HRNN-Rezept (veraltet) - Amazon Personalize

Die vorliegende Übersetzung wurde maschinell erstellt. Im Falle eines Konflikts oder eines Widerspruchs zwischen dieser übersetzten Fassung und der englischen Fassung (einschließlich infolge von Verzögerungen bei der Übersetzung) ist die englische Fassung maßgeblich.

HRNN-Rezept (veraltet)

Anmerkung

Ältere HRNN-Rezepte sind nicht mehr verfügbar. Diese Dokumentation dient zu Referenzzwecken.

Wir empfehlen, das Rezept aws-user-personalizaton (Benutzerpersonalisierung) gegenüber den älteren HRNN-Rezepten zu verwenden. Die Benutzerpersonalisierung verbessert und vereinheitlicht die Funktionalität der HRNN-Rezepte. Weitere Informationen finden Sie unter Rezept für Benutzerpersonalisierung.

Das Rezept für hierarchisches wiederkehrendes neuronales Netzwerk (HRNN) von Amazon Personalize modelliert Änderungen im Benutzerverhalten, um während einer Sitzung Empfehlungen zu geben. Eine Sitzung ist eine Reihe von Benutzerinteraktionen innerhalb eines bestimmten Zeitraums mit dem Ziel, ein bestimmtes Element zu finden, um z. B.eine Anforderung zu erfüllen. Indem Sie die jüngsten Interaktionen eines Benutzers höher gewichten, können Sie während einer Sitzung relevantere Empfehlungen geben.

HRNN berücksichtigt Benutzerabsicht und -interessen, die sich mit der Zeit ändern können. Damit werden geordnete Benutzerhistorien automatisch gewichtet, um bessere Inferenzen zu erzielen. HRNN verwendet einen Gating-Mechanismus, um die reduzierten Gewichtungen als lernbare Funktion von Elementen mit Zeitstempel zu modellieren.

Amazon Personalize leitet die Funktionen für jeden Benutzer aus Ihrem Datensatz ab. Findet eine Echtzeit-Datenintegration statt, werden diese Funktionen entsprechend den Benutzeraktivitäten in Echtzeit aktualisiert. Um eine Empfehlung zu erhalten, geben Sie nur die USER_ID an. Wenn Sie auch eine angebenITEM_ID, ignoriert Amazon Personalize sie.

Das HRNN-Rezept hat die folgenden Eigenschaften:

  • Name (Name – aws-hrnn

  • Rezept Amazon-Ressourcenname (ARN) — arn:aws:personalize:::recipe/aws-hrnn

  • Algorithmus ARN — arn:aws:personalize:::algorithm/aws-hrnn

  • Merkmalstransformation ARN — arn:aws:personalize:::feature-transformation/JSON-percentile-filtering

  • Art des Rezepts — USER_PERSONALIZATION

In der folgenden Tabelle werden die Hyperparameter für das HRNN-Rezept beschrieben. Ein Hyperparameter ist ein Algorithmusparameter, den Sie anpassen können, um die Modellleistung zu verbessern. Algorithmus-Hyperparameter steuern die Leistung des Modells. Hyperparameter zur Entwicklung von Funktionen steuern, wie die Daten für die Schulung gefiltert werden. Die Auswahl des besten Werts für einen Hyperparameter wird als Hyperparameteroptimierung (HPO) bezeichnet. Weitere Informationen finden Sie unter Hyperparameter und HPO.

Die Tabelle enthält auch die folgenden Informationen für jeden Hyperparameter:

  • Bereich: [Untergrenze, Obergrenze]

  • Werttyp: Ganzzahl, kontinuierlich (float), kategorisch (boolean, Liste, Zeichenfolge)

  • HPO optimierbar: Kann der Parameter an der Hyperparameteroptimierung (HPO) teilnehmen?

Name Beschreibung
Hyperparameter des Algorithmus
hidden_dimension

Anzahl der ausgeblendeten Variablen im Modell. Ausgeblendete Variablen erstellen die Kaufhistorie und Elementstatistiken der Benutzer neu, um die Rangfolge zu generieren. Geben Sie eine größere Anzahl ausgeblendeter Dimensionen an, wenn Ihr Datensatz für Artikelinteraktionen kompliziertere Muster enthält. Je mehr ausgeblendete Dimensionen verwendet werden, desto größer muss das Dataset sein und desto länger dauert die Verarbeitung. Bestimmen Sie den optimalen Wert mithilfe der HPO. Um HPO zu verwenden, legen Sie performHPO auf true fest, wenn Sie die Operationen CreateSolutionVersion undCreateSolution aufrufen.

Standardwert: 43

Bereich: [32, 256]

Werttyp: Ganzzahl

HPO-optimierbar: Ja
bptt

Legt fest, ob die Technik „Backpropagation über Zeit“ verwendet werden soll. DieBackpropagation über Zeit ist eine Technik, die Gewichtungen in wiederkehrenden neuronalen netzwerkbasierten Algorithmen aktualisiert. Verwenden Sie bptt für langfristige Guthaben, um verzögerte Belohnungen mit frühen Ereignissen zu verbinden. Eine verzögerte Belohnung kann beispielsweise ein Kauf nach mehreren Klicks sein. Ein frühes Ereignis kann ein erster Klick sein. Selbst bei denselben Ereignistypen wie einem Klick empfiehlt es sich, langfristige Effekte zu berücksichtigen und die Gesamtbelohnungen zu maximieren. Um Langzeiteffekte zu berücksichtigen, verwenden Sie höhere bptt-Werte. Die Verwendung eines höheren bptt-Werts erfordert größere Datasets und mehr Zeit für die Verarbeitung.

Standardwert: 32

Bereich: [2, 32]

Werttyp: Ganzzahl

HPO-optimierbar: Ja
recency_mask

Legt fest, ob das Modell die neuesten Beliebtheitstrends im Datensatz Artikelinteraktionen berücksichtigen soll. Neueste Beliebtheitstrends können plötzliche Änderungen in den zugrunde liegenden Mustern von Interaktionsereignissen umfassen. Um ein Modell zu schulen, das aktuelle Ereignisse stärker gewichtet, legen Sie recency_mask auf true fest. Um ein Modell zu schulen, das alle vorherigen Interaktionen gleichermaßen abwägt, legen Sie recency_mask auf false fest. Um gute Empfehlungen mit gleicher Gewichtung zu erhalten, benötigen Sie möglicherweise ein größeres Schulungsdataset.

Standardwert: True

Bereich: True oder False

Werttyp: Boolescher Wert

HPO-optimierbar: Ja
Hyperparameter zur Featureinstellung
min_user_history_length_percentile

Das Mindestperzentil der Benutzerhistorienlängen, das in die Modellschulung einbezogen werden muss. Historienlänge ist die Gesamtmenge der Daten zu einem Benutzer. Verwenden Sie min_user_history_length_percentile, um einen Prozentsatz von Benutzern mit kurzen Historienlängen auszuschließen. Benutzer mit einer kurzen Historie zeigen häufig Muster basierend auf der Beliebtheit von Elementen anstelle der persönlichen Bedürfnisse oder Wünsche des Benutzers. Wenn Sie diese entfernen, können Sie Modelle schulen, die sich stärker auf die zugrunde liegenden Muster in Ihren Daten konzentrieren. Wählen Sie einen geeigneten Wert aus, nachdem Sie die Längen der Benutzerhistorien mithilfe eines Histogramms oder eines ähnlichen Tools überprüft haben. Wir empfehlen, den Wert so festzulegen, dass die meisten Benutzer beibehalten, aber die Grenzfälle entfernt werden.

Wenn Sie beispielsweise min__user_history_length_percentile to 0.05 und max_user_history_length_percentile to 0.95 festlegen, werden alle Benutzer berücksichtigt, mit Ausnahme der unteren und oberen 5 % in Bezug auf ihre Historienlängen.

Standardwert: 0.0

Bereich: [0,0, 1,0].

Werttyp: Gleitkommazahl

HPO-optimierbar: Nein
max_user_history_length_percentile

Das maximale Perzentil der Benutzerhistorienlänge, das in die Modellschulung einbezogen werden kann. Historienlänge ist die Gesamtmenge der Daten zu einem Benutzer. Verwenden Sie max_user_history_length_percentile, um einen Prozentsatz von Benutzern mit langen Historienlängen auszuschließen, da die Daten für diese Benutzer in der Regel Rauschen enthalten. Beispielsweise kann ein Roboter über eine lange Liste automatisierter Interaktionen verfügen. Durch das Entfernen dieser Benutzer werden Störungen der Schulung eingeschränkt. Wählen Sie einen geeigneten Wert, nachdem Sie die Längen der Benutzerhistorien mit einem Histogramm oder einem ähnlichen Tool überprüft haben. Wir empfehlen, den Wert so festzulegen, dass die meisten Benutzer beibehalten, aber die Grenzfälle entfernt werden.

Wenn Sie beispielsweise min__user_history_length_percentile to 0.05 und max_user_history_length_percentile to 0.95 festlegen, werden alle Benutzer berücksichtigt, mit Ausnahme der unteren und oberen 5 % in Bezug auf ihre Historienlängen.

Standardwert: 0.99

Bereich: [0,0, 1,0].

Werttyp: Gleitkommazahl

HPO-optimierbar: Nein