Ricetta con classificazione personalizzata

Il numero di variabili nascoste utilizzate nel modello. Le variabili nascoste ricreano la cronologia degli acquisti degli utenti e le statistiche degli articoli per generare punteggi di classifica. Specificate un numero maggiore di dimensioni nascoste quando il set di dati sulle interazioni degli elementi include modelli più complicati. L'utilizzo di dimensioni più nascoste richiede un set di dati più grande e più tempo per l'elaborazione. Per decidere il valore ottimale, usaHPO. Per usareHPO, imposta performHPO su true quando chiami CreateSolution e CreateSolutionVersion operi.

Valore predefinito: 149

Intervallo: [32, 256]

Tipo di valore: Integer

HPOsintonizzabile: Sì

Determina se utilizzare la tecnica di propagazione back-through-time. La propagazione back-through-time è una tecnica che aggiorna i pesi in algoritmi basati su reti neurali ricorrenti. Utilizza bptt per i crediti a lungo termine per collegare ricompense ritardate ai primi eventi. Ad esempio, una ricompensa ritardata può essere un acquisto effettuato dopo diversi clic. Un evento iniziale può essere un clic iniziale. Anche all'interno degli stessi tipi di eventi, ad esempio un clic, è consigliabile considerare gli effetti a lungo termine e massimizzare le ricompense totali. Per considerare gli effetti a lungo termine, utilizza valori bptt più grandi. L'utilizzo di un valore bptt maggiore richiede set di dati più grandi e più tempo per l'elaborazione.

Valore predefinito: 32

Intervallo: [2, 32].

Tipo di valore: Integer

HPOsintonizzabile: Sì

Determina se il modello deve considerare le ultime tendenze di popolarità nel set di dati sulle interazioni tra oggetti. Le ultime tendenze di popolarità potrebbero includere improvvisi cambiamenti nei modelli sottostanti degli eventi di interazione. Per eseguire il training di un modello che posiziona più peso sugli eventi recenti, imposta recency_mask su true. Per addestrare un modello che pesa ugualmente tutte le interazioni passate, imposta recency_mask su false. Per ottenere buone raccomandazioni utilizzando lo stesso peso, potrebbe essere necessario un set di dati di training più grande.

Valore predefinito: True

Intervallo: True o False

Tipo di valore: booleano

HPOsintonizzabile: Sì

Il percentile minimo delle lunghezze della cronologia degli utenti da includere nell’addestramento del modello. La lunghezza della cronologia è la quantità totale di dati relativi a un utente. Utilizza min_user_history_length_percentile per escludere una percentuale di utenti con brevi periodi di cronologia. Gli utenti con una breve cronologia spesso mostrano modelli basati sulla popolarità dell'articolo anziché le esigenze o i desideri personali dell'utente. La loro rimozione può addestrare modelli con maggiore attenzione sui modelli sottostanti nei dati. Scegli un valore appropriato dopo aver esaminato le lunghezze della cronologia degli utenti, utilizzando un istogramma o uno strumento simile. Ti consigliamo di impostare un valore che conservi la maggior parte degli utenti, ma rimuove i casi limite.

Ad esempio, l'impostazione di min__user_history_length_percentile to 0.05 e max_user_history_length_percentile to 0.95 include tutti gli utenti tranne quelli con lunghezze della cronologia nella parte inferiore o superiore del 5%.

Valore predefinito: 0.0

Intervallo: [0.0, 1.0]

Tipo di valore: float

HPOsintonizzabile: No

Il percentile massimo delle lunghezze della cronologia degli utenti da includere nell’addestramento del modello. La lunghezza della cronologia è la quantità totale di dati relativi a un utente. Utilizza max_user_history_length_percentile per escludere una percentuale di utenti con lunghi periodi di cronologia perché i dati per questi utenti tendono a contenere rumore. Ad esempio, un robot potrebbe avere un lungo elenco di interazioni automatizzate. La rimozione di questi utenti limita il rumore durante il training. Scegli un valore appropriato dopo aver esaminato le lunghezze della cronologia degli utenti utilizzando un istogramma o uno strumento simile. Ti consigliamo di impostare un valore che conservi la maggior parte degli utenti ma rimuove i casi limite.

Ad esempio, l'impostazione di min__user_history_length_percentile to 0.05 e max_user_history_length_percentile to 0.95 include tutti gli utenti tranne quelli con lunghezze della cronologia nella parte inferiore o superiore del 5%.

Valore predefinito: 0,99

Intervallo: [0.0, 1.0]

Tipo di valore: float

HPOsintonizzabile: No