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-Metadata (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.
A fórmula HRNN-Metadata prevê os itens com os quais um usuário interagirá. Semelhante à fórmula HRNN com atributos adicionais derivados de metadados contextuais, de usuários e itens (conjuntos de dados de interações, usuários e itens, respectivamente). A fórmula HRNN-Metadata oferece benefícios precisos em relação aos modelos que não utilizam metadados quando metadados de alta qualidade estão disponíveis. Usar essa fórmula pode exigir tempos de treinamento mais longos.
A fórmula HRNN-Metadata tem as seguintes propriedades:
Nome –
aws-hrnn-metadata
Fórmula nome do recurso da Amazon (ARN) –
arn:aws:personalize:::recipe/aws-hrnn-metadata
ARN do algoritmo –
arn:aws:personalize:::algorithm/aws-hrnn-metadata
ARN de transformação de atributos –
arn:aws:personalize:::feature-transformation/featurize_metadata
Tipo de fórmula –
USER_PERSONALIZATION
A tabela a seguir descreve os hiperparâmetros da fórmula HRNN-Metadata. 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 tunable (HPO ajustável): o parâmetro pode participar da otimização do hiperparâmetro (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: 43 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 | |
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 |