[AIML 스페셜 웨비나] Amazon Personalize - Track 2

2022. 03. 23 [AIML 스페셜 웨비나] Amazon Personalize 이론 및 실습 - Track 2 내용 정리 (1)

고객과 상호 작용할 기회가 생겼을 때
고객이 원하는 경험을 전달하고 싶습니다

- 소비자의 63%가 '개인화'를 표준 서비스 수준으로 인식하고있음

 

<컨텐츠 기반 필터링>

- Item을 feature로 표현 후, item끼리 비슷한지 비교

 

<협업 필터링>

- User-item의 상호 작용(interaction) 정보를 통해 user가 좋아할 만한 item을 추천

- 초개인화에 적합

- User-based (User 기준) vs Item-based (항목 기준 / 예 : 텐트 구매 시 침낭 노출)

 

<주요 기능>

1. New items in fast-changing catalogs (cold start)

카탈로그의 새 항목과 이전 항목에 대한 권장 사항 간의 균형을 생성할 수 있음

사용자가 선호하는 항목 뿐이 아니라 선호하지 않는 항목까지 중요한 시그널로 인식

 

2. User segmentation : recipes

장르, 카테고리 또는 기타 항목 속성에 관심이 있는 사용자 식별

 

3. Unlock information in unstructured text

자연어 처리(NLP)를 사용하여 구조화되지 않은 텍스트에서 주요 정보를 자동으로 추출

 

<동작 원리>

Amazon Personalize

<Datasets & schemas>

- Interactions : User와 Item간의 인터렉션 정보 (사용자별 구매상품, 사용자별 좋아요 등) / 모든 알고리즘에 필수

필수스키마 : user_id item_id timestamp

- Item : 아이템에 대한 메타데이터 제공 (재고여부, 상품명, 비디오 장르 등)

필수스키마 : Item_id 

- User : 사용자에 대한 메타데이터 제공 (나아, 성별, 위치, 충성도, 멤버쉽 등)

필수스키마 : user_id

 

<레시피(알고리즘) 유형>

Amazon Personalize recipes

 

<User Personalization>

- 모든 시나리오에 적합하여 가장 권장하는 알고리즘, 계층적 반복 신경망(HRNN) 알고리즘

 

<Inference : Real-time recommendation>

* 캠페인이 필수적으로 필요함

 

<Inference : Batch recommendation>

* 캠페인이 필요하지 않음