As traduções são geradas por tradução automática. Em caso de conflito entre o conteúdo da tradução e da versão original em inglês, a versão em inglês prevalecerá.
Fórmula HRNN-Coldstart (legada)
nota
As fórmulas legadas do HRNN não estarão mais disponíveis. Esta documentação é apenas para referência.
Recomendamos usar a fórmula aws-user-personalization (User-Personalization) em vez das fórmulas legadas do HRNN. User-Personalization aprimora e unifica a funcionalidade oferecida pelas fórmulas do HRNN. Para obter mais informações, consulte Fórmula User-Personalization.
Use a fórmula HRNN-Coldstart para prever os itens com os quais um usuário interagirá quando você adicionar novos itens e interações com frequência e quiser obter recomendações para esses itens imediatamente. A fórmula HRNN-Coldstart é semelhante à fórmula HRNN-Metadata, mas permite que você obtenha recomendações para novos itens.
Além disso, é possível usar a fórmula HRNN-Coldstart quando quiser excluir do treinamento itens que têm uma longa lista de interações devido a uma tendência de popularidade recente, ou porque as interações podem ser altamente incomuns e introduzir ruído no treinamento. Com HRNN-Coldstart, é possível filtrar itens menos relevantes para criar um subconjunto para treinamento. O subconjunto de itens, chamado itens frios, são itens que têm eventos de interação relacionados no conjunto de dados de Interações com itens. Um item será considerado frio quando tiver o seguinte:
-
Um número de interações menor do que uma quantidade especificada de interações máximas. Especifique esse valor no hiperparâmetro
cold_start_max_interactions
da fórmula. -
Uma duração relativa mais curta que a duração máxima. Especifique esse valor no hiperparâmetro
cold_start_max_duration
da fórmula.
Para reduzir o número de itens frios, defina um valor mais baixo para cold_start_max_interactions
ou cold_start_max_duration
. Para aumentar o número de itens frios, defina um valor maior para cold_start_max_interactions
ou cold_start_max_duration
.
HRNN-Coldstart tem os seguintes limites de itens frios:
-
Maximum cold start items
: 80.000 -
Minimum cold start items
: 100
Se o número de itens frios estiver fora desse intervalo, ocorrerá uma falha nas tentativas de criar uma solução.
A fórmula HRNN-Coldstart tem as seguintes propriedades:
-
Nome –
aws-hrnn-coldstart
-
Fórmula nome do recurso da Amazon (ARN) –
arn:aws:personalize:::recipe/aws-hrnn-coldstart
-
ARN do algoritmo –
arn:aws:personalize:::algorithm/aws-hrnn-coldstart
-
ARN de transformação de atributos –
arn:aws:personalize:::feature-transformation/featurize_coldstart
-
Tipo de fórmula –
USER_PERSONALIZATION
Para obter mais informações, consulte Escolher uma fórmula.
A tabela a seguir descreve os hiperparâmetros da fórmula HRNN-Coldstart. Um hiperparâmetro é um parâmetro de algoritmo que pode ser ajustado para melhorar o desempenho do modelo. Os hiperparâmetros do algoritmo controlam o desempenho do modelo. Os hiperparâmetros de caracterização controlam como filtrar os dados a serem usados no treinamento. O processo de escolher o melhor valor para um hiperparâmetro é chamado de otimização de hiperparâmetros (HPO). Para obter mais informações, consulte Hiperparâmetros e HPO.
A tabela também fornece as seguintes informações para cada hiperparâmetro:
-
Intervalo: [limite inferior, limite superior]
-
Tipo de valor: inteiro, contínuo (float), categórico (booliano, lista, string)
-
HPO ajustável: o parâmetro pode participar da HPO?
Nome | Descrição |
---|---|
Hiperparâmetros de algoritmo | |
hidden_dimension |
O número de variáveis ocultas usadas no modelo. Variáveis ocultas recriam o histórico de compras dos usuários e as estatísticas de itens para gerar pontuações de classificação. Especifique um número maior de dimensões ocultas quando o conjunto de dados de interações com itens incluir padrões mais complicados. Usar mais dimensões ocultas requer um conjunto de dados maior e mais tempo para processamento. Para decidir sobre o valor ideal, use HPO. Para usar a HPO, defina Valor padrão: 149 Intervalo: [32, 256] Tipo de valor: inteiro HPO ajustável: sim |
bptt |
Determina se é necessário usar a técnica de propagação retroativa ao longo do tempo. A propagação retroativa ao longo do tempo é uma técnica que atualiza pesos em algoritmos baseados em rede neural recorrente. Use o Valor padrão: 32 Intervalo: [2, 32] Tipo de valor: inteiro HPO ajustável: sim |
recency_mask |
Determina se o modelo deve utilizar as tendências de popularidade mais recentes no conjunto de dados de interações com itens. As tendências de popularidade mais recentes podem incluir mudanças repentinas nos padrões subjacentes de eventos de interação. Para treinar um modelo que posiciona mais peso sobre eventos recentes, defina Valor padrão: Intervalo: Tipo de valor: booliano HPO ajustável: sim |
Hiperparâmetros de caracterização | |
cold_start_max_interactions |
O número máximo de interações entre usuários e itens que um item pode ter para ser considerado um item frio. Valor padrão: 15 Intervalo: inteiros positivos Tipo de valor: inteiro HPO ajustável: não |
cold_start_max_duration |
A duração máxima, em dias, em relação ao ponto de partida para que uma interação entre usuário e item seja considerada um item de partida a frio. Para definir o ponto de partida da interação entre usuários e itens, defina o hiperparâmetro Valor padrão: 5.0 Intervalo: flutuantes positivos Tipo de valor: flutuante HPO ajustável: não |
cold_start_relative_from |
Determina o ponto de partida para a fórmula HRNN-Coldstart calcular Para calcular Valor padrão: Intervalo: Tipo de valor: string HPO ajustável: não |
min_user_history_length_percentile |
O percentil mínimo dos comprimentos dos históricos de usuários para incluir no treinamento do modelo. Tamanho do histórico é a quantidade total de dados sobre um usuário. Use Por exemplo, a definição de Valor padrão: 0.0 Intervalo: [0,0, 1,0] Tipo de valor: flutuante HPO ajustável: não |
max_user_history_length_percentile |
O percentil máximo dos comprimentos dos históricos de usuários a ser incluído no treinamento do modelo. Tamanho do histórico é a quantidade total de dados sobre um usuário. Use Por exemplo, a definição de Valor padrão: 0.99 Intervalo: [0,0, 1,0] Tipo de valor: flutuante HPO ajustável: não |