内容个性化对数字出版的好处

人工智能 (AI) 和机器学习 (ML) 可以轻松创建个性化的用户体验。如果您是数字出版商，则可以使用 AI/ML 来显示和推荐针对个人用户兴趣量身定制的内容。个性化可以提高客户满意度，提高用户参与度，并减少编辑和内容创作人员的工作量。这篇博文讨论了如何使用 亚马逊 网络服务 (亚马逊云科技) 提供 的人工智能/机器学习服务 Amazon Personalize 来定制您的出版物。

个性化的好处

个性化的价值已在多个行业中得到证实。 麦肯锡公司（McKinsey & Company）在 2021年发布的一份报告 发现，71％的客户希望公司提供在线个性化互动，并首选根据自己的喜好推荐内容和产品的公司。实施个性化的公司从这些活动中获得了10％至15％的收入增长。

数字出版商也可以从个性化中获得类似的好处。例如，一家位于中欧的大型新闻网站 实施了由亚马逊网络服务合作伙伴Ring Publish ing创建的个性化 服务。Ring的服务根据每个用户的兴趣建立了量身定制的主页。这家新闻出版商的用户参与度提高了30％，消费的内容多样性增加了400％。换句话说，用户在网站上花费的时间越来越多，并且与更广泛的内容互动。编辑者管理主页的时间也减少了50％，使他们能够专注于其他任务，例如创建新内容。

使用亚马逊 Personalize

出版商传统上通过创建复杂的规则来实现用户体验的个性化：如果用户符合标准 A、B 和 C，则显示内容 X、Y 和 Z。但是，基于规则的系统往往很脆弱，难以维护，因为他们无法从用户的实际行为中吸取教训。相反，程序员需要手动更新规则以应对不断变化的情况。

像 Amazon Personalize 这样的人工智能/机器学习服务提供了一种更简单、更具扩展性的推荐方式。与其编写特殊代码，不如对一组数据运行 AI/ML 算法或配方来训练它提出建议。Amazon Personalize 提供多种食谱来处理不同的推荐场景。例如，要对向用户显示的内容进行个性化设置，可以使用 “用户推荐” 配方。

图 1。与亚马逊 Personality 的典型互动

要使用该配方，首先要导入有关用户、内容项目以及过去用户与内容互动的数据。然后，您可以训练配方以创建模型，方法是让它读取数据，通常来自 亚马逊简单存储服务 (Amazon S3) 存储桶。您至少需要导入 1,000 个互动和 25 个用户，每个用户至少有两个互动。 在撰写本文时，Amazon Personalize将考虑多达1亿用户和30亿次互动 用于培训目的。训练数据越多，建议就越好。但是，您需要为训练时间付费，因此您需要在预算和训练目标之间取得平衡。经过训练后，您可以将模型作为活动的一部分进行部署，并可以开始请求推荐。有关培训、部署、推荐请求和定价的更多信息，请参阅 Amazon Personalize 文档 。

发布新内容时会发生什么，例如突发新闻报道或电影评论？由于该项目是新的，因此该模型没有任何互动数据可以知道哪些用户对该内容感兴趣。用户推荐配方通过两种方式解决了这个问题。首先，食谱会自动在推荐中包含一定比例的新发布项目，以便它可以收集有关用户对内容的反应的数据。在设置活动时，你可以控制推荐中包含多少新项目。系统推荐新项目的第二种方法是检查加载内容数据时提供的任何元数据，例如描述、发布日期或关键字。食谱使用元数据来确定新项目与先前发布的内容的相似程度。然后，它可以根据这种相似性提出建议。 此处将更详细地 讨论处理新的或所谓的 冷藏物品 。

使用上下文和元数据改进建议

您提供的有关用户、项目和互动的元数据对于提供相关建议非常重要。我已经讨论过描述和关键词等元数据如何帮助 Amazon Personalize 推荐新内容。用户元数据还有助于食谱了解用户感兴趣的内容。例如，如果您知道该国不同地区的读者对特定主题感兴趣，则应在用户数据集中包含位置信息。当Amazon Personalize为用户提供推荐时，它会考虑他们的位置。

您还可以向互动数据中添加元数据。互动至少必须包含您的用户和内容项目的标识符，以及互动发生的时间戳。上下文元数据也可能非常有价值。例如，用户经常根据他们使用的设备改变他们的阅读习惯。在手机上，用户可能更喜欢较短的内容项目。使用台式机或平板电脑时，他们可能更喜欢长篇内容。因此，最好在互动数据集中捕获设备类型，这样 Amazon Personalize 就可以从这种行为中吸取教训。提交推荐请求时，可以将用户的当前设备类型作为上下文参数包括在内。然后，Amazon Personalize 将在回应中考虑该背景。其他可能很重要的情境领域包括可用带宽、互动发生的地理位置，甚至天气。例如，如果您发布有关食物和饮料的内容，则可能希望 Amazon Personalize 在天气炎热时推荐更多的冰饮和凉爽的甜点！

您将需要对数据集中提供的元数据进行试验，然后反复进行操作，直到为用户和内容获得最佳推荐为止。 可以在此处找到描述元数据和上下文重要性的博客文章 。跟踪用户查看了多少内容项目以及他们花了多长时间与您的内容互动的指标。然后，您可以运行 A/B 测试来比较不同的元数据选项。如果你看到互动指标有所改善，那么你就知道你提供了正确的背景和元数据。

你是否应该始终向用户展示他们感兴趣的内容？

在对内容进行个性化设置时，您需要注意创建 “ 过滤气 泡 ” 或 “回声室”。由于用户只能看到他们感兴趣的东西，因此他们失去了探索和发现新物品的能力。过滤泡沫可能发生在任何依赖个性化的行业中。例如，一家送餐服务公司的一位机器学习工程师 在一篇博客文章中 指出 ：“建立质量推荐和个性化需要在推荐用户可能喜欢的新事物的同时，微妙地平衡已知的用户信息。”

Amazon Personalize 认识到用户的探索需求，可以在其推荐中加入所谓的探索项目。用户个性化配方包含 e xploration_weig ht 和 expl oration_item_age_cut_off 参数，你可以在设置系统时配置这些参数。 如果您将权重设置为 0，则推荐中不包含任何探索项目。如果您将重量设置为接近 1.0，则会包含更多物品。默认值为 0.3。年龄截止参数控制探索项目的最大年龄，以天数计算。例如，如果您将该值设置为 7，则超过 7 天的内容将不会被列为探索项目。

新闻和学术出版商对应该向用户展示多少个性化内容特别敏感。这些出版商依靠权威的声音，经常想强调主题专家选择的内容。正如《 纽约时报》 首席技术官在2018年解释的那样 ：“读者对新闻中的 个性化有喜忧参半的感受。他们想要两个不同的东西——用判断力和权威来描绘世界，但也需要反映他们利益的评论。”

《纽约时报》仅在其主页上的 “为你推荐” 栏目中显示个性化内容，从而 保持编辑控制权。亚马逊云科技 合作伙伴 Ring Publishing 采用类似的方法来平衡个性化与编辑精选的内容。使用Ring的解决方案，编辑者可以在主页上指定完全个性化的特定区块，而主页的其他部分可能由编辑者选择或包含编辑和人工智能选择的内容混合在一起。

Amazon Personalize 使您可以显示混合了个性化商品和手动选择商品的推荐。用户推荐配方通过促销支持此用例。在您的项目数据集中，您首先使用元数据字段识别经过编辑选择的内容。例如，您可能有一个名为 “选定” 的字段，将其设置为 “真” 或 “假”。请求推荐时，您可以指定要包含的促销商品的百分比，以及用于选择您创建的元数据字段的促销过滤器。在这种情况下，过滤器表达式可能如下所示：

在所选商品的位置添加商品编码（“真”）

有关在推荐中推广内容项目的更多信息，可以在 此处的 Amazon Personalize 文档 中找到 。

结论

在这篇博客文章中，我们讨论了Amazon Personalize如何创造更好的用户体验。如果您是数字出版商，则为用户提供个性化内容可以：

• 提高用户参与度
• 通过提高员工的工作效率来降低成本
• 通过多样化内容消费来最大限度地提高投资回报

个性化不是一个放之四海而皆准的解决方案。每个出版商都需要量身定制方法以满足业务需求——与旧内容相比，应该推荐多少新内容？手动选择的内容与 AI 选择的内容相比，应该推荐多少百分比？与鼓励探索新内容相比，你应该在多大程度上依赖符合用户兴趣的内容？哪些元数据和上下文字段最相关？发布商应将个性化视为一个迭代过程，并随着时间的推移对其进行完善和调整，为用户创造最佳体验。

作为出版商，您需要决定个性化如何提高客户满意度、促进创新、降低成本和提高效率。要了解有关 Amazon Personalize 的更多信息，请访问服务 文档 或咨询您的 亚马逊云科技 账户代表，了解它可能为您的业务带来哪些好处。