기계 번역으로 제공되는 번역입니다. 제공된 번역과 원본 영어의 내용이 상충하는 경우에는 영어 버전이 우선합니다.
HRNN-콜드 스타트 레시피 (레거시)
참고
레거시 HRNN 레시피를 더 이상 사용할 수 없습니다. 이 문서는 참고 용도로만 제공됩니다.
를 사용하는 것이 좋습니다. aws-user-personalizaton (사용자 개인화) 레거시 HRNN 레시피에 대한 레시피. 사용자 개인화는 HRNN 레시피가 제공하는 기능을 개선하고 통합합니다. 자세한 정보는 사용자 맞춤 레시피을 참조하십시오.
새로운 항목과 상호 작용을 수시로 추가하고 이러한 항목에 대한 권장 사항을 즉시 받고 싶은 경우 HRNN-Coldstart 레시피를 사용하면 사용자가 상호 작용할 항목을 예측할 수 있습니다. HRNN-Coldstart 레시피는 HRNN-Metadata 레시피와 유사하지만 이를 통해 새 항목에 대한 권장 사항을 가져올 수 있습니다.
또한 상호 작용이 매우 특이하여 교육 시 노이즈가 발생할 수 있거나, 최신 인기 추세로 인해 상호 작용이 많은 교육 항목에서 제외하고자 할 때도 HRNN-Coldstart 레시피를 사용할 수 있습니다. HRNN-Coldstart를 사용하면 관련성이 적은 항목을 필터링으로 제외하여 교육의 하위 집합을 생성할 수 있습니다. 콜드 항목이라고 하는 항목의 하위 집합은 관련된 상호 작용 이벤트가 상호 작용 데이터 세트에 있는 항목입니다. 항목은 다음과 같은 경우에 콜드 항목으로 간주됩니다.
-
지정된 최대 상호 작용 수보다 상호 작용이 더 적은 경우 레시피의
cold_start_max_interactions
하이퍼파라미터에서 이 값을 지정합니다. -
최대 기간보다 상대 기간이 더 짧은 경우 레시피의
cold_start_max_duration
하이퍼파라미터에서 이 값을 지정합니다.
콜드 항목 수를 줄이려면 cold_start_max_interactions
또는 cold_start_max_duration
에 대한 값을 작게 설정합니다. 콜드 항목 수를 늘리려면 cold_start_max_interactions
또는 cold_start_max_duration
에 대한 값을 크게 설정합니다.
HRNN-Coldstart의 콜드 항목 제한은 다음과 같습니다.
-
Maximum cold start items
: 80,000 -
Minimum cold start items
: 100
콜드 항목 수가 이 범위를 벗어나는 경우 솔루션 생성 시도는 실패합니다.
HRNN-Coldstart 레시피의 속성은 다음과 같습니다.
-
이름 –
aws-hrnn-coldstart
-
레시피 Amazon 리소스 이름(ARN)–
arn:aws:personalize:::recipe/aws-hrnn-coldstart
-
알고리즘 ARN–
arn:aws:personalize:::algorithm/aws-hrnn-coldstart
-
기능 변환 ARN–
arn:aws:personalize:::feature-transformation/featurize_coldstart
-
레시피 유형–
USER_PERSONALIZATION
자세한 정보는 레시피 선택하기 API 키 키 키을 참조하십시오.
다음 표에서는 HRNN-Coldstart 레시피의 하이퍼파라미터를 설명합니다. 하이퍼파라미터는 모델 성능을 향상시키기 위해 조정할 수 있는 알고리즘 파라미터입니다. 알고리즘 하이퍼파라미터는 모델이 성능을 내는 방식을 제어합니다. 기능화 하이퍼파라미터는 교육에서 사용할 데이터를 필터링하는 방법을 제어합니다. 하이퍼파라미터에 대한 최적 값을 선택하는 과정을 하이퍼파라미터 최적화(HPO)라고 합니다. 자세한 정보는 하이퍼파라미터 및 HPO을 참조하십시오.
표에는 각 하이퍼파라미터에 대한 다음 정보도 표시됩니다.
-
범위: [하한, 상한]
-
값 유형: 정수, 연속 (부동 소수점), 범주 (부울, 목록, 문자열)
-
조정 가능한 HPO: HPO 에 참여할 수 있습니까?
이름 | 설명 |
---|---|
알고리즘 하이퍼파라미터 | |
hidden_dimension |
모델에 사용된 숨겨진 변수 개수 숨겨진 변수는 사용자의 구매 기록 및 항목 통계를 재생성하여 순위 결정 점수를 생성합니다. 상호 작용 데이터 세트에 더 복잡한 패턴이 포함되는 경우 더 많은 숨겨진 차원을 지정합니다. 더 많은 숨겨진 차원을 사용하는 데는 더 큰 데이터 세트와 더 많은 처리 시간이 필요합니다. 최적 값을 결정하려면 HPO를 사용합니다. HPO를 사용하려면 CreateSolution 및 CreateSolutionVersion 작업 호출 시 기본값: 149 범위: [32, 256] 값 형식: Integer HPO 조정 가능: 예 |
bptt |
시간 기법을 통한 역전파를 사용할지 여부를 결정합니다. 시간을 기준으로 한 역전파는 반복 신경망 기반 알고리즘의 가중치를 업데이트하는 기법입니다. 장기 크레딧에 대한 기본값: 32 범위: [2, 32] 값 형식: Integer HPO 조정 가능: 예 |
recency_mask |
모델이 상호 작용 데이터 세트의 최신 인기 트렌드를 고려해야 하는지 여부를 결정합니다. 최신 인기 트렌드에는 상호 작용 이벤트 기본 패턴의 갑작스러운 변경이 포함될 수 있습니다. 최신 이벤트에 더 많은 가중치를 부여하는 모델을 교육하려면 기본값: 범위: 값 형식: 부울 HPO 조정 가능: 예 |
기능화 하이퍼파라미터 | |
cold_start_max_interactions |
항목에 대한 최대 사용자 항목 상호 작용 수를 콜드 항목으로 간주해야 될 수 있습니다. 기본값: 15 범위: 양의 정수 값 형식: Integer HPO 조정 가능: 아니요 |
cold_start_max_duration |
콜드 스타트 항목으로 간주될 사용자 항목 상호 작용에 대한 시작점에 비례하는 최대 기간(일) 사용자 항목 상호 작용의 시작점을 설정하려면 기본값: 5.0 범위: 양의 부동 소수점 값 형식: Float HPO 조정 가능: 아니요 |
cold_start_relative_from |
상호 작용 데이터 세트의 최신 항목의 타임스탬프부터 기본값: 범위: 값 형식: 문자열 HPO 조정 가능: 아니요 |
min_user_history_length_percentile |
모델 교육에 포함할 사용자 기록 길이의 최소 백분위수. 기록 길이는 사용자에 대한 데이터의 총 용량입니다. 예를 들어 기본값: 0.0 범위: [0.0, 1.0] 값 형식: Float HPO 조정 가능: 아니요 |
max_user_history_length_percentile |
모델 교육에 포함할 사용자 기록 길이의 최대 백분위수. 기록 길이는 사용자에 대한 데이터의 총 용량입니다. 예를 들어 기본값: 0.99 범위: [0.0, 1.0] 값 형식: Float HPO 조정 가능: 아니요 |