Ricetta HRNN (legacy)

Nota

Le ricette HRNN precedenti non sono più disponibili. Questa documentazione è a scopo di riferimento.

Si consiglia di utilizzare la ricetta aws-user-personalizaton (Personalizzazione dell'utente) rispetto alle ricette HRNN precedenti. La personalizzazione da parte dell'utente migliora e unifica la funzionalità offerta dalle ricette HRNN. Per ulteriori informazioni, consulta Ricetta per la personalizzazione dell'utente.

La ricetta della rete neurale ricorrente gerarchica (HRNN) di Amazon Personalize modella le modifiche nel comportamento degli utenti per fornire consigli durante una sessione. Una sessione è un set di interazioni utente in un determinato intervallo di tempo con l'obiettivo di trovare un elemento specifico per soddisfare una necessità, ad esempio. Valutando più in alto le interazioni recenti di un utente, puoi fornire consigli più pertinenti durante una sessione.

HRNN è conforme agli intenti e agli interessi degli utenti, che possono cambiare nel tempo. La ricetta HRNN prende le cronologie degli utenti ordinate e le applica automaticamente per migliorare le inferenze. HRNN utilizza un meccanismo a gate per modellare le pesature sotto forma di funzione di apprendimento basata su elementi e istante temporale.

Amazon Personalize ricava le funzionalità per ogni utente dal tuo set di dati. Se hai effettuato l'integrazione dei dati in tempo reale, queste proprietà sono aggiornate in tempo reale in base alle attività degli utenti. Per ottenere una raccomandazione, fornisci solo il USER_ID. Se ne fornisci anche unoITEM_ID, Amazon Personalize lo ignora.

La ricetta HRNN ha le seguenti proprietà:

• Nome: aws-hrnn

• Ricetta Amazon Resource Name (ARN) — arn:aws:personalize:::recipe/aws-hrnn

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

• ARN per la trasformazione delle funzionalità — arn:aws:personalize:::feature-transformation/JSON-percentile-filtering

• Tipo di ricetta — USER_PERSONALIZATION

La tabella seguente descrive gli iperparametri per la ricetta HRNN. Un iperparametro è un parametro di algoritmo che puoi regolare per migliorare le prestazioni del modello. Gli iperparametri dell'algoritmo controllano le prestazioni del modello. Gli iperparametri di funzionalità controllano come filtrare i dati da utilizzare nel training. Il processo di scelta del valore migliore per un iperparametro è chiamato ottimizzazione iperparametri (HPO). Per ulteriori informazioni, consulta Iperparametri e HPO.

La tabella fornisce inoltre le seguenti informazioni per ogni iperparametro:

• Range: [limite inferiore, limite superiore]

• Value type: Integer, Continuous (float), Categorical (booleano, elenco, stringa)

• HPO tunable(HPO ottimizzabile): il parametro può partecipare all'HPO?

Nome	Description
Iperparametri dell'algoritmo
hidden_dimension	Il numero di variabili nascoste utilizzate nel modello. Le variabili nascoste ricreano la cronologia degli acquisti degli utenti e le statistiche degli articoli per generare punteggi di classifica. Specificate un numero maggiore di dimensioni nascoste quando il set di dati sulle interazioni degli elementi include modelli più complicati. L'utilizzo di dimensioni più nascoste richiede un set di dati più grande e più tempo per l'elaborazione. Per decidere il valore ottimale, utilizza HPO. Per utilizzare HPO, imposta performHPO su true quando chiami le operazioni CreateSolution e CreateSolutionVersion. Valore predefinito: 43 Intervallo: [32, 256] Tipo di valore: Integer HPO regolabile: sì
bptt	Determina se utilizzare la tecnica di propagazione back-through-time. La propagazione back-through-time è una tecnica che aggiorna i pesi in algoritmi basati su reti neurali ricorrenti. Utilizza bptt per i crediti a lungo termine per collegare ricompense ritardate ai primi eventi. Ad esempio, una ricompensa ritardata può essere un acquisto effettuato dopo diversi clic. Un evento iniziale può essere un clic iniziale. Anche all'interno degli stessi tipi di eventi, ad esempio un clic, è consigliabile considerare gli effetti a lungo termine e massimizzare le ricompense totali. Per considerare gli effetti a lungo termine, utilizza valori bptt più grandi. L'utilizzo di un valore bptt maggiore richiede set di dati più grandi e più tempo per l'elaborazione. Valore predefinito: 32 Intervallo: [2, 32]. Tipo di valore: Integer HPO regolabile: sì
recency_mask	Determina se il modello deve prendere in considerazione le ultime tendenze di popolarità nel set di dati sulle interazioni tra elementi. Le ultime tendenze di popolarità potrebbero includere improvvisi cambiamenti nei modelli sottostanti degli eventi di interazione. Per eseguire il training di un modello che posiziona più peso sugli eventi recenti, imposta recency_mask su true. Per addestrare un modello che pesa ugualmente tutte le interazioni passate, imposta recency_mask su false. Per ottenere buone raccomandazioni utilizzando lo stesso peso, potrebbe essere necessario un set di dati di training più grande. Valore predefinito: True Intervallo: True o False Tipo di valore: booleano HPO regolabile: sì
Iperparametri di caratterizzazione
min_user_history_length_percentile	Il percentile minimo delle lunghezze della cronologia degli utenti da includere nell’addestramento del modello. La lunghezza della cronologia è la quantità totale di dati relativi a un utente. Utilizza min_user_history_length_percentile per escludere una percentuale di utenti con brevi periodi di cronologia. Gli utenti con una breve cronologia spesso mostrano modelli basati sulla popolarità dell'articolo anziché le esigenze o i desideri personali dell'utente. La loro rimozione può addestrare modelli con maggiore attenzione sui modelli sottostanti nei dati. Scegli un valore appropriato dopo aver esaminato le lunghezze della cronologia degli utenti, utilizzando un istogramma o uno strumento simile. Ti consigliamo di impostare un valore che conservi la maggior parte degli utenti, ma rimuove i casi limite. Ad esempio, l'impostazione di min__user_history_length_percentile to 0.05 e max_user_history_length_percentile to 0.95 include tutti gli utenti tranne quelli con lunghezze della cronologia nella parte inferiore o superiore del 5%. Valore predefinito: 0.0 Intervallo: [0.0, 1.0] Tipo di valore: float HPO regolabile: no
max_user_history_length_percentile	Il percentile massimo delle lunghezze della cronologia degli utenti da includere nell’addestramento del modello. La lunghezza della cronologia è la quantità totale di dati relativi a un utente. Utilizza max_user_history_length_percentile per escludere una percentuale di utenti con lunghi periodi di cronologia perché i dati per questi utenti tendono a contenere rumore. Ad esempio, un robot potrebbe avere un lungo elenco di interazioni automatizzate. La rimozione di questi utenti limita il rumore durante il training. Scegli un valore appropriato dopo aver esaminato le lunghezze della cronologia degli utenti utilizzando un istogramma o uno strumento simile. Ti consigliamo di impostare un valore che conservi la maggior parte degli utenti ma rimuove i casi limite. Ad esempio, l'impostazione di min__user_history_length_percentile to 0.05 e max_user_history_length_percentile to 0.95 include tutti gli utenti tranne quelli con lunghezze della cronologia nella parte inferiore o superiore del 5%. Valore predefinito: 0,99 Intervallo: [0.0, 1.0] Tipo di valore: float HPO regolabile: no