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 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 de plus amples informations, veuillez consulter Recette de personnalisation par l'utilisateur.
La recette du réseau neuronal récurrent hiérarchique (HRNN) Amazon Personalize modélise les modifications du comportement des utilisateurs afin de fournir des recommandations au cours d'une session. Une session est un ensemble d'interactions utilisateur au sein d'une période donnée dans le but de trouver un élément spécifique pour répondre à un besoin, par exemple. En évaluant davantage les interactions récentes d'un utilisateur, vous pouvez fournir des recommandations plus pertinentes au cours d'une session.
HRNN tient compte de l'intention et des intérêts de l'utilisateur, qui peuvent changer au fil du temps. Les historiques d'utilisateurs ordonnés sont pondérés automatiquement pour créer de meilleures inférences. HRNN utilise un mécanisme de passage pour modéliser les pondérations de remise en tant que fonction pouvant être apprise des éléments et des horodatages.
Amazon Personalize extrait les fonctionnalités de chaque utilisateur à partir de votre ensemble de données. Si vous avez terminé l'intégration des données en temps réel, ces fonctionnalités sont mises à jour en temps réel en fonction de l'activité de l'utilisateur. Pour obtenir une recommandation, vous fournissez uniquement le USER_ID. Si vous en fournissez également unITEM_ID, Amazon Personalize l'ignore.
La recette HRNN possède les propriétés suivantes :
-
Nom –
aws-hrnn -
Nom de la ressource Amazon (ARN) de la recette —
arn:aws:personalize:::recipe/aws-hrnn -
Algorithme ARN —
arn:aws:personalize:::algorithm/aws-hrnn -
ARN de transformation des fonctionnalités —
arn:aws:personalize:::feature-transformation/JSON-percentile-filtering -
Type de recette —
USER_PERSONALIZATION
Le tableau suivant décrit les hyper-paramètres de la recette HRNN. 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 de plus amples informations, veuillez consulter 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 tunable (HPO réglable) : le paramètre peut-il participer à HPO ?
| Name (Nom) | Description |
|---|---|
| Hyperparamètres de l'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 |
