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 Hyperparameters 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 performHPO ke true saat Anda memanggil CreateSolution dan CreateSolutionVersion operasi. 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 bptt untuk menghubungkan hadiah yang tertunda ke acara awal. Misalnya, hadiah yang tertunda dapat berupa pembelian yang dilakukan setelah beberapa klik. Peristiwa awal bisa menjadi klik awal. Bahkan dalam jenis acara yang sama, seperti klik, ada baiknya untuk mempertimbangkan efek jangka panjang dan memaksimalkan total hadiah. Untuk mempertimbangkan efek jangka panjang, gunakan bptt nilai yang lebih besar. Menggunakan bptt nilai yang lebih besar membutuhkan kumpulan data yang lebih besar dan lebih banyak waktu untuk diproses. 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 recency_mask ketrue. Untuk melatih model yang sama-sama menimbang semua interaksi masa lalu, atur recency_mask kefalse. Untuk mendapatkan rekomendasi yang baik menggunakan bobot yang sama, Anda mungkin memerlukan kumpulan data pelatihan yang lebih besar. Nilai default: True Rentang: True atau False 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 min_user_history_length_percentile untuk mengecualikan persentase pengguna dengan panjang riwayat pendek. Pengguna dengan riwayat singkat sering menunjukkan pola berdasarkan popularitas item, bukan kebutuhan atau keinginan pribadi pengguna. Menghapusnya dapat melatih model dengan lebih fokus pada pola yang mendasarinya dalam data Anda. Pilih nilai yang sesuai setelah Anda meninjau panjang riwayat pengguna, menggunakan histogram atau alat serupa. Kami merekomendasikan untuk menyetel nilai yang mempertahankan mayoritas pengguna, tetapi menghapus kasus tepi. Misalnya, menyetel min__user_history_length_percentile to 0.05 dan max_user_history_length_percentile to 0.95 menyertakan semua pengguna kecuali yang memiliki panjang riwayat di bagian bawah atau atas 5%. 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 max_user_history_length_percentile untuk mengecualikan persentase pengguna dengan panjang sejarah panjang karena data untuk pengguna ini cenderung mengandung noise. Misalnya, robot mungkin memiliki daftar panjang interaksi otomatis. Menghapus pengguna ini membatasi kebisingan dalam pelatihan. Pilih nilai yang sesuai setelah Anda meninjau panjang riwayat pengguna menggunakan histogram atau alat serupa. Kami merekomendasikan untuk menyetel nilai yang mempertahankan mayoritas pengguna tetapi menghapus kasus tepi. Misalnya, menyetel min__user_history_length_percentile to 0.05 dan max_user_history_length_percentile to 0.95 menyertakan semua pengguna kecuali yang memiliki panjang riwayat di bagian bawah atau atas 5%. Nilai default: 0,99 Rentang: [0.0, 1.0] Jenis nilai: Float HPO dapat disetel: Tidak