Fórmula HRNN (legada)

nota

As fórmulas legadas do HRNN não estarão mais disponíveis. Esta documentação é apenas para referência.

Recomendamos usar a fórmula aws-user-personalization (User-Personalization) em vez das fórmulas legadas do HRNN. User-Personalization aprimora e unifica a funcionalidade oferecida pelas fórmulas do HRNN. Para obter mais informações, consulte Fórmula User-Personalization.

A fórmula de rede neural recorrente hierárquica (HRNN) do Amazon Personalize modela alterações no comportamento do usuário para fornecer recomendações durante uma sessão. Uma sessão é um conjunto de interações do usuário em um determinado período com o objetivo de encontrar um item específico para atender a uma necessidade, por exemplo. Ao ponderar mais as interações recentes de um usuário, você pode fornecer recomendações mais relevantes durante uma sessão.

A HRNN acompanha a intenção e os interesses do usuário, que podem mudar ao longo do tempo. Ela usa históricos de usuários ordenados e os pondera automaticamente para fazer inferências melhores. O HRNN usa um mecanismo de bloqueio para modelar os pesos de desconto como uma função que pode ser aprendida a partir dos itens e dos time stamps.

O Amazon Personalize extrai os atributos para cada usuário do seu conjunto de dados. Se você tiver feito a integração de dados em tempo real, esses atributos serão atualizadas em tempo real de acordo com as atividades do usuário. Para obter uma recomendação, forneça apenas o USER_ID. Se você também fornecer um ITEM_ID, o Amazon Personalize o ignorará.

A fórmula HRNN tem as seguintes propriedades:

• Nome – aws-hrnn

• Fórmula nome do recurso da Amazon (ARN) – arn:aws:personalize:::recipe/aws-hrnn

• ARN do algoritmo – arn:aws:personalize:::algorithm/aws-hrnn

• ARN de transformação de atributos – arn:aws:personalize:::feature-transformation/JSON-percentile-filtering

• Tipo de fórmula – USER_PERSONALIZATION

A tabela a seguir descreve os hiperparâmetros da fórmula HRNN. Um hiperparâmetro é um parâmetro de algoritmo que pode ser ajustado para melhorar o desempenho do modelo. Os hiperparâmetros do algoritmo controlam o desempenho do modelo. Os hiperparâmetros de caracterização controlam como filtrar os dados a serem usados no treinamento. O processo de escolher o melhor valor para um hiperparâmetro é chamado de otimização de hiperparâmetros (HPO). Para obter mais informações, consulte Hiperparâmetros e HPO.

A tabela também fornece as seguintes informações para cada hiperparâmetro:

• Intervalo: [limite inferior, limite superior]

• Tipo de valor: inteiro, contínuo (float), categórico (booliano, lista, string)

• HPO ajustável: o parâmetro pode participar da HPO?

Nome	Descrição
Hiperparâmetros de algoritmo
hidden_dimension	O número de variáveis ocultas usadas no modelo. Variáveis ocultas recriam o histórico de compras dos usuários e as estatísticas de itens para gerar pontuações de classificação. Especifique um número maior de dimensões ocultas quando o conjunto de dados de interações com itens incluir padrões mais complicados. Usar mais dimensões ocultas requer um conjunto de dados maior e mais tempo para processamento. Para decidir sobre o valor ideal, use HPO. Para usar a HPO, defina performHPO true ao chamar as operações CreateSolution e CreateSolutionVersion. Valor padrão: 43 Intervalo: [32, 256] Tipo de valor: inteiro HPO ajustável: sim
bptt	Determina se é necessário usar a técnica de propagação retroativa ao longo do tempo. A propagação retroativa ao longo do tempo é uma técnica que atualiza pesos em algoritmos baseados em rede neural recorrente. Use o bptt para créditos de longo prazo a fim de conectar prêmios atrasados a eventos iniciais. Por exemplo, um prêmio atrasado pode ser uma compra feita após vários cliques. Um evento inicial pode ser um clique inicial. Mesmo dentro dos mesmos tipos de evento, como um clique, é uma boa ideia considerar efeitos de longo prazo e maximizar os prêmios totais. Para considerar efeitos de longo prazo, use valores bptt maiores. O uso de um valor bptt maior exige conjuntos de dados maiores e mais tempo para processamento. Valor padrão: 32 Intervalo: [2, 32] Tipo de valor: inteiro HPO ajustável: sim
recency_mask	Determina se o modelo deve utilizar as tendências de popularidade mais recentes no conjunto de dados de interações com itens. As tendências de popularidade mais recentes podem incluir mudanças repentinas nos padrões subjacentes de eventos de interação. Para treinar um modelo que posiciona mais peso sobre eventos recentes, defina recency_mask como true. Para treinar um modelo que pese igualmente todas as interações passadas, defina recency_mask como false. Para obter boas recomendações usando um peso igual, talvez seja necessário um conjunto de dados de treinamento maior. Valor padrão: True Intervalo: True ou False Tipo de valor: booliano HPO ajustável: sim
Hiperparâmetros de caracterização
min_user_history_length_percentile	O percentil mínimo dos comprimentos dos históricos de usuários para incluir no treinamento do modelo. Comprimento do histórico é a quantidade total de dados sobre um usuário. Use min_user_history_length_percentile para excluir uma porcentagem de usuários com históricos breves. Os usuários com um histórico breve geralmente mostram padrões baseados na popularidade dos itens em vez das necessidades ou dos desejos pessoais do usuário. Removê-los pode treinar modelos com mais foco nos padrões subjacentes nos dados. Escolha um valor apropriado depois de revisar os comprimentos de histórico dos usuários usando um histograma ou uma ferramenta semelhante. Recomendamos definir um valor que retenha a maioria dos usuários, mas remova os casos de borda. Por exemplo, a definição de min__user_history_length_percentile to 0.05 e max_user_history_length_percentile to 0.95 inclui todos os usuários, exceto aqueles com comprimentos de histórico nos 5% inferiores ou superiores. Valor padrão: 0.0 Intervalo: [0,0, 1,0] Tipo de valor: flutuante HPO ajustável: não
max_user_history_length_percentile	O percentil máximo dos comprimentos dos históricos de usuários a ser incluído no treinamento do modelo. Comprimento do histórico é a quantidade total de dados sobre um usuário. Use max_user_history_length_percentile para excluir uma porcentagem de usuários com históricos longos, pois os dados desses usuários tendem a conter ruído. Por exemplo, um robô pode ter uma longa lista de interações automatizadas. A remoção desses usuários limita o ruído no treinamento. Escolha um valor apropriado depois de revisar os comprimentos de histórico dos usuários usando um histograma ou uma ferramenta semelhante. Recomendamos definir um valor que retenha a maioria dos usuários, mas remova os casos de borda. Por exemplo, a definição de min__user_history_length_percentile to 0.05 e max_user_history_length_percentile to 0.95 inclui todos os usuários, exceto aqueles com comprimentos de histórico nos 5% inferiores ou superiores. Valor padrão: 0.99 Intervalo: [0,0, 1,0] Tipo de valor: flutuante HPO ajustável: não