Configuration des colonnes utilisées lors de la création d'un système de recommandation de domaine Amazon Personalize - Amazon Personalize

Les traductions sont fournies par des outils de traduction automatique. En cas de conflit entre le contenu d'une traduction et celui de la version originale en anglais, la version anglaise prévaudra.

Configuration des colonnes utilisées lors de la création d'un système de recommandation de domaine Amazon Personalize

Lorsque vous créez un recommandeur, vous pouvez modifier les colonnes prises en compte par Amazon Personalize lors de la formation des modèles qui soutiennent votre recommandateur.

Vous pouvez le faire pour expérimenter différentes combinaisons de données d'entraînement. Vous pouvez également exclure des colonnes dépourvues de données significatives. Par exemple, vous pouvez avoir une colonne que vous souhaitez utiliser uniquement pour filtrer les recommandations. Vous pouvez exclure cette colonne de la formation et Amazon Personalize ne la prend en compte que lors du filtrage.

Vous ne pouvez pas exclure les TYPE colonnes EVENT _. Par défaut, Amazon Personalize utilise toutes les colonnes qui peuvent être utilisées lors de la formation. Les données suivantes sont toujours exclues de la formation :

  • Colonnes avec le type de données booléen

  • Données sur les impressions

  • Champs de chaîne personnalisés qui ne sont ni catégoriques ni textuels

Vous ne pouvez pas inclure de données sur les impressions dans la formation, mais si votre cas d'utilisation ou votre recette les utilise, Amazon Personalize utilise les données d'impressions pour guider l'exploration lorsque vous recevez des recommandations.

Les exemples de code suivants montrent comment configurer les colonnes utilisées lors de l'entraînement avec le AWS CLI ou le AWS SDKs. Pour ce faire, avec la console Amazon Personalize, vous devez spécifier les colonnes à utiliser sur la page de configuration avancée lorsque vous créez le recommandateur. Pour de plus amples informations, veuillez consulter Création de recommandeurs (console).

Pour exclure des colonnes de l'entraînement, fournissez l'excludedDatasetColumnsobjet dans le trainingDataConfig cadre de la configuration du recommandeur. Pour chaque clé de l'objet, indiquez le type de jeu de données. Pour chaque valeur, fournissez la liste des colonnes à exclure. Pour de plus amples informations, veuillez consulter Configuration des colonnes utilisées lors de la création d'un système de recommandation de domaine Amazon Personalize. 

aws personalize create-recommender \
--name recommender name \
--dataset-group-arn dataset group ARN \
--recipe-arn recipe ARN \
--recommender-config "{\"trainingDataConfig\": {\"excludedDatasetColumns\": { \"datasetType\" : [ \"column1Name\", \"column2Name\"]}}}"

Pour exclure des colonnes de l'entraînement, fournissez l'excludedDatasetColumnsobjet dans le trainingDataConfig cadre de la configuration du recommandeur. Pour chaque clé, indiquez le type de jeu de données. Pour chaque valeur, fournissez la liste des colonnes à exclure. Le code suivant montre comment exclure des colonnes de l'entraînement lorsque vous créez un recommandateur. Pour de plus amples informations, veuillez consulter Configuration des colonnes utilisées lors de la création d'un système de recommandation de domaine Amazon Personalize.

SDK for Python (Boto3)
import boto3

personalize = boto3.client('personalize')

create_recommender_response = personalize.create_recommender(
  name = 'recommender name',
  recipeArn = 'recipe name',
  datasetGroupArn = 'dataset group ARN',
  recommenderConfig = {
    "trainingDataConfig": {
      "excludedDatasetColumns": { 
        "datasetType": ["COLUMN_A", "COLUMN_B"]
      }
    }
  }
)

recommender_arn = create_recommender_response['recommenderArn']

print('Recommender ARN:' + recommender_arn)
SDK for JavaScript v3
// Get service clients and commands using ES6 syntax.
import { CreateRecommenderCommand, PersonalizeClient } from
  "@aws-sdk/client-personalize";

// create personalizeClient
const personalizeClient = new PersonalizeClient({
  region: "REGION"
});

// set the recommender's parameters
export const createRecommenderParam = {
  name: "RECOMMENDER_NAME",             /* required */
  recipeArn: "RECIPE_ARN",              /* required */
  datasetGroupArn: "DATASET_GROUP_ARN", /* required */
  recommenderConfig: {
    trainingDataConfig: {
      excludedDatasetColumns: {
        "DATASET_TYPE": ["COLUMN_A", "COLUMN_B"]   
      }
    }
  }
};

export const run = async () => {
  try {
    const response = await personalizeClient.send(new CreateRecommenderCommand(createRecommenderParam));
    console.log("Success", response);
    return response; // For unit tests.
  } catch (err) {
    console.log("Error", err);
  }
};
run();