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。
Personalized-Ranking レシピ
重要
Personalized-Ranking-v2レシピを使用することをお勧めします。最大 500 万個のアイテムをより高速にトレーニングし、より正確なランク付けを低レイテンシーで生成できます。
Personalized-Ranking レシピは、アイテムのパーソナライズされたランキングを生成します。パーソナライズされたランキングは、特定のユーザー向けに再ランク付けされた推奨アイテムのリストです。これは、検索結果、プロモーション、厳選されたリストなど、順序付けされたアイテムのコレクションがあり、ユーザーごとにパーソナライズされた再ランク付けを提供する場合に有益です。例えば、Personalized-Ranking を使用すると、Amazon Personalize は で生成した検索結果を再ランク付けできますOpenSearch。
モデルをトレーニングするために、Personalized-Ranking レシピは、アイテムインタラクションデータセットのデータを使用し、ユーザーがそれらを作成した場合は、データセットグループのアイテムデータセットと Users データセットを使用します (これらのデータセットはオプションです)。Personalized-Ranking を使用すると、Items データセットに 非構造化テキストメタデータ を含めることができ、アイテムインタラクションデータセットに コンテキストメタデータ を含めることができます。パーソナライズされたランキングを取得するには、 GetPersonalizedRanking を使用しますAPI。
ソリューションバージョンを作成した後は、必ずソリューションバージョンとデータを最新の状態に保ってください。Personalized-Ranking では、Amazon Personalize の新しいソリューションバージョンを手動で作成 (モデルを再トレーニング) して、レコメンデーションの新しいアイテムを検討し、ユーザーの最新の動作でモデルを更新する必要があります。次に、ソリューションバージョンを使用してキャンペーンを更新する必要があります。詳細については、「レコメンデーションの関連性の維持」を参照してください。
注記
ランク付けのためにインタラクションデータなしでアイテムを提供すると、Amazon Personalize はレスポンスに GetPersonalizedRanking APIレコメンデーションスコアなしでこれらのアイテムを返します。
このレシピには以下のプロパティがあります。
-
名前 –
aws-personalized-ranking -
レシピ Amazon リソースネーム (ARN） –
arn:aws:personalize:::recipe/aws-personalized-ranking -
アルゴリズム ARN –
arn:aws:personalize:::algorithm/aws-personalized-ranking -
特徴変換 ARN –
arn:aws:personalize:::feature-transformation/JSON-percentile-filtering -
レシピタイプ –
PERSONALIZED_RANKING
ハイパーパラメータ
以下の表では、Personalize-Ranking 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最適化 () と呼ばれますHPO。詳細については、「ハイパーパラメータと 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 : パラメータはハイパーパラメータ最適化 (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。アイテム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、 を使用しますHPO。を使用するにはHPO、 CreateSolutionおよび CreateSolutionVersionオペレーション デフォルト値: 149 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 デフォルト値: 32 範囲: [2, 32] 値の型: 整数 HPO 調整可能: はい |
recency_mask |
モデルがアイテム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、 デフォルト値: 範囲: 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、 例えば、 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。 例えば、 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 |
Personalized-Ranking サンプルノートブック
Personalized-Ranking レシピの使用方法を示すサンプル Jupyter ノートブックについては、「パーソナライズされたランキングの例
