Recette HRNN (ancienne)

Note

Les recettes HRNN traditionnelles ne sont plus disponibles. Cette documentation est fournie à titre de référence.

Nous vous recommandons d'utiliser la recette aws-user-personalizaton (personnalisation utilisateur) plutôt que les anciennes recettes HRNN. La personnalisation par l'utilisateur améliore et unifie les fonctionnalités proposées par les recettes HRNN. Pour en savoir plus, consultez Recette de personnalisation par l'utilisateur.

La recette du réseau neuronal récurrent hiérarchique (HRNN) Amazon Personalize modélise les modifications du comportement des utilisateurs afin de fournir des recommandations au cours d'une session. Une session est un ensemble d'interactions utilisateur au sein d'une période donnée dans le but de trouver un élément spécifique pour répondre à un besoin, par exemple. En évaluant davantage les interactions récentes d'un utilisateur, vous pouvez fournir des recommandations plus pertinentes au cours d'une session.

HRNN tient compte de l'intention et des intérêts de l'utilisateur, qui peuvent changer au fil du temps. Les historiques d'utilisateurs ordonnés sont pondérés automatiquement pour créer de meilleures inférences. HRNN utilise un mécanisme de passage pour modéliser les pondérations de remise en tant que fonction pouvant être apprise des éléments et des horodatages.

Amazon Personalize extrait les fonctionnalités de chaque utilisateur à partir de votre ensemble de données. Si vous avez terminé l'intégration des données en temps réel, ces fonctionnalités sont mises à jour en temps réel en fonction de l'activité de l'utilisateur. Pour obtenir une recommandation, vous fournissez uniquement le USER_ID. Si vous en fournissez également unITEM_ID, Amazon Personalize l'ignore.

La recette HRNN possède les propriétés suivantes :

• Nom – aws-hrnn

• Nom de la ressource Amazon (ARN) de la recette — arn:aws:personalize:::recipe/aws-hrnn

• Algorithme ARN — arn:aws:personalize:::algorithm/aws-hrnn

• ARN de transformation des fonctionnalités — arn:aws:personalize:::feature-transformation/JSON-percentile-filtering

• Type de recette — USER_PERSONALIZATION

Le tableau suivant décrit les hyper-paramètres de la recette HRNN. Un hyperparamètre est un paramètre d'algorithme que vous pouvez régler pour améliorer les performances du modèle. Les hyperparamètres d'algorithme contrôlent les performances du modèle. Les hyperparamètres d’organisation de fonction contrôlent la façon de filtrer les données à utiliser dans la formation. Le processus de sélection de la meilleure valeur pour un hyperparamètre est appelé optimisation des hyperparamètres (HPO). Pour en savoir plus, consultez Hyperparamètres et HPO.

Le tableau fournit également les informations suivantes pour chaque hyperparamètre :

• Plage: [lower bound, upper bound]

• Type de valeur : integer (entier), Continuous (float) [continu (flottant)], Categorical (Boolean, list, string) [catégorique (booléen, liste, chaîne)]

• HPO tunable (HPO réglable) : le paramètre peut-il participer à HPO ?

Name (Nom)	Description
Hyperparamètres de l'algorithme
hidden_dimension	Nombre de variables masquées utilisées dans le modèle. Les variables masquées recréent l'historique des achats des utilisateurs et les statistiques des articles pour générer des scores de classement. Spécifiez un plus grand nombre de dimensions masquées lorsque votre jeu de données d'interactions entre objets inclut des modèles plus complexes. L'utilisation de dimensions masquées nécessite un ensemble de données plus volumineux et plus de temps pour le traitement. Pour décider de la valeur optimale, utilisez HPO. Pour utiliser HPO, définissez performHPO sur true lorsque vous appelez les opérations CreateSolution et CreateSolutionVersion. Valeur par défaut : 43 Plage : [32, 256] Type de valeur : entier HPO personnalisable : oui
bptt	Détermine s'il convient d'utiliser la technique de propagation de retour à travers le temps. La propagation du retour au fil du temps est une technique qui met à jour les pondérations dans les algorithmes récurrents basés sur les réseaux neuronaux. Utilisez bptt pour les crédits à long terme afin de connecter les récompenses retardées à des événements précoces. Par exemple, une récompense retardée peut être un achat effectué après plusieurs clics. Un événement précoce peut être un clic initial. Même dans les mêmes types d'événements, comme un clic, il est judicieux de prendre en compte les effets à long terme et d'optimiser le total des récompenses. Pour prendre en compte les effets à long terme, utilisez des valeurs bptt plus élevées. L'utilisation d'une valeur bptt plus importante nécessite des ensembles de données plus volumineux et plus de temps pour le traitement. Valeur par défaut : 32 Plage : [2, 32] Type de valeur : entier HPO personnalisable : oui
recency_mask	Détermine si le modèle doit prendre en compte les dernières tendances de popularité dans le jeu de données d'interactions entre articles. Les dernières tendances de popularité peuvent inclure des modifications soudaines dans les modèles sous-jacents des événements d'interaction. Pour former un modèle qui accorde plus de poids aux événements récents, définissez recency_mask sur true. Pour former un modèle qui pèse de manière égale toutes les interactions passées, définissez recency_mask sur false. Pour obtenir de bonnes recommandations en utilisant un poids égal, vous pouvez avoir besoin d'un ensemble de données de formation plus grand. Valeur par défaut : True Plage : True ou False Type de valeur : booléen HPO personnalisable : oui
Hyperparamètres de fonctionnalité
min_user_history_length_percentile	Le percentile minimal des longueurs d’historique d'utilisateur à inclure dans la formation du modèle. La longueur de l'historique correspond à la quantité totale de données sur un utilisateur. Utilisez min_user_history_length_percentile pour exclure un pourcentage d'utilisateurs avec des longueurs d'historique courtes. Les utilisateurs avec un court historique affichent souvent des modèles basés sur la popularité des éléments plutôt que sur les besoins ou les souhaits personnels de l'utilisateur. Leur suppression peut former des modèles en mettant davantage l'accent sur les modèles sous-jacents dans vos données. Choisissez une valeur appropriée après avoir examiné les longueurs de l'historique utilisateur, à l'aide d'un histogramme ou d'un outil similaire. Nous vous recommandons de définir une valeur qui conserve la majorité des utilisateurs, mais supprime les cas périphériques. Par exemple, la définition de min__user_history_length_percentile to 0.05 et max_user_history_length_percentile to 0.95 inclut tous les utilisateurs, sauf ceux dont la longueur de l'historique figure dans les 5 % du bas ou du haut. Valeur par défaut : 0.0 Plage : [0.0, 1.0] Type de valeur : flottante HPO personnalisable : non
max_user_history_length_percentile	Le percentile maximal des longueurs d’historique d'utilisateur à inclure dans la formation du modèle. La longueur de l'historique correspond à la quantité totale de données sur un utilisateur. Utilisez max_user_history_length_percentile pour exclure un pourcentage d'utilisateurs avec de longues longueurs d'historique, car les données de ces utilisateurs ont tendance à contenir du bruit. Par exemple, un robot peut avoir une longue liste d'interactions automatisées. La suppression de ces utilisateurs limite le bruit dans la formation. Choisissez une valeur appropriée après avoir examiné les longueurs de l'historique utilisateur, à l'aide d'un histogramme ou d'un outil similaire. Nous vous recommandons de définir une valeur qui conserve la majorité des utilisateurs, mais supprime les cas périphériques. Par exemple, la définition de min__user_history_length_percentile to 0.05 et max_user_history_length_percentile to 0.95 inclut tous les utilisateurs, sauf ceux dont la longueur de l'historique figure dans les 5 % du bas ou du haut. Valeur par défaut : 0.99 Plage : [0.0, 1.0] Type de valeur : flottante HPO personnalisable : non