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.
Recette de métadonnées HRNN (ancienne)
Note
Les recettes HRNN traditionnelles ne sont plus disponibles. Cette documentation est fournie à titre de référence.
Nous vous recommandons d'utiliser la recette aws-user-personalizaton (personnalisation utilisateur) plutôt que les anciennes recettes HRNN. La personnalisation par l'utilisateur améliore et unifie les fonctionnalités proposées par les recettes HRNN. Pour en savoir plus, consultez Recette de personnalisation par l'utilisateur.
La recette HRNN-Metadata prédit les éléments avec lesquels un utilisateur interagira. Elle est semblable à la recette HRNN, avec des fonctionnalités supplémentaires dérivées des métadonnées contextuelles, d’utilisateurs et d’éléments (respectivement issues des ensembles de données Interactions, Utilisateurs et Éléments). HRNN-Metadata fournit une meilleure précision que les autres modèles sans métadonnées lorsque des métadonnées de haute qualité sont disponibles. L'utilisation de cette recette peut nécessiter des durées de formation plus longues.
La recette HRNN-Metadata possède les propriétés suivantes :
Nom –
aws-hrnn-metadataNom de la ressource Amazon (ARN) de la recette —
arn:aws:personalize:::recipe/aws-hrnn-metadataAlgorithme ARN —
arn:aws:personalize:::algorithm/aws-hrnn-metadataARN de transformation des fonctionnalités —
arn:aws:personalize:::feature-transformation/featurize_metadataType de recette —
USER_PERSONALIZATION
Le tableau suivant décrit les hyper-paramètres de la recette HRNN-Metadata. Un hyperparamètre est un paramètre d'algorithme que vous pouvez régler pour améliorer les performances du modèle. Les hyperparamètres d'algorithme contrôlent les performances du modèle. Les hyperparamètres d’organisation de fonction contrôlent la façon de filtrer les données à utiliser dans la formation. Le processus de sélection de la meilleure valeur pour un hyperparamètre est appelé optimisation des hyperparamètres (HPO). Pour en savoir plus, consultez Hyperparamètres et HPO.
Le tableau fournit également les informations suivantes pour chaque hyperparamètre :
Plage: [lower bound, upper bound]
Type de valeur : integer (entier), Continuous (float) [continu (flottant)], Categorical (Boolean, list, string) [catégorique (booléen, liste, chaîne)]
HPO personnalisable : le paramètre peut-il participer à l'optimisation des hyperparamètres (HPO) ?
| Name (Nom) | Description |
|---|---|
| Hyperparamètres d'algorithme | |
hidden_dimension |
Nombre de variables masquées utilisées dans le modèle. Les variables masquées recréent l'historique des achats des utilisateurs et les statistiques des articles pour générer des scores de classement. Spécifiez un plus grand nombre de dimensions masquées lorsque votre jeu de données d'interactions entre objets inclut des modèles plus complexes. L'utilisation de dimensions masquées nécessite un ensemble de données plus volumineux et plus de temps pour le traitement. Pour décider de la valeur optimale, utilisez HPO. Pour utiliser HPO, définissez Valeur par défaut : 43 Plage : [32, 256] Type de valeur : entier HPO personnalisable : oui |
bptt |
Détermine s'il convient d'utiliser la technique de propagation de retour à travers le temps. La propagation du retour au fil du temps est une technique qui met à jour les pondérations dans les algorithmes récurrents basés sur les réseaux neuronaux. Utilisez Valeur par défaut : 32 Plage : [2, 32] Type de valeur : entier HPO personnalisable : oui |
recency_mask |
Détermine si le modèle doit prendre en compte les dernières tendances de popularité dans le jeu de données d'interactions entre articles. Les dernières tendances de popularité peuvent inclure des modifications soudaines dans les modèles sous-jacents des événements d'interaction. Pour former un modèle qui accorde plus de poids aux événements récents, définissez Valeur par défaut : Plage : Type de valeur : booléen HPO personnalisable : oui |
| Hyperparamètres de fonctionnalité | |
min_user_history_length_percentile |
Le percentile minimal des longueurs d’historique d'utilisateur à inclure dans la formation du modèle. La longueur de l'historique correspond à la quantité totale de données sur un utilisateur. Utilisez Par exemple, la définition de Valeur par défaut : 0.0 Plage : [0.0, 1.0] Type de valeur : flottante HPO personnalisable : non |
max_user_history_length_percentile |
Le percentile maximal des longueurs d’historique d'utilisateur à inclure dans la formation du modèle. La longueur de l'historique correspond à la quantité totale de données sur un utilisateur. Utilisez Par exemple, la définition de Valeur par défaut : 0.99 Plage : [0.0, 1.0] Type de valeur : flottante HPO personnalisable : non |
