户忠诚度计划、订阅时事通讯等。这可让您通过推动每个用户在用户旅程中采取某些行动来改善他们的体验，从而有助于促进长期的品牌参与度。它还可让您通过建议与用户高度相关的操作来提高营销投资的回报率，从而增加收入和提升忠诚度。 了解详情。

Amazon Personalize 下一最佳操作（NBA）允许品牌建议个人用户应采取的最佳操作，以实时提升品牌忠诚度和转化率。客户首先定义操作列表并上传所需的数据集。接下来，他们训练自己的定制 NBA 模型。然后，他们将通过 API 将建议集成到自己的应用程序或营销技术工具中。当最终用户触发实时建议时，Personalize NBA 模型将返回每位用户的操作排名列表及其倾向分数。由于操作可能仅与特定时间段相关（例如注册假日旅行优惠），或者客户可能希望限制向最终用户显示的操作次数（例如，在 Y 天内显示相同操作的次数不超过 X 次），因此客户可以对其操作建议（例如筛选条件）施加限制。 

Amazon Personalize 向客户提供了两个推理 API：getRecommendations 和 getPersonalizedRanking。这些 API 会返回一个用户的推荐 itemID 列表、一个商品的类似商品列表或一个用户的重新排名的列表。该 itemID 可以是产品标识符、videoID 等。然后，您需要通过一系列步骤（例如获取图片和描述，然后渲染显示内容）使用这些 itemID 生成最终用户体验。在某些情况下，您可能会与 AWS 服务、第三方电子邮件传送服务或通知服务等集成以生成所需的最终用户体验。

查看个性化 API 解决方案，该解决方案解释了位于您的应用程序和推荐系统（例如 Amazon Personalize）之间的实时低延迟 API 框架。该解决方案还提供响应缓存、API 网关配置、使用 Amazon CloudWatch Evidently 进行的 A/B 测试、推理时间商品元数据、自动上下文推荐等的最佳实践实施。

Amazon Personalize 中的一些内置功能可用作检查点，帮助您确保针对高质量的推荐进行优化。

  • 在线测试（A/B 测试）：这始终是衡量模型对业务指标影响的最佳标准。这也是最常见的方法。您应该根据业务指标评估推荐。如果您还没有 A/B 测试工具，可以考虑使用 Amazon CloudWatch Evidently。 个性化 API 项目提供了可部署的解决方案和参考架构。
  • 离线指标：Amazon Personalize 会计算每个解决方案版本和推荐器的离线指标，用于衡量模型预测的准确性。您可以使用这些指标来直观地了解解决方案版本与其他版本的质量。离线指标是通过将 Personalize 数据集拆分成训练和测试集来计算的。您可以通过这些指标查看修改用于训练模型的超参数和算法所产生的影响，这些超参数和算法是根据历史数据计算得出的。
  • 在线指标：这些是在用户与实时环境中提供的实时推荐进行交互时观察到的实证结果。当您将 Amazon Personalize 模型与现有推荐系统进行比较时，历史数据最初会偏向现有方法。因此，建议在实际开始测试以衡量结果之前，先进行几周的在线测试，以便根据通过查看 Amazon Personalize 的推荐生成的交互数据对模型进行训练和评估。

您可以通过向系统发送的任何事件来衡量任何 Amazon Personalize 推荐的业务成果。然后，您可以可视化并评估一项或多项推荐的影响，以制定更加以数据为导向的个性化策略。从 Amazon Personalize 控制台或 API，定义“指标属性”，即您想要评估和报告的交互（即事件类型）列表。例如，您可能需要跟踪两个指标：推荐内容的点击率（CTR）和总购买量。对于每个事件类型，您只需定义要评估的指标和函数（总和或计数），Amazon Personalize 将执行计算并将报告发送到 CloudWatch 或 S3 账户。

所有 Amazon Personalize 模型都是客户的数据集所独有的，不会在其他 AWS 账户之间或与 Amazon Retail、Amazon Prime 或任何其他业务部门共享。我们不会使用您的任何数据为其他客户训练或创建模型，客户的模型输入和输出完全由其账户拥有。客户与 Amazon Personalize 的每次交互都将受到加密保护。Amazon Personalize 处理的任何用户、商品或交互数据都将通过 AWS Key Management Service 使用客户密钥进一步加密，而且是在客户当前使用该服务的 AWS 区域中进行静态和传输中加密。管理员还可以通过 AWS Identity and Access Management（IAM）权限策略来控制对 Amazon Personalize 的访问，确保敏感信息的安全性和保密性。

使用案例

  • 用户个性化：根据用户的个人资料、行为、偏好和历史记录量身定制的推荐。这最常用于提高客户参与度和满意度。它还可以提升转化率。
  • 个性化排名：根据用户偏好或历史记录在类别或搜索响应中对商品进行重新排名。此应用场景用于向特定用户显示相关商品或内容，确保更好的客户体验。Amazon Personalize 支持重新排名，同时针对收入、促销或热门商品等业务优先事项进行优化。
  • 相似商品：推荐相关商品，以鼓励探索、追加销售和交叉销售机会。相似商品推荐可以帮助用户发现新内容或比较您目录中的现有商品。
  • 下一最佳操作：根据用户的个人行为和需求，向正确的用户实时建议正确的操作。这可让您最大限度地提高用户参与度并提升转化率。
  • Trending Now：以最快的速度建议在用户中受欢迎的内容，例如突发新闻文章、热门社交内容或新上映的电影。
  • 用户细分：向对商品或类别最感兴趣的用户发送有针对性的消息和通知。这可以帮助公司提高营销活动的参与度，并通过超有针对性的消息提高留存率。

Amazon Personalize 根据客户反馈和长期路线图目标不断改进，同时，我们也在努力进行优化，使其易于上手和使用。这里列出了一些超越基本机器学习实践的有影响力的 Amazon Personalize 功能。有关功能的完整列表，请查看我们的功能页面。

  • 用户细分：根据最终用户的喜好对其进行智能细分，并创建能让特定客户群产生共鸣的有针对性的消息。 观看此演示以了解更多信息。
  • 针对域进行优化的推荐器：使用针对常见业务场景的预建推荐系统来加快产品上市速度。 观看此演示以了解更多信息。
  • 新商品推荐：当有关用户偏好的数据稀缺时，为新产品和内容创建高质量推荐。
  • 实时或批量建议：实时响应不断变化的意图或向面向批处理的工作流程提供批量推荐。
  • 操作建议：通过将推荐范围扩展到项目或内容以外来提高用户忠诚度和转化率。根据个人用户的首选项、需求和过往行为，确定向其建议的最佳操作。
  • 个性化搜索：根据用户的独特兴趣、偏好和过去的互动实时显示相关的搜索结果，从而改善用户搜索体验。
  • 非结构化文本支持：自然语言处理和基于关注度的建模，可自动提取关键信息。
  • 上下文推荐：通过使用用户细分、设备类型、位置或一天中的时间等上下文生成推荐来改进推荐。
  • 业务规则：应用包括筛选器和促销在内的业务规则，控制每个用户的推广内容百分比。
  • 热门推荐：推荐以最快的速度在用户中流行的商品
  • 推荐影响：衡量任何事件的总体业务影响，例如页面浏览、视频开始、点击、加入购物车、购买等。

定价

请参阅 Amazon Personalize 定价页面，了解最新的定价信息。

使用 Amazon Personalize 时，您只需按使用量付费；既没有最低费用，也无需预先承诺。以下是有关如何管理成本的一些技巧。

考虑根据您的实时更新需求缓存结果

 仅根据业务需求进行再训练

将最低预配置 TPS 设置为较低值以高度依赖自动扩展，除非它会对您的吞吐量/延迟目标产生负面影响

当应用场景与下游批处理流程（例如电子邮件营销）一致时，可以考虑使用批量推荐。由于批量推荐是针对解决方案版本进行的，因此不需要营销活动。注意：批量推荐仅在自定义推荐数据集中可用。

Amazon Personalize Monitor 项目提供了一些成本优化功能，用于优化营销活动配置，提醒和删除闲置/已放弃的营销活动。