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 SIMS
nota
Todas las recetas RELATED_ITEMS utilizan datos de interacciones. Elija SIMS si desea configurar más hiperparámetros para el modelo. Elija Receta Similar-Items si tiene metadatos de elementos y quiere que Amazon Personalize los use para buscar elementos similares.
La receta de Item-to-item similitudes (SIMS) utiliza el filtrado colaborativo para recomendar los elementos que se parecen más a los elementos que especificas al recibir recomendaciones. SIMS utiliza su conjunto de datos de interacciones de elementos, no los metadatos de los elementos, como el color o el precio, para determinar la similitud. SIMS identifica la presencia simultánea del elemento en los historiales de los usuarios de su conjunto de datos de interacciones para recomendar elementos similares. Por ejemplo, con SIMS, Amazon Personalize podría recomendar elementos de cafetería que los clientes compren juntos con frecuencia o películas que otros usuarios también hayan visto.
Cuando obtenga recomendaciones de elementos similares, puede filtrarlos en función de un atributo del elemento que especifique en la solicitud. Para ello, añada un elemento CurrentItem.attribute al filtro. Para ver un ejemplo, consulta item data filter examples.
Para usar SIMS, debe crear un conjunto de datos de interacciones de elementos con al menos 1000 interacciones históricas y de eventos únicas (combinadas). SIMS no utiliza los datos de un conjunto de datos de usuarios o elementos al generar recomendaciones. Aún puede filtrar las recomendaciones en función de los datos de estos conjuntos de datos. Para obtener más información, consulte Recomendaciones de filtrado y segmentos de usuarios.
Si no hay suficientes datos sobre el comportamiento de los usuarios para un elemento o no se encuentra el identificador del elemento que ha proporcionado, SIMS le recomendará los elementos más populares. Después de crear una versión de la solución, asegúrese de mantener la versión y los datos de la solución actualizados. Con SIMS, debe crear manualmente una nueva versión de solución (reentrenar el modelo) para que Amazon Personalize tenga en cuenta los nuevos elementos para las recomendaciones y actualizar el modelo con el comportamiento más reciente del usuario. A continuación, debe actualizar cualquier campaña con la versión de la solución. Para obtener más información, consulte Mantenimiento de la relevancia de las recomendaciones.
La receta SIMS incluye las siguientes propiedades:
-
Nombre:
aws-sims -
Nombre de recurso de Amazon (ARN) de la receta:
arn:aws:personalize:::recipe/aws-sims -
ARN del algoritmo:
arn:aws:personalize:::algorithm/aws-sims -
ARN de transformación de características:
arn:aws:personalize:::feature-transformation/sims -
Tipo de receta:
RELATED_ITEMS
En la siguiente tabla se describen los hiperparámetros de la receta SIMS. 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 optimización hiperparámetros (HPO)?
| Nombre | Descripción |
|---|---|
| Hiperparámetros de algoritmos | |
popularity_discount_factor |
Configure cómo la popularidad influye en las recomendaciones. Especifique un valor cercano a cero para incluir los elementos más populares. Especifique un valor cercano a uno para hacer menos hincapié en la popularidad. Valor predeterminado: 0,5 Rango: [0,0, 1,0] Tipo de valor: flotante HPO ajustable: sí |
min_cointeraction_count |
El número mínimo de cointeracciones que necesita para calcular la similitud entre un par de elementos. Por ejemplo, un valor de Valor predeterminado: 3 Rango: [0, 10]. Tipo de valor: entero 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 disponibles de un usuario. Utilice Valor predeterminado: 0,005 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 disponibles en un usuario. Utilice Por ejemplo, Valor predeterminado: 0,995 Rango: [0,0, 1,0] Tipo de valor: flotante HPO ajustable: no |
min_item_interaction_count_percentile |
El percentil mínimo de interacción del elemento cuenta para incluirlo en el modelo de entrenamiento. Utilice Valor predeterminado: 0,01 Rango: [0,0, 1,0] Tipo de valor: flotante HPO ajustable: no |
max_item_interaction_count_percentile |
El percentil máximo de interacción del elemento cuenta para incluirlo en el modelo de entrenamiento. Utilice Por ejemplo, Valor predeterminado: 0,9 Rango: [0,0, 1,0] Tipo de valor: flotante HPO ajustable: no |
Cuaderno de ejemplo de SIMS
Para ver un cuaderno de Jupyter de muestra que describe cómo utilizar la receta SIMS, consulte Búsqueda de elementos similares + HPO
