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 classement personnalisé
La recette du classement personnalisé génère des classements personnalisés des objets. Un classement personnalisé est une liste d'éléments recommandés ayant fait l'objet d'un nouveau classement pour un utilisateur spécifique. Cela est utile si vous disposez d'une collection d'articles commandés, tels que des résultats de recherche, des promotions ou des listes sélectionnées, et que vous souhaitez proposer un reclassement personnalisé pour chacun de vos utilisateurs. Par exemple, avec Personalized-Ranking, Amazon Personalize peut reclasser les résultats de recherche que vous avez générés. OpenSearch
Pour entraîner un modèle, la recette Personalized-Ranking utilise les données de votre jeu de données d'interactions entre articles, et si vous les avez créées, le jeu de données Items et le jeu de données Users de votre groupe de jeux de données (ces ensembles de données sont facultatifs). Avec le classement personnalisé, votre jeu de données d'objets peut inclure Métadonnées de texte non structurées et votre jeu de données d'interactions entre objets peut inclure. Métadonnées contextuelles Pour obtenir un classement personnalisé, utilisez l'GetPersonalizedRankingAPI.
Après avoir créé une version de solution, assurez-vous de maintenir la version et les données de votre solution à jour. Avec Personalized-Ranking, vous devez créer manuellement une nouvelle version de solution (modifier le modèle) pour qu'Amazon Personalize prenne en compte les nouveaux articles à des fins de recommandation et mette à jour le modèle en fonction du comportement le plus récent de votre utilisateur. Vous devez ensuite mettre à jour toute campagne à l'aide de la version de la solution. Pour de plus amples informations, veuillez consulter Maintien de la pertinence des recommandations.
Note
Si vous fournissez des articles sans données d'interaction à des fins de classement, Amazon Personalize renverra ces articles sans note de recommandation dans la réponse de l' GetPersonalizedRanking API.
Cette recette possède les propriétés suivantes :
-
Nom –
aws-personalized-ranking -
Nom de la ressource Amazon (ARN) de la recette —
arn:aws:personalize:::recipe/aws-personalized-ranking -
Algorithme ARN —
arn:aws:personalize:::algorithm/aws-personalized-ranking -
ARN de transformation des fonctionnalités —
arn:aws:personalize:::feature-transformation/JSON-percentile-filtering -
Type de recette —
PERSONALIZED_RANKING
Hyperparamètres
Le tableau suivant décrit les hyperparamètres de la recette Personalize Ranking. 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 personnalisable : le paramètre peut-il participer à l'optimisation des hyperparamètres (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 : 149 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 |
Exemple de carnet de notes à classement personnalisé
