Receta de clasificación personalizada

La receta de clasificación personalizada genera clasificaciones personalizadas de artículos. Una clasificación personalizada es una lista de elementos recomendados que se vuelven a clasificar para un usuario específico. Esto resulta útil si tienes una colección de artículos pedidos, como resultados de búsqueda, promociones o listas seleccionadas, y quieres ofrecer una nueva clasificación personalizada para cada uno de tus usuarios. Por ejemplo, con Personalized-Ranking, Amazon Personalize puede volver a clasificar los resultados de búsqueda que genere conOpenSearch.

Para entrenar un modelo, la receta de clasificación personalizada utiliza los datos de tu conjunto de datos de interacciones y, si los has creado, el conjunto de datos de artículos y el conjunto de datos de usuarios de tu grupo de conjuntos de datos (estos conjuntos de datos son opcionales). Con la clasificación personalizada, tu conjunto de datos de artículos puede incluirMetadatos de texto no estructuradoy su conjunto de datos de interacciones puede incluirMetadatos contextuales. Para obtener una clasificación personalizada, utilice laGetPersonalizedRankingAPI.

Después de crear una versión de la solución, asegúrese de mantener la versión de la solución y los datos actualizados. Con la clasificación personalizada, debe crear manualmente una nueva versión de la solución (volver a entrenar el modelo) para reflejar las actualizaciones de su catálogo y actualizar el modelo con el comportamiento más reciente del usuario. A continuación, debe actualizar cualquier campaña con la versión de la solución. Para obtener más información, consulte Mantener la relevancia de las recomendaciones.

nota

Si proporcionas productos sin datos de interacciones para clasificarlos, Amazon Personalize los devolverá sin una puntuación de recomendación en elGetPersonalizedRankingRespuesta de la API.

Esta receta tiene las siguientes propiedades:

• Nombre: aws-personalized-ranking

• Nombre de recurso de Amazon (ARN) de la receta—arn:aws:personalize:::recipe/aws-personalized-ranking

• Algoritmo ARN—arn:aws:personalize:::algorithm/aws-personalized-ranking

• ARN de transformación de funciones—arn:aws:personalize:::feature-transformation/JSON-percentile-filtering

• Tipo de receta—PERSONALIZED_RANKING

Hiperparámetros

En la siguiente tabla se describen los hiperparámetros de la receta Personalize-Ranking. Un hiperparámetro es un parámetro de algoritmo que se puede ajustar para mejorar el rendimiento del modelo. Los hiperparámetros de algoritmos controlan el rendimiento del modelo. Los hiperparámetros de caracterización controlan cómo se filtran los datos que se van a utilizar en el entrenamiento. El proceso de elección del mejor valor para un hiperparámetro se denomina optimización de hiperparámetros (HPO). Para obtener más información, consulte Hiperparámetros y HPO.

La tabla también proporciona la siguiente información para cada hiperparámetro:

• Rango: [límite inferior, límite superior]

• Tipo de valor: número entero, continuo (float), categórico (boolean, list, string)

• HPO ajustable: ¿puede el parámetro participar en optimización hiperparámetros (HPO)?

Nombre	Descripción
Hiperparámetros del algoritmo
hidden_dimension	El número de variables ocultas utilizadas en el modelo. Las variables ocultas recrean el historial de compras de los usuarios y las estadísticas de los elementos para generar puntuaciones de clasificación. Especifique un número mayor de dimensiones ocultas cuando el conjunto de datos de interacciones incluya patrones más complicados. El uso de más dimensiones ocultas requiere un conjunto de datos mayor y más tiempo de procesamiento. Para decidir el valor óptimo, utilice HPO. Para utilizar HPO, establezca en true cuando llame performHPO a las operaciones CreateSolutionVersion y CreateSolution. Valor predeterminado: 149 Rango: [32, 256] Tipo de valor: entero HPO ajustable: sí
bptt	Determina si se debe utilizar la propagación hacia atrás a través de la técnica de tiempo. La propagación hacia atrás a través del tiempo es una técnica que actualiza ponderaciones en algoritmos basados en redes neuronales recurrentes. Utilice bptt para créditos a largo plazo para conectar recompensas retrasadas a eventos tempranos. Por ejemplo, una recompensa retrasada puede ser una compra realizada después de varios clics. Un evento temprano puede ser un clic inicial. Incluso dentro de los mismos tipos de eventos, tales como un clic, es buena idea tener en cuenta los efectos a largo plazo y maximizar las recompensas totales. Para tener en cuenta los efectos a largo plazo, utilice valores mayores de bptt. El uso de un valor de bptt mayor requiere conjuntos de datos más grandes y más tiempo de procesamiento. Valor predeterminado: 32 Rango: [2, 32] Tipo de valor: entero HPO ajustable: sí
recency_mask	Determina si el modelo debe tener en cuenta las últimas tendencias de popularidad en el conjunto de datos de interacciones. Las últimas tendencias de popularidad pueden incluir cambios bruscos en los patrones subyacentes de los eventos de interacción. Para entrenar un modelo que tenga más peso sobre los eventos recientes, establezca recency_mask en true. Para entrenar un modelo que pesa igualmente todas las interacciones anteriores, establezca recency_mask en false. Para obtener buenas recomendaciones con el mismo peso, es posible que necesite un conjunto de datos de entrenamiento mayor. Valor predeterminado: True Rango: True o False Tipo de valor: booleano HPO ajustable: sí
Hiperparámetros de caracterización
min_user_history_length_percentile	El percentil mínimo de longitudes de historial de usuario para incluir en el entrenamiento de modelos. La longitud del historial es la cantidad total de datos sobre un usuario. Utilice min_user_history_length_percentile para excluir un porcentaje de usuarios con longitudes de historial cortas. Los usuarios con un historial corto suelen mostrar patrones basados en la popularidad de los elementos en lugar de sus necesidades o deseos personales. Eliminarlos puede entrenar modelos que se centren más en los patrones subyacentes de los datos. Elija un valor adecuado después de revisar las longitudes del historial de usuarios, utilizando un histograma o una herramienta similar. Recomendamos establecer un valor que retenga a la mayoría de los usuarios, pero que elimine los casos de borde. Por ejemplo, al establecer min__user_history_length_percentile to 0.05 y max_user_history_length_percentile to 0.95 se incluyen todos los usuarios, excepto los que tienen longitudes de historial en el 5 % inferior o superior. Valor predeterminado: 0.0 Rango: [0,0, 1,0] Tipo de valor: flotante HPO ajustable: no
max_user_history_length_percentile	El percentil máximo de longitudes de historial de usuario para incluir en el entrenamiento de modelos. La longitud del historial es la cantidad total de datos sobre un usuario. Utilice max_user_history_length_percentile para excluir un porcentaje de usuarios con longitudes de historial largas, ya que los datos de estos usuarios tienden a contener ruido. Por ejemplo, un robot podría tener una larga lista de interacciones automatizadas. La eliminación de estos usuarios limita el ruido en el entrenamiento. Elija un valor adecuado después de revisar las longitudes del historial de usuarios mediante un histograma o una herramienta similar. Recomendamos establecer un valor que retenga la mayoría de los usuarios, pero que elimine los casos de borde. Por ejemplo, al establecer min__user_history_length_percentile to 0.05 y max_user_history_length_percentile to 0.95 se incluyen todos los usuarios, excepto los que tienen longitudes de historial en el 5 % inferior o superior. Valor predeterminado: 0.99 Rango: [0,0, 1,0] Tipo de valor: flotante HPO ajustable: no

Cuaderno de muestra de clasificación personalizado

Para ver un ejemplo de cuaderno de Jupyter que muestra cómo utilizar la receta de clasificación personalizada, consulteEjemplo de clasificación personalizada.