Die vorliegende Übersetzung wurde maschinell erstellt. Im Falle eines Konflikts oder eines Widerspruchs zwischen dieser übersetzten Fassung und der englischen Fassung (einschließlich infolge von Verzögerungen bei der Übersetzung) ist die englische Fassung maßgeblich.
HRNN-Metadaten-Rezept (veraltet)
Anmerkung
Ältere HRNN-Rezepte sind nicht mehr verfügbar. Diese Dokumentation dient zu Referenzzwecken.
Wir empfehlen, das Rezept aws-user-personalizaton (Benutzerpersonalisierung) gegenüber den älteren HRNN-Rezepten zu verwenden. Die Benutzerpersonalisierung verbessert und vereinheitlicht die Funktionalität der HRNN-Rezepte. Weitere Informationen finden Sie unter Rezept für Benutzerpersonalisierung.
Das HRNN-Metadata-Rezept prognostiziert die Elemente, mit denen ein Benutzer interagiert. Dies ähnelt dem HRNN-Rezept mit zusätzlichen Funktionen, die aus Kontext-, Benutzer- und Elementmetadaten abgeleitet sind (aus Datensätzen für Interaktionen, Benutzer und Elemente). HRNN-Metadata bietet Genauigkeitsvorteile gegenüber Nicht-Metadatenmodellen, wenn qualitativ hochwertige Metadaten verfügbar sind. Die Verwendung dieses Rezepts erfordert möglicherweise längere Schulungszeiten.
Das HRNN-Metadata-Rezept hat die folgenden Eigenschaften:
Name (Name –
aws-hrnn-metadata
Rezept Amazon-Ressourcenname (ARN) —
arn:aws:personalize:::recipe/aws-hrnn-metadata
Algorithmus ARN —
arn:aws:personalize:::algorithm/aws-hrnn-metadata
Merkmalstransformation ARN —
arn:aws:personalize:::feature-transformation/featurize_metadata
Art des Rezepts —
USER_PERSONALIZATION
In der folgenden Tabelle werden die Hyperparameter für das HRNN-Metadata-Rezept beschrieben. Ein Hyperparameter ist ein Algorithmusparameter, den Sie anpassen können, um die Modellleistung zu verbessern. Algorithmus-Hyperparameter steuern die Leistung des Modells. Hyperparameter zur Entwicklung von Funktionen steuern, wie die Daten für die Schulung gefiltert werden. Die Auswahl des besten Werts für einen Hyperparameter wird als Hyperparameteroptimierung (HPO) bezeichnet. Weitere Informationen finden Sie unter Hyperparameter und HPO.
Die Tabelle enthält auch die folgenden Informationen für jeden Hyperparameter:
Bereich: [Untergrenze, Obergrenze]
Werttyp: Ganzzahl, kontinuierlich (float), kategorisch (boolean, Liste, Zeichenfolge)
HPO optimierbar: Kann der Parameter an der Hyperparameteroptimierung (HPO) teilnehmen?
Name | Beschreibung |
---|---|
Algorithmus-Hyperparameter | |
hidden_dimension |
Anzahl der ausgeblendeten Variablen im Modell. Ausgeblendete Variablen erstellen die Kaufhistorie und Elementstatistiken der Benutzer neu, um die Rangfolge zu generieren. Geben Sie eine größere Anzahl ausgeblendeter Dimensionen an, wenn Ihr Datensatz mit Artikelinteraktionen kompliziertere Muster enthält. Je mehr ausgeblendete Dimensionen verwendet werden, desto größer muss das Dataset sein und desto länger dauert die Verarbeitung. Bestimmen Sie den optimalen Wert mithilfe der HPO. Um HPO zu verwenden, legen Sie Standardwert: 43 Bereich: [32, 256] Werttyp: Ganzzahl HPO-optimierbar: Ja |
bptt |
Legt fest, ob die Technik „Backpropagation über Zeit“ verwendet werden soll. DieBackpropagation über Zeit ist eine Technik, die Gewichtungen in wiederkehrenden neuronalen netzwerkbasierten Algorithmen aktualisiert. Verwenden Sie Standardwert: 32 Bereich: [2, 32] Werttyp: Ganzzahl HPO-optimierbar: Ja |
recency_mask |
Legt fest, ob das Modell die neuesten Beliebtheitstrends im Datensatz Artikelinteraktionen berücksichtigen soll. Neueste Beliebtheitstrends können plötzliche Änderungen in den zugrunde liegenden Mustern von Interaktionsereignissen umfassen. Um ein Modell zu schulen, das aktuelle Ereignisse stärker gewichtet, legen Sie Standardwert: Bereich: Werttyp: Boolescher Wert HPO-optimierbar: Ja |
Hyperparameter zur Featureinstellung | |
min_user_history_length_percentile |
Das Mindestperzentil der Benutzerhistorienlängen, das in die Modellschulung einbezogen werden muss. Historienlänge ist die Gesamtmenge der Daten zu einem Benutzer. Verwenden Sie Wenn Sie beispielsweise Standardwert: 0.0 Bereich: [0,0, 1,0]. Werttyp: Gleitkommazahl HPO-optimierbar: Nein |
max_user_history_length_percentile |
Das maximale Perzentil der Benutzerhistorienlänge, das in die Modellschulung einbezogen werden kann. Historienlänge ist die Gesamtmenge der Daten zu einem Benutzer. Verwenden Sie Wenn Sie beispielsweise Standardwert: 0.99 Bereich: [0,0, 1,0]. Werttyp: Gleitkommazahl HPO-optimierbar: Nein |