기계 번역으로 제공되는 번역입니다. 제공된 번역과 원본 영어의 내용이 상충하는 경우에는 영어 버전이 우선합니다.
개인 맞춤형-순위 레시피
개인 맞춤형-순위 레시피는 항목의 개인 맞춤형 순위를 생성합니다. 개인 맞춤형 순위는 특정 사용자에 맞춰 순위가 다시 매겨진 추천 항목 목록입니다. 이 방법은 검색 결과, 프로모션 또는 선별된 목록과 같은 주문 항목이 많이 있고 각 사용자에게 개인 맞춤형 순위 재조정을 제공하려는 경우에 유용합니다. 예를 들어, 개인 맞춤형 순위를 사용하면 Amazon Personalize는 사용자가 생성한 검색 결과의 순위를 다시 매길 수 있습니다. OpenSearch
모델을 교육하기 위해 개인 맞춤형-순위 레시피는 항목 상호 작용 데이터 세트의 데이터를 사용하고, 생성한 경우 데이터 세트 그룹의 항목 데이터 세트와 사용자 데이터 세트의 데이터를 사용합니다. 두 데이터 세트는 선택 사항입니다. 개인 맞춤형-순위를 사용하면 항목 데이터 세트가 비정형 텍스트 메타데이터을, 항목 상호 작용 데이터 세트가 컨텍스트 메타데이터를 각각 포함시킬 수 있습니다. 개인 맞춤형 순위를 받으려면 GetPersonalizedRanking API를 호출합니다.
솔루션 버전을 만든 후에는 솔루션 버전과 데이터를 최신 상태로 유지해야 합니다. Personalized-Ranking을 사용하면 Amazon Personalize용 새 솔루션 버전을 수동으로 생성 (모델 재교육) 하여 추천할 새 항목을 고려하고 사용자의 최신 행동으로 모델을 업데이트해야 합니다. 그런 다음 솔루션 버전을 사용하여 모든 캠페인을 업데이트해야 합니다. 자세한 설명은 추천 관련성 유지 섹션을 참조하세요.
참고
순위를 매길 상호 작용 데이터가 없는 항목을 제공하는 경우 Amazon Personalize는 GetPersonalizedRanking API 응답에 권장 점수 없이 해당 항목을 반환합니다.
이 레시피의 속성은 다음과 같습니다.
-
명칭 –
aws-personalized-ranking
-
레시피 Amazon 리소스 이름(ARN) -
arn:aws:personalize:::recipe/aws-personalized-ranking
-
알고리즘 ARN -
arn:aws:personalize:::algorithm/aws-personalized-ranking
-
특성 변환 ARN -
arn:aws:personalize:::feature-transformation/JSON-percentile-filtering
-
레시피 유형 -
PERSONALIZED_RANKING
하이퍼파라미터
다음 표에서는 개인 맞춤형-순위 레시피의 하이퍼파라미터를 설명합니다. 하이퍼파라미터는 모델 성능을 향상시키기 위해 조정할 수 있는 알고리즘 파라미터입니다. 알고리즘 하이퍼파라미터는 모델이 성능을 내는 방식을 제어합니다. 특성화 하이퍼파라미터는 학습에서 사용할 데이터를 필터링하는 방법을 제어합니다. 하이퍼파라미터에 대한 최적 값을 선택하는 과정을 하이퍼파라미터 최적화(HPO)라고 합니다. 자세한 내용은 하이퍼파라미터 및 HPO 단원을 참조하세요.
표에는 각 하이퍼파라미터에 대한 다음 정보도 표시됩니다.
-
범위: [하한, 상한]
-
값 형식: 정수, 연속(부동 소수점), 범주(부울, 목록, 문자열)
-
조정 가능한 HPO: 파라미터가 하이퍼파라미터 최적화(HPO)에 참여할 수 있습니까?
명칭 | 설명 |
---|---|
알고리즘 하이퍼파라미터 | |
hidden_dimension |
모델에 사용된 숨겨진 변수 개수. 숨겨진 변수는 사용자의 구매 이력 및 항목 통계를 재생성하여 순위 점수를 생성합니다. 항목 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 기본 값: 149 범위: [32, 256] 값 형식: 정수 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 기본 값: 32 범위: [2, 32] 값 형식: 정수 HPO 조정 가능: 예 |
recency_mask |
모델이 항목 상호 작용 데이터 세트의 최신 인기 트렌드를 고려해야 하는지 여부를 결정합니다. 최신 인기 트렌드에는 상호작용 이벤트 기본 패턴의 갑작스러운 변경이 포함될 수 있습니다. 최신 이벤트에 더 많은 가중치를 부여하는 모델을 학습시키려면 기본 값: 범위: 값 형식: 부울 HPO 조정 가능: 예 |
특성화 하이퍼파라미터 | |
min_user_history_length_percentile |
모델 학습에 포함시킬 사용자 이력 길이의 최소 백분위수. 이력 길이는 사용자에 대한 데이터의 총 용량입니다. 이력 길이가 짧은 사용자의 백분율을 제외시키려면 예를 들어 기본 값: 0.0 범위: [0.0, 1.0] 값 형식: 부동 소수점 HPO 조정 가능: 아니요 |
max_user_history_length_percentile |
모델 학습에 포함시킬 사용자 이력 길이의 최대 백분위수. 이력 길이는 사용자에 대한 데이터의 총 용량입니다. 이력 길이가 긴 사용자의 백분율을 제외시키려면 예를 들어 기본 값: 0.99 범위: [0.0, 1.0] 값 형식: 부동 소수점 HPO 조정 가능: 아니요 |
개인 맞춤형-순위 샘플 노트북
개인 맞춤형-순위 레시피를 사용하는 방법을 보여주는 Jupyter Notebook 샘플은 순위 개인 맞춤 예제