推荐与个性化 - 利用 Amazon Personalize 实现的个性化优化体验

个性化的重要性与 Amazon Personalize

针对每位用户优化的内容和商品推荐，会带来参与度的提升和转化率的改善。Amazon Personalize 是以 Amazon.com 积累的推荐技术为基础的全托管机器学习服务，开发者无需机器学习专业知识即可实现个性化推荐。它以用户的行为数据（点击、购买、观看等）、物品的元数据和用户的属性信息为输入，自动构建结合协同过滤、基于内容的过滤和深度学习的推荐模型。以下是向 Personalize 实时发送交互数据的示例。

import boto3
client = boto3.client('personalize-events', region_name='ap-northeast-1')
client.put_events(
    trackingId='TRACKING_ID',
    userId='user-123',
    sessionId='session-abc',
    eventList=[{
        'eventType': 'click',
        'itemId': 'item-456',
        'sentAt': 1711843200
    }]
)

Personalize 的配方与解决方案设计

Personalize 提供多种配方（算法），可以构建符合用例的推荐模型。USER_PERSONALIZATION 配方为每位用户生成个性化的物品排名，适合电商网站的首页和媒体的主页。RELATED_ITEMS 配方提供基于物品间相似性的推荐，可以用于商品详情页的“看过此商品的人也看了”。PERSONALIZED_RANKING 配方根据用户的偏好对现有的物品列表重新排序，适合搜索结果和分类页面的个性化。通过实时事件追踪器，可以将用户最新的行为应用到模型中，并用于会话中的推荐。通过过滤器功能，还可以根据业务规则控制推荐，例如排除缺货商品、隐藏有年龄限制的内容等。

基于与 SageMaker 联动的高级个性化

对于 Personalize 的标准配方无法覆盖的高级个性化需求，有与 SageMaker 联动的方法。在 SageMaker 中实施自定义的特征工程，并向 Personalize 的数据集提供额外的特征，可以力求改善推荐的精度。例如，可以将通过文本分析获得的商品评论情感、通过图像识别获得的商品视觉特征、通过时间序列分析获得的趋势预测等作为特征使用。也有通过 A/B 测试比较并评估 Personalize 不同解决方案版本的方法。在 SageMaker Feature Store 中集中管理特征，并让导入 Personalize 的数据与 SageMaker 的模型使用相同的特征，特征会变得容易保持一致。

实践中的用例与采用模式

在电商网站中，可以利用 Personalize 统一实现首页的个性化、商品详情页的关联商品推荐、购物车内的交叉销售推荐以及邮件发送内容的个性化。在媒体分发中，提供视频和文章的个性化信息流生成、接下来应观看内容的推荐，以及按类型划分的个性化排名。在营销中，可以与 Amazon Pinpoint 联动，向每个用户细分发送优化后的营销活动消息，可以力求改善打开率和点击率。通过组合 API Gateway 与 Lambda 的无服务器架构，可以以可扩展的方式提供推荐 API。通过 CloudWatch 指标持续监控推荐的性能（点击率、转化率），并判断模型的重新训练时机。

Personalize 的定价

数据处理每 GB 约 0.05 美元，训练每小时约 0.24 美元（截至 2026 年 8 月）。实时推理每 TPS 小时约 0.20 美元，并且需要预置最少 1 TPS。批量推理每 1,000 用户约 0.067 美元，在不需要实时性的情况下，采用批量方式时费用会变得容易降低。免费套餐在最初的 2 个月内有效，包含每月数据处理 20 GB、训练 100 小时、推荐请求最多 180,000 次的额度。

总结 - 个性化平台的构建

Amazon Personalize 是以 Amazon.com 积累的推荐技术为基础、无需机器学习专业知识即可构建推荐机制的全托管服务。将通过实时事件追踪器应用行为数据与通过过滤器功能应用业务规则结合起来，会带来用户体验的改善。通过与 SageMaker Feature Store 的集成可以集中管理特征，还可以通过 A/B 测试评估模型。在电商网站、媒体、营销等广泛领域中有助于个性化。