本文主要是介绍构建LangChain应用程序的示例代码：7、如何使用Amazon Personalize服务的教程，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
Amazon Personalize 使用指南
Amazon Personalize 是一项完全托管的机器学习服务，它利用您的数据为您的用户生成项目推荐。它还可以根据用户对特定项目或项目元数据的偏好生成用户细分。
本教程将指导您如何使用 Amazon Personalize Chain。在开始下面的教程之前，您需要一个 Amazon Personalize 的 campaign_arn 或 recommender_arn。
以下是在 Amazon Personalize 上设置 campaign_arn/recommender_arn 的教程。设置完成后，您可以在 langchain 生态系统中使用它。
1. 安装依赖项
!pip install boto3
2. 示例用例
2.1 用例-1: 设置 Amazon Personalize 客户端并检索推荐
from langchain_experimental.recommenders import AmazonPersonalizerecommender_arn = ""client = AmazonPersonalize(credentials_profile_name="default",region_name="us-west-2",recommender_arn=recommender_arn,
)
client.get_recommendations(user_id="1")
2.2 用例-2: 调用 Personalize Chain 以总结结果
from langchain.llms.bedrock import Bedrock
from langchain_experimental.recommenders import AmazonPersonalizeChainbedrock_llm = Bedrock(model_id="anthropic.claude-v2", region_name="us-west-2")# 创建个性化链
# 如果您不需要摘要，请使用 return_direct=Truechain = AmazonPersonalizeChain.from_llm(llm=bedrock_llm, client=client, return_direct=False
)
response = chain({"user_id": "1"})
print(response)
2.3 用例-3: 使用您自己的提示调用 Amazon Personalize Chain
from langchain.prompts.prompt import PromptTemplateRANDOM_PROMPT_QUERY = """
您是一位熟练的公关人员。根据下面的电影和用户信息，为下周在视频点播流媒体平台上可用的几部电影撰写一份高转化率的营销电子邮件。
您的电子邮件将利用故事讲述和说服性语言的力量。
要推荐的电影及其信息包含在 <tag> 标签中。
所有在 <tag> 标签中的电影都必须被推荐。提供电影的概述以及为什么人类应该观看它们。
将电子邮件放在 <tags> 之间。
"""RANDOM_PROMPT = PromptTemplate(input_variables=["result"], template=RANDOM_PROMPT_QUERY)chain = AmazonPersonalizeChain.from_llm(llm=bedrock_llm, client=client, return_direct=False, prompt_template=RANDOM_PROMPT
)
chain.run({"user_id": "1", "item_id": "234"})
2.4 用例-4: 在顺序链中调用 Amazon Personalize
from langchain.chains import LLMChain, SequentialChainRANDOM_PROMPT_QUERY_2 = """
您是一位熟练的公关人员。根据下面的电影和用户信息，为下周在视频点播流媒体平台上可用的几部电影撰写一份高转化率的营销电子邮件。
您的电子邮件将利用故事讲述和说服性语言的力量。
您希望电子邮件给用户留下深刻印象，因此使其对他们有吸引力。
要推荐的电影及其信息包含在 <tag> 标签中。
所有在 <tag> 标签中的电影都必须被推荐。提供电影的概述以及为什么人类应该观看它们。
将电子邮件放在 <tags> 之间。
"""RANDOM_PROMPT_2 = PromptTemplate(input_variables=["result"], template=RANDOM_PROMPT_QUERY_2
)
personalize_chain_instance = AmazonPersonalizeChain.from_llm(llm=bedrock_llm, client=client, return_direct=True
)
random_chain_instance = LLMChain(llm=bedrock_llm, prompt=RANDOM_PROMPT_2)
overall_chain = SequentialChain(chains=[personalize_chain_instance, random_chain_instance],input_variables=["user_id"],verbose=True,
)
overall_chain.run({"user_id": "1", "item_id": "234"})
2.5 用例-5: 调用 Amazon Personalize 并检索元数据
recommender_arn = ""
metadata_column_names = ["", # 这里需要填入元数据列名"", # 这里需要填入元数据列名
]
metadataMap = {"ITEMS": metadata_column_names}client = AmazonPersonalize(credentials_profile_name="default",region_name="us-west-2",recommender_arn=recommender_arn,
)
client.get_recommendations(user_id="1", metadataColumns=metadataMap)
2.6 用例-6: 使用返回的元数据调用 Personalize Chain 以总结结果
bedrock_llm = Bedrock(model_id="anthropic.claude-v2", region_name="us-west-2")# 创建个性化链
# 如果您不需要摘要，请使用 return_direct=Truechain = AmazonPersonalizeChain.from_llm(llm=bedrock_llm, client=client, return_direct=False
)
response = chain({"user_id": "1", "metadata_columns": metadataMap})
print(response)
这篇关于构建LangChain应用程序的示例代码：7、如何使用Amazon Personalize服务的教程的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
