今天，我们很高兴地宣布三个新推出，它们将帮助您通过Amazon Personalize和生成式人工智能提升个性化的客户体验。无论您是寻找托管解决方案还是自己构建，您都可以使用这些新功能来为您的旅程提供动力。
Amazon Personalize是一个完全托管的机器学习（ML）服务，开发人员可以轻松地为用户提供个性化的体验。它使您能够提供个性化的产品和内容推荐，无需机器学习专业知识，在网站、应用程序和定向营销活动中提高客户参与度。通过使用Amazon Personalize提供的配方（为特定用例准备的算法），您可以提供多样化的个性化体验，例如“为您推荐”，“经常一起购买”，下一步最佳操作指南和带有用户分割的定向营销活动。
生成式人工智能正在迅速改变企业的商业模式。 Gartner预测：“到2026年，超过80%的企业将使用生成式人工智能API或模型，或在生产环境中部署生成式人工智能应用程序，而2023年这一比例不到5%。”虽然生成式人工智能可以快速创建内容，但它本身还不足以提供更高程度的个性化，以适应个体用户不断变化和微妙的偏好。许多公司正在积极寻求使用Amazon Personalize和生成式人工智能来增强用户体验的解决方案。
FOX Corporation（FOX）是一家制作和分发新闻、体育和娱乐内容的公司。
“为了向我们的用户提供超个性化的体验，我们正在将生成式人工智能与Amazon Personalize集成。Amazon Personalize帮助我们在内容定制方面实现了高度自动化。例如，FOX Sports在应用之后的观众开始时，观看内容的数量增加了400%。现在，我们正在将Amazon Bedrock与生成式人工智能结合起来用于我们的流程，以帮助我们的内容编辑生成有主题的集合。我们期待进一步探索Amazon Personalize Content Generator和Personalize on LangChain等功能，以进一步为我们的用户提供个性化的集合。”
– Daryl Bowden，执行副总裁，技术平台。
宣布推出Amazon Personalize Content Generator，以使推荐更具吸引力
Amazon Personalize推出了Content Generator，这是一种新的生成式人工智能功能，可以通过识别推荐项目之间的主题关联，使推荐更具吸引力。该功能可以将推荐体验提升到超越标准短语如“购买此商品的人还购买了…”的更具吸引力的标语，例如“早起和迎新”（适用于早餐食品系列），吸引用户点击购买。
为了详细了解Amazon Personalize Content Generator的影响，请看两个例子。
用例1：电影系列的旋转木马标题
微型流派是电影、音乐或其他媒体形式更大的流派中的一种专门的子类别。流媒体平台利用微型流派来提升用户体验，使观众或听众能够发现与他们特定口味和兴趣相符的内容。通过推荐带有微型流派的媒体内容，流媒体平台满足了多样化的偏好，最终增加了用户参与度和满意度。
现在，您可以使用Amazon Personalize Content Generator为微型流派系列创建旋转木马标题。首先，将用户交互和项目的数据集导入Amazon Personalize进行训练。您将上传一个itemId值列表作为种子项目。然后，在Amazon Personalize控制台上选择带有Content Generator的主题推荐或在API配置中将batch-inference-job-mode设置为THEME_GENERATION，创建批量推断作业。
作为批量推断的输出，您将得到一组相似的项目和每个种子项目的主题。我们还提供项目与主题的关联度得分，您可以使用它来设置阈值，只显示与主题强相关的项目。下面的截图显示了输出的示例：
{"input":{"itemId":"40"},"output":{"recommendedItems":["36","50","44","22","21","29","3","1","2","39"],"theme":"具有强大女性角色的电影","itemsThemeRelevanceScores":[0.19994527,0.183059963,0.17478035,0.1618133,0.1574806,0.15468733,0.1499242,0.14353688,0.13531424,0.10291852]}}{"input":{"itemId":"43"},"output":{"recommendedItems":["50","21","36","3","17","2","39","1","10","5"],"theme":"浪漫的电影，适合温馨的夜晚","itemsThemeRelevanceScores":[0.184988,0.1795761,0.11143453,0.0989443,0.08258403,0.07952615,0.07115086,0.0621634,-0.138913,-0.188913]}}...随后，您可以将通用短语“更多像 X 的电影”替换为亚马逊个性化内容生成器的输出主题，以使推荐更具吸引力。
应用场景 2：营销电子邮件的主题行
尽管成本效益高，电子邮件营销常常面临着低开启率和高退订率的问题。是否打开一封电子邮件的决定在很大程度上取决于主题行的吸引力，因为这是收件人与发件人姓名一起看到的第一件事。然而，编写吸引人的主题行通常会费时费力。
现在，借助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电子邮件主题行或标题，进一步个性化您的电子邮件营销活动。您可以按照之前的用例进行数据摄取、训练和创建批量推理作业的相同流程。以下是应用了亚马逊个性化输出的营销电子邮件示例，其中包含一组推荐物品和生成的主题行：
主题： 让您的生活闪耀的清洁产品！
亲爱的 <用户姓名>，您准备好将清洁工作变成轻松愉快的体验了吗？请探索我们的顶级精选： 机器人吸尘器 <图片> 窗户清洁套装 <图片> 带人体工学手柄的刷子 <图片> 超细纤维布 <图片> 环保清洁喷雾剂 <图片>
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加有效的营销活动。有关详细说明，请参考主题化批量推荐。
宣布 LangChain 整合，与 LangChain 框架无缝整合亚马逊个性化
LangChain 是一个强大的开源框架，允许与大型语言模型 (LLM) 进行整合。LLM 通常很灵活，但在需要更深层次的上下文和细致回应的领域特定任务中可能会遇到困难。LangChain 在这些场景下赋予开发人员能力，为其特定的生成式人工智能任务构建模块 (代理/链)。他们还可以通过连接和链接 LLM 提示来引入上下文和记忆，以解决不同的使用案例。
我们很高兴推出 LangChain 整合。借助这个新功能，构建人员可以在 LangChain 上使用亚马逊个性化自定义链，将亚马逊个性化与生成式人工智能解决方案无缝整合。将个性化元素添加到生成式人工智能解决方案中，帮助您与最终用户创建更具个性化和相关性的交互。以下代码片段演示了如何调用亚马逊个性化，检索运营活动或推荐器的推荐内容，并在 LangChain 生态系统中无缝地输入到您的生成式人工智能应用程序中。您还可以在顺序链中使用这个功能。
from langchain.utilities import AmazonPersonalizefrom langchain.chains import AmazonPersonalizeChainfrom langchain.llms.bedrock import Bedrockrecommender_arn="<insert_arn>"client=AmazonPersonalize(recommender_arn=recommender_arn, credentials_profile_name="default",region_name="us-west-2")bedrock_llm = Bedrock(model_id="anthropic.claude-v2", region_name="us-west-2")# 创建 personalize 链chain = AmazonPersonalizeChain.from_llm( llm=bedrock_llm, client=client)response = chain({'user_id': '1'})您可以使用这个功能来制作个性化营销文案，为推荐内容生成简洁摘要，在聊天机器人中推荐产品或内容，并通过您的创造力构建下一代客户体验。
Amazon Personalize 现在可以在推理响应中返回元数据，以改进生成式 AI 工作流程
Amazon Personalize 现在通过在推理输出中启用返回物品元数据来改进您的生成式 AI 工作流程。携带元数据的推荐使得提供额外的上下文给语言模型更加方便。这些额外的上下文，例如流派和产品描述，可以帮助模型更深入地理解物品属性，以生成更相关的内容。
Amazon Personalize 支持这种能力，无论是针对定制食谱还是领域优化的推荐系统。在创建活动或推荐器时，您可以启用返回推荐结果的元数据选项，或通过更新活动或推荐器来调整设置。您可以在推理调用期间通过 Amazon Personalize API 或 Amazon Personalize 控制台选择最多 10 个元数据字段和 50 个推荐结果以返回元数据。
以下是 API 的示例：
## 创建启用元数据的活动example_name = 'metadata_response_enabled_campaign'create_campaign_response = personalize.create_campaign( name = example_name, solutionVersionArn = example_solution_version_arn, minProvisionedTPS = 1, campaignConfig = {"enableMetadataWithRecommendations": True})## 使用元数据列进行推荐metadataMap = {"ITEMS": ["genres", "num"]}response = personalize_runtime.get_recommendations(campaignArn=example_campaign_arn, userId="0001", itemId="0002", metadataColumns=metadataMap, numResults=2) ## 含有元数据的示例响应 itemList': [ { 'itemId': '356', 'metadata': {'genres': 'Comedy', 'num': '0.6103248'} }, { 'itemId': '260', 'metadata': {'genres': 'Action|Adventure', 'num': '0.074548'}}, } ]结论
在亚马逊网络服务 (AWS) 中，我们不断地为客户创新。通过引入由 Amazon Personalize 和 Amazon Bedrock 提供支持的这些新功能，我们将丰富构建者和用户体验的各个方面，提高效率和最终用户的满意度。要了解更多关于本文讨论的功能，请查看Amazon Personalize 特性和Amazon Personalize 开发人员指南。