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.
Rezept mit personalisiertem Ranking
Wichtig
Wir empfehlen die Verwendung des Personalized-Ranking-V2-Rezepts. Es kann bis zu 5 Millionen Elemente bei schnellerem Training berücksichtigen und genauere Rankings mit geringerer Latenz generieren.
Das Rezept für personalisiertes Ranking generiert personalisierte Rankings von Artikeln. Eine personalisierte Rangfolge ist eine Liste empfohlener Elemente, die für einen bestimmten Benutzer neu nach Rang angeordnet sind. Dies ist nützlich, wenn Sie über eine Sammlung bestellter Artikel verfügen, z. B. Suchergebnisse, Werbeaktionen oder kuratierte Listen, und Sie für jeden Ihrer Benutzer eine personalisierte Rangfolge einrichten möchten. Mit Personalized-Ranking kann Amazon Personalize beispielsweise Suchergebnisse, mit denen Sie generiert haben, neu ordnen. OpenSearch
Um ein Modell zu trainieren, verwendet das Rezept für personalisiertes Ranking die Daten in Ihrem Datensatz mit Artikelinteraktionen und, falls Sie sie erstellt haben, den Artikeldatensatz und den Benutzerdatensatz in Ihrer Datensatzgruppe (diese Datensätze sind optional). Mit Personalized-Ranking können Ihr Artikel-Datensatz Unstrukturierte Textmetadaten und Ihr Artikel-Interaktions-Datensatz Folgendes beinhalten. Kontextuelle Metadaten Um ein personalisiertes Ranking zu erhalten, verwenden Sie den. GetPersonalizedRanking API
Nachdem Sie eine Lösungsversion erstellt haben, stellen Sie sicher, dass Sie Ihre Lösungsversion und Ihre Daten auf dem neuesten Stand halten. Mit Personalized-Ranking müssen Sie manuell eine neue Lösungsversion erstellen (das Modell neu trainieren), damit Amazon Personalize neue Elemente für Empfehlungen berücksichtigt und das Modell mit dem neuesten Verhalten Ihres Benutzers aktualisieren kann. Anschließend müssen Sie alle Kampagnen aktualisieren, die die Lösungsversion verwenden. Weitere Informationen finden Sie unter Beibehaltung der Relevanz von Empfehlungen.
Anmerkung
Wenn Sie Artikel ohne Interaktionen für das Ranking angeben, gibt Amazon Personalize diese Artikel ohne Empfehlungspunktzahl in der GetPersonalizedRanking API Antwort zurück.
Das Rezept hat die folgenden Eigenschaften:
-
Name (Name –
aws-personalized-ranking
-
Rezept Amazon-Ressourcenname (ARN) —
arn:aws:personalize:::recipe/aws-personalized-ranking
-
Algorithmus ARN —
arn:aws:personalize:::algorithm/aws-personalized-ranking
-
Transformation von Merkmalen ARN —
arn:aws:personalize:::feature-transformation/JSON-percentile-filtering
-
Art des Rezepts —
PERSONALIZED_RANKING
Hyperparameter
Die folgende Tabelle beschreibt die Hyperparameter für das Personalisierte-Rangfolgen-Rezept. 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. Der Prozess der Auswahl des besten Werts für einen Hyperparameter wird als Hyperparameter-Optimierung () 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)
-
HPOabstimmbar: Kann der Parameter an der Hyperparameter-Optimierung teilnehmen ()? HPO
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. Um sich für den optimalen Wert zu entscheiden, verwenden SieHPO. Um zu verwendenHPO, legen Sie fest Standardwert Bereich: [32, 256] Werttyp: Ganzzahl HPOabstimmbar: 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 Standardwert: 32 Bereich: [2, 32] Werttyp: Ganzzahl HPOabstimmbar: 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 Standardwert: Bereich: Werttyp: Boolescher Wert HPOabstimmbar: 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 Wenn Sie beispielsweise Standardwert: 0.0 Bereich: [0,0, 1,0]. Werttyp: Gleitkommazahl HPOabstimmbar: 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 Wenn Sie beispielsweise Standardwert: 0.99 Bereich: [0,0, 1,0]. Werttyp: Gleitkommazahl HPOabstimmbar: Nein |