[AWS] AWS Personalize: User-Personalization recipe

AWS Personalize: User-Personalization recipe

AWS Personalize Documentation - User Personalization의 내용을 번역, 요약 및 재구성한 포스트입니다.

• 개인화 추천시스템에 최적화

• Interaction, Items, User 데이터에 기반한 추천

• 자동화된 item exploration 제공

• User implicit feedback(→ Interaction)을 기반으로 추천 자동 조정

Item Exploration: 상호작용(interaction) 또는 관련성(relevance)이 적은 아이템 추천

Automatic Updates

자동 업데이트는 비용이 발생하지 않습니다.

• 최신 모델(Latest solution version)은 2시간마다 내부적으로 자동 업데이트합니다.
  → 모델(Solution Version)을 새로 생성하지않고, 새로운 데이터가 추가됩니다.
  이를통해 최신 Item 정보가 추가되고, User implicit feedback(→ Interaction)에 따라 exploration을 조정합니다.

• 2시간마다 이루어지는 자동 업데이트는 완전한 Full retraining이 아닙니다.
  (→ User behavior 학습 X)
  따라서 매주 새로운 Solution version을 생성 권장합니다.
  (생성시 trainingMode를 Full로 설정)

• 2시간마다 이루어지는 자동 업데이트가 충분하지 않을 경우
  trainingMode를 UPDATE로 설정하여 Solution version을 생성합니다.

• 자동 업데이트는 trainingMode를 FULL로 설정한 Latest solution version만 해당됩니다.
• trainingMode를 UPDATE으로 생성된 Solution version은 자동 업데이트가 되지 않습니다.
• Dataset을 삭제한 경우 또한 자동 업데이트가 되지 않습니다.

Working with impressions data

• Impression data: 유저가 특정 item과 상호작용할 때 보이게되는 Item list
• Positive interaction: ex. clicking, watching, or purchasing

User-Personalization recipe는 Impression data를 사용합니다.
(다른 recipe의 경우 Positive interaction만 사용)

Impression data를 사용하여 item이 얼마나 자주 ignored 되었는지를 기반으로
새로운 아이템을 적절하게 계산하고, 그에따라 추천 아이템을 변경합니다.

Properties and hyperparameters

Algorithm hyperparameters

HPO tunable: Yes

hidden_dimension

• 모델에 사용되는 hidden variable의 갯수

• Hidden variable은 ranking score 생성을 위해 유저의 구매 history와 Item 통계를 새로 생성합니다.

• Interaction dataset이 더 복잡한 패턴을 가질 경우 더 큰 수의 hidden variable 지정합니다.

• 더 많은 hidden dimension은 더 큰 dataset과 processing time을 요구합니다.

• 최고의 값을 결정하기 위해서 HPO를 사용하는 것을 권장합니다.

bptt

• bptt: back-propagation through time
• back-propagation through time technique: RNN algorithm의 weight update 기법

• back-propagation through time technique 사용여부를 결정합니다.

• delayed rewards을 early event에 연결하기 위한 long-term credit을 위해 bptt을 사용합니다.
  (For example, a delayed reward can be a purchase made after several clicks. An early event can be an initial click.)
  • delayed rewards: 여러 event를 통해 발생한 최종 reward (?)
  • early event: 최근 event(ex. 클릭 한 번) (?)

• 장기적인 영향(long-term effect)를 고려하여 총 reward를 최대화 하는 것은 좋은 방법입니다.

• 장기적인 영향(long-term effects)을 고려하기 위해서는 더 큰 bptt 값을 사용합니다.

• 큰 bptt 값은 더 큰 dataset과 processing time이 필요합니다.

recency_mask

• Interaction dataset의 최신 인기 동향(Latest popularity trends)를 고려할지 여부를 결정합니다.

• 최근 인기 동향은 interaction dataset 패턴의 갑작스런 변화를 포함할 수 있습니다.

• 최근 이벤트에 더 많은 가중치를 부여하는 모델을 학습하려면 recency_mask를 true로 설정하세요.

• 과거의 interaction에 동일한 가중치를 부여하는 모델을 학습혀려면 recency_mask를 false로 설정하세요.
  동일한 가중치를 사용하여 좋은 추천을 얻기 위해서는 더 큰 학습 데이터셋이 필요합니다.

Featurization hyperparameters

HPO tunable: No

min_user_history_length_percentile

Short length history를 가진 유저는 개인의 취향이 아닌, 인기 아이템을 기반으로 한 패턴이 많이 보입니다.
이러한 history를 가진 유저 데이터를 제거하는 것이 학습 시 잠재된 데이터의 패턴에 집중할 수 있게 합니다.
대부분의 유저를 유지하되, edge case만 제거하는 것을 추천합니다.

max_user_history_length_percentile

Long length history를 가진 유저는 noise를 많이 가진 경향이 있습니다.(ex, 자동화된 interacation하는 로봇)
이러한 유저를 제한하는 것이 학습의 노이즈를 줄일 수 있습니다.
대부분의 유저를 유지하되, edge case만 제거하는 것을 추천합니다.

Campaign configuration hyperparameters

HPO tunable: No

exploration_weight

추천시 상호작용(interaction) 또는 관련성(relevance)이 적은 아이템을 얼마나 자주 추천할지 결정합니다
1에 가까울수록 더 자주 탐색(exploration)하고, 0이면 현재 데이터에 기반한 추천만 진행됩니다.(no exploration)

exploration_item_age_cut_off

Item이 마지막 상호작용(interaction)으로부터 time frame 기반으로 탐색할 Item을 결정합니다.
마지막 상호작용(interaction)으로부터 Item 탐색 범위를 정의하기위해 maximum item age을 제공합니다.
값이 클수록 더 많은 아이템이 탐색(exploration)에 고려됩니다.

Reference

• AWS Personalize Documentation - User Personalization