トレーニングに使用するインタラクションデータの選択 - Amazon Personalize

翻訳は機械翻訳により提供されています。提供された翻訳内容と英語版の間で齟齬、不一致または矛盾がある場合、英語版が優先します。

トレーニングに使用するインタラクションデータの選択

Amazon Personalize がソリューションバージョンの作成(モデルのトレーニング)に使用するインタラクションデータセット内のイベントを選択できます。トレーニングの前に交互作用データを選択すると、関連するデータのサブセットのみを使用してトレーニングでき、またノイズを除去してより最適化されたモデルをトレーニングできます。インタラクションデータセットの詳細については、「」を参照してください。データセットとスキーマそしてインタラクションデータ

インタラクションデータは、次のように選択できます。

  • タイプに基づいてレコードを選択する— ソリューションを構成するときに、Interactions データセットに EVENT_TYPE 列にイベントタイプが含まれている場合、必要に応じてトレーニングで使用するイベントタイプを指定できます。たとえば、インタラクションデータセットに購入,クリック, および腕時計イベントタイプ。Amazon Personalize でモデルのトレーニングのみを行う場合腕時計イベント、ソリューションを構成するときに、腕時計としてevent typeAmazon Personalize がトレーニングで使用していること。

    インタラクションデータセットの EVENT_TYPE 列に複数のイベントタイプがあり、ソリューションの設定時にイベントタイプを指定しない場合、Amazon Personalize はすべてのインタラクションデータを使用して、タイプに関係なく同じ重みのトレーニングに使用されます。

  • タイプと値に基づいてレコードを選択する— ソリューションを構成するときに、インタラクションデータセットに EVENT_TYPE フィールドと EVENT_VALUE フィールドが含まれている場合、トレーニングからレコードを除外するしきい値として特定の値を設定できます。たとえば、EVENT_TYPE がのイベントのイベントの EVENT_VALUE データがあるとします。腕時計イベント値のしきい値を 0.5 に設定し、イベントタイプを腕時計、Amazon Personalize は、モデルのトレーニングのみを使用してトレーニングします腕時計EVENT_VALUE が 0.5 以上であるインタラクションイベント。

イベント値とイベントタイプによるレコードのフィルタリング (AWSSDK)

以下の手順では、AWS SDK for Python (Boto3) を使用して、トレーニングデータセットをフィルタリングするインタラクションスキーマを作成します。Jupyter (iPython) ノートブックを使用して同じタスクを実行できます。詳細については、「Jupyter (iPython) ノートブックでの Amazon Personalize API の開始方法」を参照してください。

前提条件:前提条件を満たし、Python 環境が「」の説明に従ってセットアップされていることを確認します。開始方法 (SDK for Python (Boto3))

イベント値またはイベントタイプによりトレーニングデータセットで使用されているレコードをフィルタリングするには

  1. インタラクションスキーマを作成し、EVENT_TYPEそしてEVENT_VALUE使用するフィールド"name"そして"type"次の図のように、キーと値のペア。

    import boto3 import json personalize = boto3.client('personalize') # Create a name for your schema schema_name = 'YourSchemaName' # Define the schema for your dataset schema = { "type": "record", "name": "Interactions", "namespace": "com.amazonaws.personalize.schema", "fields": [ { "name": "USER_ID", "type": "string" }, { "name": "ITEM_ID", "type": "string" }, { "name": "EVENT_VALUE", "type": "float" }, { "name": "EVENT_TYPE", "type": "string" }, { "name": "TIMESTAMP", "type": "long" } ], "version": "1.0" } # Create the schema for Amazon Personalize create_schema_response = personalize.create_schema( name = schema_name, schema = json.dumps(schema) ) #To get the schema ARN, use the following lines schema_arn = create_schema_response['schemaArn'] print('Schema ARN:' + schema_arn )
  2. スキーマに一致するように入力データをフォーマットします。コードサンプルについては、「入力データのフォーマット」を参照してください。

  3. Amazon Simple Storage Service (Amazon S3) バケットにデータをアップロードします。コードサンプルについては、「Amazon S3 バケットへのアップロード」を参照してください。

  4. を使用して Amazon Personalize にデータをインポートします。CreateDatasetImportJobアピ。ソリューションを作成するときに必要になるため、データセットグループの Amazon リソースネーム (ARN) を記録してください。コードサンプルについては、「バルクレコードのインポート (AWS SDK)」を参照してください。

  5. ソリューションの作成時に使用するレシピの ARN を取得します。ソリューションを作成するときに必要になります。

    import boto3 personalize = boto3.client('personalize') # Display the ARNs of the recipes recipe_list = personalize.list_recipes() for recipe in recipe_list['recipes']: print(recipe['recipeArn']) # Store the ARN of the recipe that you want to use recipe_arn = "arn:aws:personalize:::recipe/aws-recipe-name"
  6. CreateSolution API を呼び出します。イベントタイプ (たとえば、) を指定する場合。“purchase”で、それを設定してeventTypeパラメータ。イベント値 (たとえば、10) を指定する場合、それを eventValueThreshold パラメータに設定します。イベントタイプとイベント値の両方を指定することもできます。

    import boto3 personalize = boto3.client('personalize') # Create the solution create_solution_response = personalize.create_solution( name = "your-solution-name", datasetGroupArn = dataset_group_arn, recipeArn = recipe_arn, eventType = 'watched', solutionConfig = { "eventValueThreshold": "0.5" } ) # Store the solution ARN solution_arn = create_solution_response['solutionArn'] # Use the solution ARN to get the solution status solution_description = personalize.describe_solution(solutionArn = solution_arn)['solution'] print('Solution status: ' + solution_description['status'])
  7. ソリューションがある場合は、そのソリューションを使用して、CreateSolutionVersion リクエストでソリューション ARN を指定して、モデルをトレーニングします。

    import boto3 personalize = boto3.client('personalize') # Create a solution version create_solution_version_response = personalize.create_solution_version(solutionArn = solution_arn) # Store the solution version ARN solution_version_arn = create_solution_version_response['solutionVersionArn'] # Use the solution version ARN to get the solution version status. solution_version_description = personalize.describe_solution_version( solutionVersionArn = solution_version_arn)['solutionVersion'] print('Solution version status: ' + solution_version_description['status'])

ステータスが ACTIVE になると、トレーニングは完了です。詳細については、「ソリューションの作成」を参照してください。

モデルをトレーニングしたら、そのパフォーマンスを評価する必要があります。モデルを最適化するには、eventValueThreshold またはその他のハイパーパラメータを調整する必要があります。詳細については、ステップ 4: メトリクスを使用してソリューションバージョンを評価するを参照してください。