メタデータのタグ付けとユーザーのバケット化

[アーティクル]
10/07/2024

Intelligent Recommendations を使用すると、エンドユーザーが匿名であっても、関連性の高いパーソナライゼーションを向上させることができます。パーソナライズされたメタデータのタグ付けエクスペリエンスを、顧客が店舗に統合できます。このエクスペリエンスは、コンテンツ (執筆した記事、ポッドキャスト、ビデオ、小売製品など) のメタデータタグを識別して、そのユーザーの好みに応じて類似するタグやコンテンツを推奨する機能を使用し、実現されます。ユーザーメタデータは、次のような関連コンテンツをすべてのユーザーに推奨する際に威力を発揮します。

新規または不定期な顧客 (“コールドユーザー” とも呼ばれます)。
一意のメタデータタグ付けに基づいて、ユーザーを他のユーザーに結び付けます。
関連性するコンテンツとリードタイムが短いコンテンツの両方に、ユーザーを結び付けます。

メタデータのタグ付けを有効化すると、次のような新しい推奨シナリオをユーザーが作成できます。

自分に合わせて推奨されたメタデータカテゴリ
他のユーザーはこれらのカテゴリにも注目しています
最近の活動に基づく最近のイベント
属性付きメタデータタグに基づく類似の製品/コンテンツ
ユーザーの行動バケットに基づくおすすめ

タグとは?

タグは品目/コンテンツが含む関心事を表す記述子であり、これを使用してユーザーが移動します。また、エンドユーザーの活動に一意である必要があります。たとえば、映画の世界では、ジャンル、キャストメンバー、ムードなどが、すべて映画のタグと見なされる場合があり、エンドユーザーが特別に好き/嫌いである要素も同様です。有名なプレーヤー/ユーザー、記事のタイトル、ジャンル、製品カテゴリ、イベント、その他のコンテンツ用語を、タグに含めることもできます。その目標は、自分の興味や好みに合った関連コンテンツを、利用できるメタデータに基づいてエンドユーザーに推奨することです。

ーキテクチャの概要

アーキテクチャ図に示すようにメタデータのタグ付けを構成するには、前提条件は次のとおりです:

豊富なメタデータタグ (カタログ) を含む信頼性の高いコンテンツストレージ。
ユーザーによる操作の動作 (コンテンツのクリック数/使用状況)。また、エンドユーザーのプロファイル情報も使用できる場合があります。
タグとして表示されるユーザーの関心を理解するための、個別の Intelligent Recommendations アカウントとモデリングインスタンス。
リアルタイム API クエリでパーソナライズされたタグに基づき、コンテンツをランク付けするコンポーネント。

この画像は、別のインテリジェントレコメンデーションアカウントでメタデータのタグ付けを構成するためのアーキテクチャの概要を示しています。

有効にすると、サービスは以下に基づいてユーザー向けにパーソナライズされた「タグ」のモデルを生成します:

ユーザーとのやり取りの履歴
”タグ” を使用したメタデータが豊富なコンテンツ
1. ここでの前提は、タグがクリーン化されていることです (スペルミスがなく、タグは専門家によって事前に決定され、合理化されたセットであり、ランダムに作成または添付されていない) ということです。

データコントラクトの構成

データコントラクトを構成してメタデータのタグ付けに対応する際は、次の手順を実行します。ItemId、TagId、InteractionGroupingId 間の変更点に注意してください。

アプリケーションのセクションでは、TagID や BucketId を導入することでデータコントラクトの構成がどのように変わるかの例を見ることができます。メタデータのタグ付けをテストする際は、Intelligent Recommendations アカウントとモデリングインスタンスを別に用意することをお勧めします。

IR 機能名	カタログデータエンティティ	カタログデータエンティティフィールド	対話データエンティティ	対話データエンティティフィールド
(すべての応答に必須)	Reco_ItemsAndVariants	`TagId` としての `ItemId` `Title`
フィルター処理機能 (すべてのリストに適用)	Reco_ItemCategories	ItemCategories: `ItemId` (または `TagId`)、カテゴリ
他の人はこちらもチェック			Reco_Interactions	`UserId` としての `InteractionGroupingId` `TagId` としての `ItemId` `UserId` InteractionType: 購入 == 閲覧済み Timestamp
おすすめ			Reco_Interactions	(以前と同じ)

アプリケーションと例

次のセクションでは、メタデータのタグ付けが役立つ 2 つの一般的なユースケースを説明し、それぞれのデモデータを使用した例をいくつか示します。

コールドユーザー向けに "おすすめの人気品目" を取得します。例を確認する際は、"コールドユーザー向けにおすすめの人気品目を取得する" というタイトルのセクションを参照してください。
ユーザーのメタデータ値の機械学習マップを作成する方法。 例を確認する際は、"ユーザーのメタデータ値の機械学習マップを作成する" というタイトルのセクションを参照してください。

アプリケーション 1: コールドユーザー向けに "おすすめの人気品目" を取得する

AI と機械学習の分野で一般的な問題は、新規顧客や使用頻度の低いユーザー (“コールドユーザー” とも呼ばれる) に適切な推奨を提供する方法です。前述したように、ここでの目的は、意味のあるカテゴリと利用可能な人口統計情報 (つまり、年齢と性別) に基づいていくつかの個別のバケットを作成することです。次に、すべてのやり取りを使用して、すべてのユーザーを対応する顧客層情報バケットに関連付けます。これにより、モデルのトレーニング段階でバケットを品目に関連付けられます。サービス提供段階では、コールドユーザーの人口統計バケットを割り当てて、「ユーザーバケット別の最も人気のあるアイテム」などのアイテムを推奨することができます。

手順は次のとおりです。

メタデータ情報を含むユーザーのバケット化を準備します。
“Reco_Interactions.csv” データストレージファイルにモデルの関連付けを作成します。
モデルをクエリして “ユーザーバケットごとの最も人気のある品目” API を取得します。

ステップ 1: メタデータ情報を含むユーザーのバケット化を準備します

バケットを作成する際のベストプラクティスを次に示します。

ユーザーメタデータは範囲付きバケットとして表現できます。 ビジネスドメインとユースケースにとって意味のあるメタデータの使用を検討してください。たとえば、年齢データのバケットを作成する場合は、これらの値を使用できます: Age5To11、Age30To40 など。
一部のユーザーメタデータは、バケットで一緒に結合することもできます。 ご利用のビジネスドメインとユースケースにとって意味のあるメタデータと組み合わせを使用することを検討してください。たとえば、年齢と性別のデータを組み合わせて、次のようなバケットを作成できます: Age20To30Male、Age20To30Female、Age30To40Male、Age30To40Female など。
バケットを作成したら、それぞれのバケットに一意の BucketId を割り当てる必要があります。

ステップ 2: “Reco_Interactions.csv” データストレージファイルにモデルの関連付けを作成する

バケットの数が 1000 を超えるか下回るかによって、データコントラクトでデータを構成する方法が変わる場合があります。

バケットが 1000 未満の場合

各インタラクション行について、そのユーザーに対応する (あるいは最も適合する) ように、ChannelId を BucketId に設定します。インタラクションの CSV 行は、InteractionGroupingID、ItemId、UserId、BucketId、ChannelId に変更されます。やり取りの CSV の例を以下に示します。

1000 バケット未満のサンプル CSV

やり取りの CSV ヘッダーは便宜上表示されるものであり、実際のデータの一部ではありません。

InteractionGroupingId	ItemId	ItemVariantId	UserId	InteractionType	Timestamp	Future Attribute	Future Attribute	Channel	カタログCatalog	長所	IsPositive
`InteractionGroupingID`	`ItemId`		`UserId`					`BucketId`

バケットが 1000 を超える場合

データのバケットが 1000 を超える場合は、BucketId を使用してさらにインタラクション行を作成します。ユーザーと品目の間の元の各やり取り行を、これらの 2 つの行にのみ固有である一意の InteractionGroupingId を使用して 2 つの新しい別個の行 に変換します。例を次に示します。

UserId、ItemId、UNIQUE_ID としての InteractionGroupingId を使用した元のやり取り行。
ItemId として BucketId を持つ追加のやり取り行。

1000 バケットを超えるサンプル CSV:

やり取りの CSV ヘッダーは便宜上表示されるものであり、実際のデータの一部ではありません。

InteractionGroupingId	ItemId	ItemVariantId	UserId	InteractionType	Timestamp	Future Attribute	Future Attribute	Channel	カタログCatalog	長所	IsPositive
`UNIQUE_ID`	`ItemId`		`UserId`
`UNIQUE_ID`	`BucketId`		`UserId`

ステップ 3: モデルをクエリして “ユーザーバケットごとの最も人気のある品目” API を取得する

前述のモデル構築の概要を考慮してください。コールドユーザーとそのデモグラフィックバケットが決定された後、そのバケットに最も人気のあるアイテムを推奨するために、デモグラフィックフォーカスの BucketId で「Next Best Action」 (旧 CART) リストタイプを使用してサービングエンドポイントに問い合わせます。

バケットが 1000 未満の場合

ChannelId のパラメーターを BucketId 値で置き換えたサンプル API クエリリンクは、次のようになります。

<serving-endpoint>/Reco/V1.0/Popular?channelID=<BucketId>

例 1: バケットが 1000 未満の場合

最近 ItemId=98005 の品目を購入した、カスタム割り当てられた BucketId=Age30To40 を持つ、UserId=100 であるユーザーを想定します。この例では、"Reco_Interactions.csv" ファイルに、ユーザー (IR スキーマの UserId で表される) に最もマッチする BucketId (IR スキーマの ChannelId フィールド) を使用する行を作成します:

元のやり取り情報: InteractionGroupingId=1、UserId=100、ItemId=98005
この CSV の例では、UserId に最もよく一致した、関連する ChannelId が追加されていることに注意してください。この例では、UserId は BucketId= Age30To40 と一致したため、変更されたインタラクションの行は次のようになります:

InteractionGroupingId	ItemId	ItemVariantId	UserId	InteractionType	Timestamp	Future Attribute	Future Attribute	Channel	カタログCatalog	長所	IsPositive
6	98005		100					Age30To40

API クエリと応答は、3 番目の位置に ItemId=43218 を含む、ItemId のリストを返します。これは、このカテゴリのユーザーに人気のアイテムです。

API クエリ

GET <serving-endpoint>/reco/v1.0/Popular?ChannelId=Age30To40

回答

{
    "id": "Lists",
    "name": "Lists",
    "version": "v1.0",
    "interactionsVersion": "20220104115104",
    "items": [
        {
            "id": "65106",
            "trackingId": "00000000-0000-0000-0000-000000000003"
        },
        {
            "id": "62604",
            "trackingId": "00000000-0000-0000-0000-000000000003"
        },
        {
            "id": "43218",
            "trackingId": "00000000-0000-0000-0000-000000000003"
        },
        {
            "id": "63503",
            "trackingId": "00000000-0000-0000-0000-000000000003"
        },
        {
            "id": "62452",
            "trackingId": "00000000-0000-0000-0000-000000000003"
        }
    ],
    "title": "Popular",
    "longTitle": "Popular",
    "titleId": 5,
    "pagingInfo": {
        "totalItems": 200
    },
    "status": "Success"
}

バケットが 1000 を超える場合

コールドユーザーの ItemId を BucketId に置き換えた API クエリリンクのサンプルは、次のようになります:

<serving-endpoint>/Reco/V1.0/Cart/<BucketId>?

例 2: バケットが 1000 を超える場合

最近 ItemId=98005 の品目を購入した、カスタム割り当てられた BucketId=Age30To40Female を持つ、UserId=100 であるユーザーを想定します。これで、元のやり取りデータを使用して、“Reco_Interactions.csv” ファイルの行を作成できます:

元のやり取り情報: InteractionGroupingId= NEW_UNIQUE_ID、UserId=100、ItemId=98005
Intelligent Recommendations サービスが読み取る “Reco_Interactions.csv” ファイルが含むべき、作成されたやり取り情報の 2 つの行:

InteractionGroupingId	ItemId	ItemVariantId	UserId	InteractionType	Timestamp	Future Attribute	Future Attribute	Channel	カタログCatalog	長所	IsPositive
`UNIQUE_ID`	`98005`		`100`
`UNIQUE_ID`	`Age30To40Female`		`100`

API クエリと応答は、3 番目の位置に ItemId=43218 を含む、ItemId のリストを返します。これは、このカテゴリのユーザーに人気の製品です。

API クエリ

GET <serving-endpoint>/reco/v1.0/Cart/Age30To40Female?

回答

{
    "id": "Lists",
    "name": "Lists",
    "version": "v1.0",
    "interactionsVersion": "20220104115104",
    "items": [
        {
            "id": "65106",
            "trackingId": "00000000-0000-0000-0000-000000000003"
        },
        {
            "id": "62604",
            "trackingId": "00000000-0000-0000-0000-000000000003"
        },
        {
            "id": "43218",
            "trackingId": "00000000-0000-0000-0000-000000000003"
        },
        {
            "id": "63503",
            "trackingId": "00000000-0000-0000-0000-000000000003"
        },
        {
            "id": "62452",
            "trackingId": "00000000-0000-0000-0000-000000000003"
        }
    ],
    "title": "Cart",
    "longTitle": "FrequentlyBoughtTogether",
    "titleId": 5,
    "pagingInfo": {
        "totalItems": 200
    },
    "status": "Success"
}

アプリケーション 2: ユーザーのメタデータ値の機械学習マップを作成する

ユーザーとの直接的なやり取りの代わりにユーザーメタデータ “タグ” をモデル化することは、結果の生成が目標である場合に強力な変更となる可能性があり、それらのタグでユーザーがどのように関連付けられているか、どのタグが動作ごとに本当に類似しているかを示します。使用できる効果的な各タグ (例: 年齢や性別などの顧客層情報、またはその他のメタデータ) に、サービスが TagId として参照する一意の識別子を割り当てます。モデルのトレーニング段階で、すべてのやり取りデータを使用して、UserId と TagId の間の関連付けを構築します。

提供段階で、システムは UserId で “おすすめ” を呼び出すことでパーソナライズされたタグリストを提供でき、TagId で “その他のおすすめ” を呼び出すことで同様のタグを提供できます。

推奨に TagId を使用する方法:

ユーザーメタデータ値 (タグ) のリストを準備して、それぞれに一意の TagId を割り当てます。
モデルの接続を Reco_Interactions.CSV データストレージファイルに作成します。
モデルをクエリして、“ユーザーごとにパーソナライズされたタグ” または “類似するタグ” API を取得します。

ステップ 1: ユーザーメタデータ値 (タグ) のリストを準備して、それぞれに一意の TagId を割り当てます

年齢データの値を構築する場合、依然としてバケット化は優れたアプローチです: Age5To11、Age12To18 など。

その他のメタデータ値に対して、それぞれに個別の TagId を作成します。たとえば、家族の状態を示すカテゴリが必要な場合: Single、Couple、CoupleWithKids など。

ステップ 2: Reco_Interactions.CSV データストレージファイルにモデルの関連付けを作成する

ユーザーと品目の間の元の各やり取りを使用して、TagId でやり取りデータの行を作成します。 [!注意:]

このアプローチに関する重要な注意事項:

新しく構築したデータのみを、モデルのやり取りデータエンティティで使用します。

ユーザーを TagIds に関連付けるやり取り行の作成は、必ずしもやり取りに基づく必要はありません。ユーザーをモデルが含むタグに関連付けるために、やり取りを作成する方法を、この例で示します。

利用できる場合は、InteractionGroupingId に対して、元のやり取りを再利用することが合理的です。利用できない場合は、UserId ごとにグループ化を試みます。モデルのトレーニング段階で、すべてのやり取りデータを使用して、異なる TagId 間、および UserID と TagId 間の関連付けを構築します。さまざまなシナリオや使用パターンが異なる可能性があるため、さまざまなグループ化の方法を試してから、より関連性の高い結果をもたらす方法がどれかを確認することをお勧めします。

元のやり取り行: UserId、ItemId、InteractionGroupingId を含む。上記の BucketId の例とは異なり、この行を入力データセットに 絶対に含めないでください。

新しいやり取り行: UserId、ItemId としての TagId、InteractionGroupingId としての UserId を含む。

データコントラクトの例は次のようになります。

InteractionGroupingId	ItemId	ItemVariantId	UserId	InteractionType	Timestamp	Future Attribute	Future Attribute	Channel	カタログCatalog	長所	IsPositive
`UserId`	`TagId`		`UserId`

ステップ 3: モデルにクエリを実行して、ユーザーごとにパーソナライズされたタグ、または類似したタグを取得します

慎重にモデルを構築すると、「おすすめ」リストタイプと「人気ユーザーもいいね」リストタイプを使用して Serving エンドポイントをクエリすると、望ましい結果が得られます。

指定した UserId に対して推奨される TagId を返す "おすすめ" API クエリは、次のようになります。

<serving-endpoint>Reco/v1.0/picks?userId=<UserId>

シード品目パラメーターを対応する TagId で置き換えた、"その他のおすすめ" API クエリ:

<serving-endpoint>/Reco/V1.0/Similar/<TagID-value>?

応答出力のサンプル

{
    "id": "Picks",
    "name": "Picks",
    "version": "v1.0",
    "items": [
        {
            "id": "68100",
            "trackingId": "00000000-0000-0000-0000-000000000003"
        },
        {
            "id": "62500",
            "trackingId": "00000000-0000-0000-0000-000000000003"
        },
        {
            "id": "61504",
            "trackingId": "00000000-0000-0000-0000-000000000003"
        },
        {
            "id": "65103",
            "trackingId": "00000000-0000-0000-0000-000000000003"
        },
        {
            "id": "61401",
            "trackingId": "00000000-0000-0000-0000-000000000003"
        }
    ],
    "title": "Picks for you",
    "longTitle": "Picks for you",
    "titleId": 6,
    "personalizationConfidence": 1.0,
    "pagingInfo": {
        "totalItems": 139
    },
    "status": "Success"
}

例 3: デモデータで tagIds をクエリする

UserId=100 を持つユーザーが、次のタグと連携していると考えます: 123 (“サッカーファン” を表す)、Age30To40Female、FamilyWithKids。

元のやり取り行を使用して、“Reco_Interactions.csv” ファイルに次の行を作成できます: そのユーザーのタグごとに 1 つずつ存在する、新しい 3 行のインタラクション情報。Intelligent Recommendations サービスが読み取る “Reco_Interactions.csv” ファイルに含める必要があります。

![注意]

この例では UserId ごとのグループ化を選択し、InteractionGroupingId を UserId と等しく設定しました。また、ItemId は TagId を表すことにも注意してください。

InteractionGroupingId	ItemId	UserId
100	123	100
100	Age30To40Female	100
100	FamilyWithKids	100

類似のクエリと応答

類似 API を使用して作成された "その他のおすすめ" 要求は次のようになります。

GET <serving-endpoint>/Reco/V1.0/Similar/FamilyWithKids?

「People also like」レスポンスは、最初の位置に Age30To40Female、2 番目の位置に FamilyWithKids を含む 200 のItemIds (タグ) のリストを返します。


{
    "id": "Similar",
    "name": "Similar",
    "version": "v1.0",
    "items": [
        {
            "id": "Age30To40Female",
            "trackingId": "00000000-0000-0000-0000-000000000003"
        },
        {
            "id": "FamilyWithKids",
            "trackingId": "00000000-0000-0000-0000-000000000003"
        },
        {
            "id": "SportsParent",
            "trackingId": "00000000-0000-0000-0000-000000000003"
        },
        {
            "id": "651",
            "trackingId": "00000000-0000-0000-0000-000000000003"
        },
        {
            "id": "123",
            "trackingId": "00000000-0000-0000-0000-000000000003"
        }
    ],
    "title": "People also like",
    "longTitle": "People also like",
    "titleId": 6,
    "pagingInfo": {
        "totalItems": 200
    },
    "status": "Success"
}

サービスと対応するモデルの詳細については、モデリングガイドをご覧ください。

次の方法で共有

メタデータのタグ付けとユーザーのバケット化

タグとは?

ーキテクチャの概要

データコントラクトの構成

アプリケーションと例

アプリケーション 1: コールドユーザー向けに "おすすめの人気品目" を取得する

ステップ 1: メタデータ情報を含むユーザーのバケット化を準備します

ステップ 2: “Reco_Interactions.csv” データストレージファイルにモデルの関連付けを作成する

バケットが 1000 未満の場合

1000 バケット未満のサンプル CSV

バケットが 1000 を超える場合

1000 バケットを超えるサンプル CSV:

ステップ 3: モデルをクエリして “ユーザーバケットごとの最も人気のある品目” API を取得する

バケットが 1000 未満の場合

例 1: バケットが 1000 未満の場合

API クエリ

回答

バケットが 1000 を超える場合

例 2: バケットが 1000 を超える場合

API クエリ

回答

アプリケーション 2: ユーザーのメタデータ値の機械学習マップを作成する

ステップ 1: ユーザーメタデータ値 (タグ) のリストを準備して、それぞれに一意の TagId を割り当てます

ステップ 2: Reco_Interactions.CSV データストレージファイルにモデルの関連付けを作成する

ステップ 3: モデルにクエリを実行して、ユーザーごとにパーソナライズされたタグ、または類似したタグを取得します

応答出力のサンプル

例 3: デモデータで tagIds をクエリする

おすすめのクエリと応答

類似のクエリと応答

関連情報

その他のリソース

次の方法で共有

メタデータのタグ付けとユーザーのバケット化

タグとは?

ーキテクチャの概要

データ コントラクトの構成

アプリケーションと例

アプリケーション 1: コールド ユーザー向けに "おすすめの人気品目" を取得する

ステップ 1: メタデータ情報を含むユーザーのバケット化を準備します

ステップ 2: “Reco_Interactions.csv” データ ストレージ ファイルにモデルの関連付けを作成する

バケットが 1000 未満の場合

1000 バケット未満のサンプル CSV

バケットが 1000 を超える場合

1000 バケットを超えるサンプル CSV:

ステップ 3: モデルをクエリして “ユーザー バケットごとの最も人気のある品目” API を取得する

バケットが 1000 未満の場合

例 1: バケットが 1000 未満の場合

API クエリ

回答

バケットが 1000 を超える場合

例 2: バケットが 1000 を超える場合

API クエリ

回答

アプリケーション 2: ユーザーのメタデータ値の機械学習マップを作成する

ステップ 1: ユーザー メタデータ値 (タグ) のリストを準備して、それぞれに一意の TagId を割り当てます

ステップ 2: Reco_Interactions.CSV データ ストレージ ファイルにモデルの関連付けを作成する

ステップ 3: モデルにクエリを実行して、ユーザーごとにパーソナライズされたタグ、または類似したタグを取得します

応答出力のサンプル

例 3: デモ データで tagIds をクエリする

おすすめのクエリと応答

類似のクエリと応答

関連情報

その他のリソース

データコントラクトの構成

アプリケーション 1: コールドユーザー向けに "おすすめの人気品目" を取得する

ステップ 2: “Reco_Interactions.csv” データストレージファイルにモデルの関連付けを作成する

ステップ 3: モデルをクエリして “ユーザーバケットごとの最も人気のある品目” API を取得する

ステップ 1: ユーザーメタデータ値 (タグ) のリストを準備して、それぞれに一意の TagId を割り当てます

ステップ 2: Reco_Interactions.CSV データストレージファイルにモデルの関連付けを作成する

例 3: デモデータで tagIds をクエリする