经典案例

首页
利用亚马逊个性化和生成性人工智能推动超个性化客户体验机器学习博客

利用亚马逊个性化和生成性人工智能推动超个性化客户体验机器学习博客

利用亚马逊个性化和生成式 AI 提升超个性化客户体验

作者：Jingwen Hu Anush Lalitha Ashish Lal Hao Ding Ketan Kulkarni Pranav Agarwal Rishabh Agrawal，以及 Yifei Ma，发表于 2023 年 11 月 26 日，内容涉及亚马逊个性化、人工智能、生成式 AI。永久链接评论

关键要点

今天宣布了三项新功能，旨在通过亚马逊个性化和生成式 AI 增强个性化客户体验。亚马逊个性化是一种全托管的机器学习服务，让开发者轻松提供个性化体验。公司的用户体验正在通过与亚马逊个性化和生成式 AI 的结合而得到提升。新推出的内容生成器和 LangChain 集成，将进一步增强内容的吸引力与个性化推荐能力。

今天，我们非常高兴地宣布三项新功能，这些功能将帮助您利用亚马逊个性化和生成式 AI 来提升个性化客户体验。无论您是在寻找托管解决方案，还是希望自行构建，您都可以利用这些新功能推动您的发展旅程。

亚马逊个性化是一项全托管的机器学习ML服务，使开发者能够轻松为用户提供个性化体验。它使您能够通过个性化的产品和内容推荐，提升客户参与度，这些推荐适用于网站、应用程序以及定向的营销活动，而无需机器学习的专业知识。通过使用亚马逊个性化提供的预设算法，您可以推出如“为您推荐”、“常购商品”以及针对性用户细分的市场推广活动等多样的个性化体验。

生成式 AI 正在迅速改变企业的商业操作。根据 Gartner 的预测，“到 2026 年，超过 80 的企业将使用生成式 AI API 或模型，或在生产环境中部署生成式 AI 应用程序，而这一比例在 2023 年还不到 5。”尽管生成式 AI 能够快速生成内容，但仅凭其能力并不足以实现更高程度的个性化，以适应个别用户不断变化和细致的偏好。许多公司正在积极寻求解决方案，以利用亚马逊个性化和生成式 AI 来提升用户体验。

例如，FOX 公司FOX生产和分发新闻、体育和娱乐内容。

“我们正在将生成式 AI 与亚马逊个性化相结合，以便为用户提供超个性化体验。亚马逊个性化帮助我们在内容定制方面实现了高水平的自动化。例如，FOX 体育在内容开始观看量上经历了 400 的增长。现在，我们将生成式 AI 与亚马逊 Bedrock 整合到我们的流程中，以帮助内容编辑生成主题集合。我们期待探索像亚马逊个性化内容生成器和 LangChain 上的个性化等功能，以进一步个性化这些集合。”

Daryl Bowden，技术平台执行副总裁

宣布亚马逊个性化内容生成器，使推荐更有吸引力

亚马逊个性化推出了内容生成器，这是一项基于生成式 AI 的新功能，能够帮助公司通过识别推荐项目之间的主题连接，使推荐更有吸引力。这项功能可以将推荐体验提升到超出常规短语的层面，例如将“购买此商品的人也购买了”变成更具吸引力的标语，例如“精神焕发”的早餐食品集合，从而吸引用户点击购买。

为了详细探讨亚马逊个性化内容生成器的影响，以下是两个示例。

使用案例 1：电影集合的旋转标题

微流派是一种更广泛电影、音乐或其他媒体类型内的特殊子类别。流媒体平台利用微流派来增强用户体验，让观众或听众发现与其特定口味和兴趣相符的内容。通过推荐具有微流派的媒体内容，流媒体平台能够满足多样的用户偏好，最终提高用户参与度和满意度。

现在，您可以使用亚马逊个性化内容生成器为微流派集合创作旋转标题。首先，将您的用户交互和项目数据集导入到亚马逊个性化进行训练。您将种子项目的 itemId 值列表上传。接下来，在亚马逊个性化控制台上选择主题推荐与内容生成器创建批处理推理作业，或在 API 配置中将 batchinferencejobmode 设置为 THEMEGENERATION。

作为批处理推理的输出，您将获得一组相似项目和每个种子项目的主题。我们还提供与项目主题相关的相关性评分，您可以使用这些评分设定阈值，只显示与主题高度相关的项目。以下截图展示了一个输出示例：

json{input{itemId40}output{recommendedItems[36504422212931239]theme拥有强大女性主角的电影itemsThemeRelevanceScores[0199945270183059963017478035016181330157480601546873301499242014353688013531424010291852]}}{input{itemId43}output{recommendedItems[5021363172391105]theme适合温馨夜晚的浪漫电影itemsThemeRelevanceScores[018498801795761011143453009894430082584030079526150071150860062163401389130188913]}}

随后，您可以用亚马逊个性化内容生成器的输出主题替换通用短语“类似 X”的内容，以使推荐更具吸引力。

使用案例 2：营销邮件的主题行

电子邮件营销虽然具有成本效益，但通常面临低开率和高退订率的问题。是否打开一封邮件很大程度上取决于主题行的吸引力，因为这是收件人首先看到的内容之一，与发件人姓名一起呈现。然而，编写引人注目的主题行常常繁琐且耗时。

现在，通过亚马逊个性化内容生成器，您可以更高效地创建引人注目的主题行或邮件正文中的标题，进一步个性化电子邮件活动。您遵循与之前示例相同的数据导入、训练和创建批处理推理作业的过程。以下是采用亚马逊个性化内容生成器生成的主题行的营销邮件示例：

主题：让您的生活闪耀的清洁产品！

亲爱的 lt用户姓名gt，您准备好将清洁例行工作转变为轻松愉快的体验了吗？探索我们的顶级产品：机器人吸尘器 lt图片gt窗户清洁工具包 lt图片gt符合人体工程学手柄的刷子 lt图片gt超细纤维布 lt图片gt环保清洁喷雾 lt图片gt

这些示例展示了亚马逊个性化内容生成器如何帮助您创造更具吸引力的浏览体验或更有效的营销活动。有关详细说明，请参阅主题批量推荐。

宣布 LangChain 集成，实现亚马逊个性化与 LangChain 框架的无缝集成

LangChain 是一种强大的开源框架，允许与大型语言模型LLMs进行集成。LLMs 通常具有高度的灵活性，但在需要更深入的上下文和精细响应的领域特定任务中可能会面临困难。LangChain 在这样的场景中赋予开发者构建特定生成式 AI 任务的模块智能体/链的能力。开发者还可以通过连接并链式调用 LLM 提示，将上下文和记忆引入 LLM，以应对不同的用例。

我们很高兴推出 LangChain 集成。有了这项新功能，开发者可以在 LangChain 中使用亚马逊个性化自定义链，轻松将亚马逊个性化与生成式 AI 解决方案结合起来。为生成式 AI 解决方案增添个性化元素，帮助您与最终用户创建更具针对性和相关性的互动。以下代码片断演示了如何调用亚马逊个性化，获取推荐并无缝地将其融入到 LangChain 生态系统中的生成式 AI 应用程序中。您还可以将此用于序列链。有关库的安装说明，请参考 GitHub。

pythonfrom awslangchain import AmazonPersonalizefrom awslangchain import AmazonPersonalizeChainfrom langchainllmsbedrock import Bedrock

recommenderarn=client=AmazonPersonalize(recommenderarn=recommenderarn credentialsprofilename=defaultregionname=uswest2)

bedrockllm = Bedrock(modelid=anthropicclaudev2 regionname=uswest2)

创建个性化链

chain = AmazonPersonalizeChainfromllm( llm=bedrockllm client=client)response = chain({userid 1})

您可以利用此功能制作个性化的营销文案，生成推荐内容的简明总结，通过聊天机器人推荐产品或内容，并用您的创意构建下一代客户体验。

亚马逊个性化现在支持在推理响应中返回元数据，以优化生成式 AI 工作流

亚马逊个性化现在通过在推理输出中返回项目元数据来改善您的生成式 AI 工作流。获取推荐的同时附带元数据便利了向 LLM 提供额外上下文。这一额外上下文信息，例如类型和产品描述，可以帮助模型理解项目属性，从而生成更相关的内容。

亚马逊个性化支持此功能，无论是针对自定义算法还是领域优化推荐器。在创建活动或推荐器时，您可以启用返回元数据的选项，或通过更新活动或推荐器调整设置。在推理调用过程中，您可以选择最多 10 个元数据字段和 50 个推荐结果，以返回元数据，可通过亚马逊个性化 API 或亚马逊个性化控制台进行操作。

利用亚马逊个性化和生成性人工智能推动超个性化客户体验机器学习博客

以下是 API 示例：

python

创建启用元数据的活动

examplename = metadataresponseenabledcampaigncreatecampaignresponse = personalizecreatecampaign( name = examplename solutionVersionArn = examplesolutionversionarn minProvisionedTPS = 1 campaignConfig = {enableMetadataWithRecommendations True})

获取带元数据的推荐

metadataMap = {ITEMS [genres num]}response = personalizeruntimegetrecommendations(campaignArn=examplecampaignarn userId=0001 itemId=0002 metadataColumns=metadataMap numResults=2)