AWS ドキュメント » Amazon Personalize » 開発者ガイド » ソリューションの作成 » 事前定義済みレシピの使用 » HRNN レシピ

HRNN レシピ

Amazon Personalize 階層的再帰型ニューラルネットワーク (HRNN) レシピでは、セッション中にレコメンデーションを提供するために、ユーザーの行動の変化をモデル化します。セッションとは、たとえば、必要を満たすために特定のアイテムを見つけることを目的とする、特定の期間内の一連のユーザーインタラクションです。ユーザーの最近のインタラクションの重み付けを高くすることで、セッション中により関連性の高いレコメンデーションを提供できます。

HRNN は、時間の経過とともに変化する可能性がある、ユーザーのインテントや関心に対応します。また、順序付けられたユーザー履歴を取得し、自動的に重み付けして推論を改善します。HRNN は、ゲート機構を使用して減損の重みをアイテムとタイムスタンプの学習可能な関数としてモデル化します。

セッションベースのレコメンデーションの詳細については、「Personalizing session-based recommendations with hierarchical recurrent neural networks」を参照してください。

Amazon Personalize は、データセットから各ユーザーの機能を派生させます。リアルタイムのデータ統合を完了している場合、これらの特徴はユーザーアクティビティに応じてリアルタイムで更新されます。レコメンデーションを取得するには、USER_ID のみを指定します 。ITEM_ID も指定した場合、Amazon Personalize では無視されます。

HRNN レシピには以下のプロパティがあります。

• 名前 – aws-hrnn

• レシピ Amazon リソースネーム (ARN) – arn:aws:personalize:::recipe/aws-hrnn

• アルゴリズム ARN – arn:aws:personalize:::algorithm/aws-hrnn

• 機能変換 ARN – arn:aws:personalize:::feature-transformation/JSON-percentile-filtering

• レシピタイプ – USER_PERSONALIZATION

以下の表では、HRNN レシピのハイパーパラメータについて説明します。ハイパーパラメータは、モデルパフォーマンスを向上させるために調整できるアルゴリズムパラメータです。アルゴリズムのハイパーパラメータは、モデルの実行方法を制御します。特徴化のハイパーパラメータは、トレーニングで使用するデータのフィルタリング方法を制御します。ハイパーパラメータに最適な値を選択するプロセスは、ハイパーパラメータの最適化 (HPO) と呼ばれます。詳細については、「ハイパーパラメータおよび HPO」を参照してください。

このテーブルには、各ハイパーパラメータに関する以下の情報も含まれています。

• 範囲: [下限、上限]

• 値のタイプ: 整数、連続 (浮動小数点)、カテゴリ別 (ブール値、リスト、文字列)

• HPO 調整可能: パラメータが HPO に参加できますか?

名前	説明
アルゴリズムのハイパーパラメータ
hidden_dimension	モデルで使用される非表示変数の数。非表示の変数は、ユーザーの購入履歴と商品統計を再作成して、ランキングスコアを生成します。インタラクションデータセットにより複雑なパターンが含まれている場合は、より多くの非表示ディメンションを指定します。使用する非表示のディメンションが多くなると、データセットが大きくなり、処理時間が長くなります。最適な値を決定するには、HPO を使用します。HPO を使用するには、CreateSolution オペレーション CreateSolutionVersion とオペレーションを呼び出すときに performHPO を true に設定します。 デフォルト値: 43 範囲: [32, 256] 値の型: 整数 HPO 調整可能: はい
bptt	通し時間のバックプロパゲーションの手法を使用するかどうかを決定します。通し時間のバックプロパゲーションは、再帰的なニューラルネットワークベースのアルゴリズムの重みを更新する手法です。遅延報酬を早期イベントに接続するには、長期クレジットに bptt を使用します。たとえば、遅延報酬には、数回のクリック後に行われる購入を指定できます。早期イベントは、最初のクリックにすることができます。クリックなどの同じイベントタイプ内であっても、長期的な効果を考慮し、合計報酬を最大化することをお勧めします。長期的な効果を考慮するには、より大きい bptt 値を使用します。大きな bptt 値を使用するには、より大きいデータセットと長い処理時間が必要です。 デフォルト値: 32 範囲: [1, 32] 値の型: 整数 HPO 調整可能: いいえ
recency_mask	モデルがインタラクションデータセットの最新の人気傾向を考慮する必要があるかどうかを決定します。最新の人気トレンドには、インタラクションイベントの基盤となるパターンの突然の変化が含まれる可能性があります。最近のイベントにより多くの重みを置くモデルをトレーニングするには、recency_mask を true に設定します。過去のすべてのインタラクションを均等に重み付けするモデルをトレーニングするには、recency_mask を false に設定します。同じ重みを使用して適切なレコメンデーションを取得するには、より大きなトレーニングデータセットが必要になる場合があります。 デフォルト値: True 範囲: True または False 値の型: ブール値 HPO 調整可能: はい
特徴化のハイパーパラメータ
min_user_history_length_percentile	モデルのトレーニングに含めるユーザー履歴の長さの最小パーセンタイル。履歴の長さ は、ユーザーに関するデータの合計量です。履歴の長さが短いある割合のユーザーを除外するには、min_user_history_length_percentile を使用します。履歴が短いユーザーは、多くの場合、ユーザーの個人的なニーズや希望ではなく、アイテムの人気に基づくパターンを表示します。それらを削除すると、データの基盤となるパターンに重点を置いてモデルをトレーニングできます。ヒストグラムまたは同様のツールを使用して、ユーザー履歴の長さを確認した後で適切な値を選択します。大部分のユーザーを保持し、エッジケースを削除する値を設定することをお勧めします。 たとえば、min__user_history_length_percentile to 0.05 と max_user_history_length_percentile to 0.95 を設定すると、履歴の長さが下位または上位 5% であるユーザーを除くすべてのユーザーが含まれます。 デフォルト値: 0.0 範囲: [0.0, 1.0] 値の型: 浮動小数点 HPO 調整可能: いいえ
max_user_history_length_percentile	モデルのトレーニングに含めるユーザー履歴の長さの最大パーセンタイル。履歴の長さ は、ユーザーに関するデータの合計量です。max_user_history_length_percentile を使用して、ある割合の履歴の長さが長いユーザーを除外します。これらのユーザーのデータにはノイズが含まれる傾向があるためです。たとえば、ロボットに自動化されたインタラクションの長いリストがあるとします。これらのユーザーを削除することで、トレーニングのノイズが制限されます。ヒストグラムまたは同様のツールを使用して、ユーザー履歴の長さを確認した後で適切な値を選択します。大部分のユーザーを保持し、エッジケースを削除する値を設定することをお勧めします。 たとえば、min__user_history_length_percentile to 0.05 と max_user_history_length_percentile to 0.95 を設定すると、履歴の長さが下位または上位 5% であるユーザーを除くすべてのユーザーが含まれます。 デフォルト値: 0.99 範囲: [0.0, 1.0] 値の型: 浮動小数点 HPO 調整可能: いいえ

HRNN サンプルノートブック

以下の Jupyter ノートブックには、HRNN レシピを使用する方法を示します。

• ホールドアウトセットで HRNN を使用する方法を示すサンプルノートブックについては、「Amazon Personalize with temporal evaluation on hold-out set」を参照してください。

• PutEvents API で HRNN を使用する方法を示すサンプルノートブックについては、「Using the put events API with Amazon Personalize」を参照してください。