Las traducciones son generadas a través de traducción automática. En caso de conflicto entre la traducción y la version original de inglés, prevalecerá la version en inglés.
Receta HRNN (heredada)
nota
Las recetas heredadas de HRNN ya no están disponibles. Esta documentación sirve como referencia.
Recomendamos que utilice la receta aws-user-personalizaton (User-Personalization) en lugar de las recetas heredadas de HRNN. User-Personalization mejora y unifica la funcionalidad que ofrecen las recetas HRNN. Para obtener más información, consulte Receta User-Personalization.
La receta de la red neuronal recurrente jerárquica (HRNN) de Amazon Personalize modela los cambios en el comportamiento de los usuarios para proporcionar recomendaciones durante una sesión. Una sesión es un conjunto de interacciones de usuarios durante un periodo de tiempo determinado con el objetivo de encontrar un elemento específico para satisfacer una necesidad, por ejemplo. Al ponderar con mayor puntuación las interacciones recientes de un usuario, puede proporcionar recomendaciones más relevantes durante una sesión.
HRNN se adapta a la intención y los intereses de los usuarios, que pueden cambiar con el tiempo. Toma historias de usuario ordenadas y las pondera automáticamente para realizar mejores deducciones. HRNN utiliza un mecanismo de regulación para modelar las ponderaciones de descuentos como una función aprendible de los elementos y la marca de tiempo.
Amazon Personalize deriva las características de cada usuario de su conjunto de datos. Si se ha realizado la integración de datos en tiempo real, estas características se actualizan en tiempo real en función de la actividad de los usuarios. Para obtener una recomendación, proporcione solo el USER_ID. Si también proporciona ITEM_ID, Amazon Personalize lo ignorará.
La receta HRNN incluye las siguientes propiedades:
-
Nombre:
aws-hrnn -
Nombre de recurso de Amazon (ARN) de la receta:
arn:aws:personalize:::recipe/aws-hrnn -
ARN del algoritmo:
arn:aws:personalize:::algorithm/aws-hrnn -
ARN de transformación de características:
arn:aws:personalize:::feature-transformation/JSON-percentile-filtering -
Tipo de receta:
USER_PERSONALIZATION
En la siguiente tabla se describen los hiperparámetros de la receta HRNN. Un hiperparámetro es un parámetro de algoritmo que se puede ajustar para mejorar el rendimiento del modelo. Los hiperparámetros de algoritmos controlan el rendimiento del modelo. Los hiperparámetros de caracterización controlan cómo se filtran los datos que se van a utilizar en el entrenamiento. El proceso de elección del mejor valor para un hiperparámetro se denomina optimización de hiperparámetros (HPO). Para obtener más información, consulte Hiperparámetros y HPO.
La tabla también proporciona la siguiente información para cada hiperparámetro:
-
Rango: [límite inferior, límite superior]
-
Tipo de valor: número entero, continuo (flotante), categórico (booleano, lista, cadena)
-
HPO ajustable: ¿puede el parámetro participar en HPO?
| Nombre | Descripción |
|---|---|
| Hiperparámetros de algoritmos | |
hidden_dimension |
El número de variables ocultas utilizadas en el modelo. Las variables ocultas recrean el historial de compras de los usuarios y las estadísticas de los elementos para generar puntuaciones de clasificación. Especifique un número mayor de dimensiones ocultas cuando el conjunto de datos de interacciones de elementos incluya patrones más complicados. El uso de más dimensiones ocultas requiere un conjunto de datos mayor y más tiempo de procesamiento. Para decidir el valor óptimo, utilice HPO. Para utilizar HPO, establezca Valor predeterminado: 43 Rango: [32, 256] Tipo de valor: entero HPO ajustable: sí |
bptt |
Determina si se debe utilizar la propagación hacia atrás a través de la técnica de tiempo. La propagación hacia atrás a través del tiempo es una técnica que actualiza ponderaciones en algoritmos basados en redes neuronales recurrentes. Utilice Valor predeterminado: 32 Rango: [2, 32] Tipo de valor: entero HPO ajustable: sí |
recency_mask |
Determina si el modelo debe tener en cuenta las últimas tendencias de popularidad en el conjunto de datos de interacciones de elementos. Las últimas tendencias de popularidad pueden incluir cambios bruscos en los patrones subyacentes de los eventos de interacción. Para entrenar un modelo que tenga más peso sobre los eventos recientes, establezca Valor predeterminado: Rango: Tipo de valor: booleano HPO ajustable: sí |
| Hiperparámetros de caracterización | |
min_user_history_length_percentile |
El percentil mínimo de longitudes de historial de usuario para incluir en el entrenamiento de modelos. La longitud del historial es la cantidad total de datos sobre un usuario. Utilice Por ejemplo, al establecer Valor predeterminado: 0,0 Rango: [0,0, 1,0] Tipo de valor: flotante HPO ajustable: no |
max_user_history_length_percentile |
El percentil máximo de longitudes de historial de usuario para incluir en el entrenamiento de modelos. La longitud del historial es la cantidad total de datos sobre un usuario. Utilice Por ejemplo, al establecer Valor predeterminado: 0,99 Rango: [0,0, 1,0] Tipo de valor: flotante HPO ajustable: no |
