Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris.
Resep HRNN (warisan)
catatan
Resep HRNN Legacy tidak lagi tersedia. Dokumentasi ini untuk tujuan referensi.
Kami merekomendasikan penggunaan resep aws-user-personalizaton (User-Personalization) di atas resep HRNN warisan. Personalisasi Pengguna meningkatkan dan menyatukan fungsionalitas yang ditawarkan oleh resep HRNN. Untuk informasi selengkapnya, lihat Resep Personalisasi Pengguna.
Model resep Amazon Personalize hierarchical recurrent neural network (HRNN) mengubah perilaku pengguna untuk memberikan rekomendasi selama sesi. Sesi adalah serangkaian interaksi pengguna dalam jangka waktu tertentu dengan tujuan menemukan item tertentu untuk memenuhi kebutuhan, misalnya. Dengan menimbang interaksi terbaru pengguna lebih tinggi, Anda dapat memberikan rekomendasi yang lebih relevan selama sesi berlangsung.
HRNN mengakomodasi maksud dan minat pengguna, yang dapat berubah seiring waktu. Dibutuhkan riwayat pengguna yang dipesan dan secara otomatis menimbangnya untuk membuat kesimpulan yang lebih baik. HRNN menggunakan mekanisme gating untuk memodelkan bobot diskon sebagai fungsi yang dapat dipelajari dari item dan stempel waktu.
Amazon Personalize memperoleh fitur untuk setiap pengguna dari kumpulan data Anda. Jika Anda telah melakukan integrasi data real-time, fitur-fitur ini diperbarui secara real time sesuai dengan aktivitas pengguna. Untuk mendapatkan rekomendasi, Anda hanya memberikanUSER_ID
. Jika Anda juga menyediakanITEM_ID
, Amazon Personalize mengabaikannya.
Resep HRNN memiliki sifat-sifat berikut:
-
Nama –
aws-hrnn
-
Resep Nama Sumber Daya Amazon (ARN) —
arn:aws:personalize:::recipe/aws-hrnn
-
Algoritma ARN —
arn:aws:personalize:::algorithm/aws-hrnn
-
Transformasi fitur ARN —
arn:aws:personalize:::feature-transformation/JSON-percentile-filtering
-
Jenis resep —
USER_PERSONALIZATION
Tabel berikut menjelaskan hiperparameter untuk resep HRNN. Hyperparameter adalah parameter algoritma yang dapat Anda sesuaikan untuk meningkatkan kinerja model. Algoritma hyperparameters mengontrol bagaimana kinerja model. Hyperparameter featurisasi mengontrol cara memfilter data yang akan digunakan dalam pelatihan. Proses memilih nilai terbaik untuk hyperparameter disebut optimasi hyperparameter (HPO). Untuk informasi selengkapnya, lihat Hyperparameter dan HPO.
Tabel ini juga menyediakan informasi berikut untuk setiap hyperparameter:
-
Rentang: [batas bawah, batas atas]
-
Jenis nilai: Integer, Continuous (float), Kategoris (Boolean, daftar, string)
-
HPO tunable: Dapatkah parameter berpartisipasi dalam HPO?
Nama | Penjelasan |
---|---|
Hiperparameter algoritma | |
hidden_dimension |
Jumlah variabel tersembunyi yang digunakan dalam model. Variabel tersembunyi membuat ulang riwayat pembelian pengguna dan statistik item untuk menghasilkan skor peringkat. Tentukan lebih banyak dimensi tersembunyi saat kumpulan data interaksi Item Anda menyertakan pola yang lebih rumit. Menggunakan dimensi yang lebih tersembunyi membutuhkan dataset yang lebih besar dan lebih banyak waktu untuk diproses. Untuk memutuskan nilai optimal, gunakan HPO. Untuk menggunakan HPO, atur Nilai default: 43 Rentang: [32, 256] Jenis nilai: Integer HPO dapat disetel: Ya |
bptt |
Menentukan apakah akan menggunakan teknik propagasi balik melalui waktu. Propagasi balik melalui waktu adalah teknik yang memperbarui bobot dalam algoritme berbasis jaringan saraf berulang. Gunakan kredit jangka panjang Nilai default: 32 Rentang: [2, 32] Jenis nilai: Integer HPO dapat disetel: Ya |
recency_mask |
Menentukan apakah model harus mempertimbangkan tren popularitas terbaru dalam kumpulan data interaksi Item. Tren popularitas terbaru mungkin termasuk perubahan mendadak dalam pola yang mendasari peristiwa interaksi. Untuk melatih model yang memberi bobot lebih pada peristiwa baru-baru ini, atur Nilai default: Rentang: Jenis nilai: Boolean HPO dapat disetel: Ya |
Hiperparameter featurisasi | |
min_user_history_length_percentile |
Persentil minimum panjang riwayat pengguna untuk dimasukkan dalam pelatihan model. Panjang riwayat adalah jumlah total data tentang pengguna. Gunakan Misalnya, menyetel Nilai default: 0.0 Rentang: [0.0, 1.0] Jenis nilai: Float HPO dapat disetel: Tidak |
max_user_history_length_percentile |
Persentil maksimum panjang riwayat pengguna untuk dimasukkan dalam pelatihan model. Panjang riwayat adalah jumlah total data tentang pengguna. Gunakan Misalnya, menyetel Nilai default: 0,99 Rentang: [0.0, 1.0] Jenis nilai: Float HPO dapat disetel: Tidak |