机器学习

使用 Amazon Personalize 构建推荐引擎 - 个性化的实现模式

从用户行为数据生成个性化推荐。介绍配方选择和实时事件集成。

約 1 分で読めます

Personalize 的机制与数据准备

Personalize 是基于 Amazon.com 推荐技术的托管 ML 服务。无需 ML 专业知识即可从用户行为数据构建推荐模型。输入数据由 3 种数据集构成。Interactions 数据集（必需）记录用户与物品的行为历史（点击、购买、评分）。Items 数据集定义物品的元数据（类别、价格、描述）。Users 数据集定义用户属性（年龄、性别、会员等级）。数据以 CSV 格式上传到 S3，Personalize 自动进行特征工程和模型训练。

配方选择

Personalize 提供多种按用途分类的配方（算法）。User-Personalization 是最通用的配方，为每个用户生成个性化的物品排名。通过实时事件（PutEvents API）反映用户浏览行为，推荐在用户浏览网站期间动态更新。Similar-Items 基于物品间的相似性生成推荐，适用于「查看此商品的人还看了」场景。Personalized-Ranking 对指定的物品列表按用户偏好重新排序，适用于搜索结果和类别页面的个性化排序。

实时个性化的实现

实时推荐通过创建活动并调用 GetRecommendations API 获取。API Gateway + Lambda + Personalize 的架构是从 Web 应用实时获取推荐的标准模式。用户行为事件通过 PutEvents API 实时发送，模型在数秒内反映最新行为。过滤器可按条件排除特定物品（已购买物品、缺货物品），通过动态过滤器在 API 调用时指定条件。批量推荐通过 CreateBatchInferenceJob 为大量用户批量生成推荐并输出到 S3，适用于邮件营销等离线场景。 关于个性化的深入学习，技术书籍 (Amazon)也可供参考。

Personalize 的定价

Personalize 的费用由数据处理、训练和实时推理构成。数据处理每 GB 约 0.05 美元，训练每训练小时约 0.24 美元。实时推理每 TPS（每秒事务数）小时约 0.20 美元，最低需预置 1 TPS。批量推理每 1,000 用户推荐约 0.067 美元。小规模（月 100 万推荐请求以下）时月费约 200-500 美元，大规模时通过 Auto Scaling 优化 TPS 来控制成本。

总结

Personalize 以托管服务形式提供 Amazon.com 积累的推荐技术。只需投入行为数据并选择配方即可构建模型，通过实时 API 获取个性化推荐。适用于电商、媒体分发、内容平台等需要提升用户参与度的服务。

相关服务

Amazon Personalize基于机器学习提供实时个性化推荐的服务Amazon S3具有高耐久性和可扩展性的对象存储服务AWS Lambda无需管理服务器即可运行代码的无服务器计算服务

相关文章

使用 Amazon Rekognition 实现图像与视频分析 - 从标签检测到自定义模型使用预训练 API 实现标签检测、人脸分析和文字检测，通过 Custom Labels 构建领域特定的图像识别模型。通过 AWS CloudFormation 实践 Infrastructure as Code - 模板设计与堆栈管理通过模板定义基础设施，通过变更集预先确认影响范围。利用漂移检测发现配置偏差，通过 StackSets 向整个 Organizations 批量部署。使用 Amazon Kinesis 构建实时数据管道 - Data Streams 与 Data Firehose 的选型通过 Data Streams 摄取实时数据，利用 Data Firehose 自动投递至 S3、Redshift、OpenSearch。解析分片设计与按需模式的选型，构建流式处理管道。

本主题的更多内容

使用 AWS Batch 执行基于 GPU 的机器学习训练 - 高性价比的大规模训练方案利用现有 Docker 容器执行 GPU 训练，通过 Spot 实例与检查点机制将成本最高降低 90%。同时介绍与 SageMaker 的使用场景区分。在 Amazon Bedrock 中使用 Claude - 从模型选择到提示词设计与成本优化介绍 Amazon Bedrock 中可用的 Anthropic Claude 模型特性对比、按使用场景的模型选择指南、提示词设计最佳实践以及成本优化方法。使用 Amazon Bedrock Knowledge Bases 构建 RAG 应用 - 检索增强生成的实现自动索引 S3 上的文档，通过 RetrieveAndGenerate API 整合检索与生成。介绍分块策略的选择以及通过 Guardrails 确保安全性的方法。使用 Amazon Braket 入门量子计算 - 量子电路的设计与模拟在本地模拟器上免费进行原型开发，在 IonQ、Rigetti 的真实硬件上执行量子电路。介绍通过混合作业实现 VQE 和 QAOA 的方法。AWS Clean Rooms ML 隐私保护型机器学习 - 无需共享数据即可构建模型详细介绍通过 Clean Rooms ML 构建相似人群模型、应用差分隐私以及在广告定向投放中的实际应用。使用 Amazon Comprehend 实现自然语言处理 - 情感分析与实体提取的活用详解 Comprehend 的情感分析、实体提取以及自定义分类模型的构建。对话式机器人构建 - 使用 Amazon Lex 和 Polly 实现自然的会话界面详解使用 Amazon Lex 和 Amazon Polly 构建对话式机器人的方法。文档文本提取 - 通过 Amazon Textract 和 Comprehend 实现智能文档处理解说通过 Amazon Textract 从文档中自动提取文本、表格和表单数据，以及与 Comprehend 联动实现的自然语言处理集成。介绍从发票处理到合同分析的实践用例。

相似的文章与服务

推荐与个性化 - 使用 Amazon Personalize 实现个性化体验解析使用 Amazon Personalize 构建基于机器学习的推荐引擎，以及与 SageMaker 联动的高级个性化策略。介绍电商、媒体分发和营销中的实践应用模式。Amazon Personalize基于机器学习提供实时个性化推荐的全托管服务，无需 ML 专业知识即可实现商品推荐和内容个性化Amazon Pinpoint通过电子邮件、短信、推送通知等多渠道向目标用户群发送个性化消息的客户互动服务用 Amazon SageMaker 构建 ML 平台 - 从模型构建到部署介绍从 Studio 开发到托管 Spot 训练、Pipelines 实现 MLOps、Model Monitor 数据漂移检测，整合 ML 全生命周期的方法。