Amazon Personalize запустил новую интеграцию с Amazon OpenSearch Service, которая позволяет персонализировать результаты поиска для каждого пользователя и помогает прогнозировать его потребности в поиске. Плагин Amazon Personalize Search Ranking в составе службы OpenSearch позволяет улучшить взаимодействие с конечными пользователями и конверсию при поиске на вашем веб-сайте и в приложении, воспользовавшись возможностями глубокого обучения, предлагаемыми Amazon Personalize. Эта функция также доступна при самостоятельном управлении OpenSearch.

Поиск имеет решающее значение для привлечения пользователей, поскольку он приносит высокий трафик от людей, ищущих определенные продукты или категории. Раньше клиентам было сложно извлечь выгоду из этого трафика и предоставить релевантные результаты поиска своим пользователям из-за ограничений инфраструктуры или отсутствия опыта в области машинного обучения. Это привело к увеличению случаев, когда пользователи не могли найти нужные им элементы. С помощью подключаемого модуля Amazon Personalize Search Ranking клиенты OpenSearch Service версии 2.9.0 или более поздней могут выйти за рамки традиционного подхода к сопоставлению ключевых слов и повысить значимость релевантных элементов в результатах поиска отдельного пользователя на основе его интересов, контекста и прошлых взаимодействий в режиме реального времени. Вы также можете настроить уровень персонализации для каждого поискового запроса, чтобы обеспечить гибкость и контроль над поиском.

Партнерам AWS нравится осведомленный в восторге от возможностей персонализации, которые плагин Amazon Personalize Search Ranking откроет для их медиа- и розничных клиентов.

«Доказано, что Amazon Personalize оказывает большое влияние на многие компании благодаря своей экономичной и оптимизированной реализации. С выпуском нового плагина Amazon Personalize Search Ranking в Amazon OpenSearch Service мы теперь можем быстро развернуть и реализовать персонализацию пользователей для результатов поиска в режиме реального времени. Мы абсолютно уверены, что это улучшит качество обслуживания и удовлетворенность клиентов, а также увеличит конверсию и рейтинг кликов в два-три раза. Персонализированный поиск является отличительной чертой, особенно для медиа и розничных платформ. Мы очень рады стать партнером AWS по запуску этого выпуска и с нетерпением ждем возможности помочь компаниям предоставлять решения для персонализированного поиска на базе Amazon Personalize».

– Энди Хуанг, руководитель отдела искусственного интеллекта и машинного обучения в Cowlant Servian.

В этом посте мы покажем вам, как результаты поиска персонализируются в зависимости от пользователя и как они меняются, когда вы регулируете вес персонализации. Мы указываем значение ближе к нулю, чтобы уделять меньше внимания персонализации, и указываем значение ближе к 1, чтобы изменить рейтинг результатов поиска на основе более высокого уровня персонализации.

Примеры использования

Чтобы более подробно изучить влияние этой новой функции, давайте рассмотрим пример с использованием набора данных из Розничный демонстрационный магазин.

Сначала мы используем службу OpenSearch, чтобы получить результаты поиска по поисковому запросу «Груминг». Если вес персонализации равен 0,0, персонализация не выполняется. Как показано в следующей таблице, первые пять результатов поиска службы OpenSearch показывают предметы ухода за телом с более высокой гендерной близостью к женщинам (см. Gender_Affinity столбец, где M означает мужской и F означает женщину).

Предположим, что пользователь с указанием пола M (мужчина) выполняет поиск по тому же запросу «Уход за телом». Когда вес персонализации установлен на 0,3, элементы с гендерной принадлежностью к мужчинам получают небольшое повышение рейтинга. В этом примере мужская бритва премиум-класса, которая изначально занимала 6-е место в предыдущей таблице по версии OpenSearch Service, повышается до 2-го места в обновленной таблице. Аналогичным образом, бренд Razor для мужчин занимает более высокую позицию (6-е место), несмотря на то, что в предыдущей таблице он занимает самый низкий рейтинг.

Затем мы настраиваем вес персонализации до значения 0,8, чтобы получить более персонализированные результаты поиска по запросу «Уход за волосами». В следующей таблице четыре верхних позиции в результатах поиска идеально подходят мужчинам. Мужские бритвы премиум-класса и бренд бритв для мужчин поднимаются в рейтинге. Мы также видим, что другие товары для ухода, такие как Minimalistic Razor и Fusion5 Razers for Men, появляются в верхней части результатов поиска, хотя в нашем первом запросе они имели более низкий рейтинг.

Дополнительные сведения о том, как реализовать персонализированный поиск с помощью службы OpenSearch, см. в разделе Персонализация результатов поиска из OpenSearch.

Заключение

С помощью нового плагина Amazon Personalize Search Ranking клиенты OpenSearch с самостоятельным управлением и OpenSearch Service версии 2.9 и выше могут повышать релевантные элементы в результатах поиска, включая сигналы из истории, контекста и предпочтений каждого пользователя. Плагин позволяет вам лучше контролировать уровень персонализации для каждого пользователя и типа запроса, а также улучшить общий поиск для ваших пользователей.

Более подробную информацию об Amazon Personalize см. в Руководстве разработчика Amazon Personalize.

Об авторах

Шрия Шарма — старший технический менеджер по продукту, работающий с AWS AI/ML в команде Amazon Personalize. У нее есть опыт работы в области компьютерных наук, технологического консалтинга и анализа данных.

Кетан Кулкарни — инженер-разработчик программного обеспечения в команде Amazon Personalize, специализирующейся на создании масштабных рекомендательных систем на базе искусственного интеллекта. В свободное время любит читать и путешествовать.

Прашант Мишра — инженер-разработчик программного обеспечения в команде Amazon Personalize.

Бранислав Кветон — главный научный сотрудник AWS AI Labs. Он предлагает, анализирует и применяет алгоритмы, которые обучаются постепенно, работают в реальном времени и сходятся к почти оптимальным решениям по мере увеличения количества наблюдений.