本文為英文版的機器翻譯版本,如內容有任何歧義或不一致之處,概以英文版為準。
HRNN 元數據配方(舊版)
注意
舊版 HRNN 配方已不再可用。本文件僅供參考。
我們建議使用 aws-user-personalizaton (用戶個性化)配方而不是傳統的 HRNN 配方。用戶個性化改進並統一 HRNN 配方提供的功能。如需詳細資訊,請參閱用戶個性化配方。
HRNN-Metadata 配方預測使用者將與其互動的項目。其與 HRNN 配方類似,但多了衍生自情境、使用者和項目中繼資料 (分別來自互動、使用者和項目資料集) 的其他功能。當有大量的中繼資料可用時,HRNN-Metadata 可提供優於非中繼資料模型的準確性優點。使用此配方可能需要更長的訓練時間。
HRNN-Metadata 配方具有下列屬性:
名稱 –
aws-hrnn-metadata
食譜 Amazon 資源名稱(ARN)—
arn:aws:personalize:::recipe/aws-hrnn-metadata
算法 ARN —
arn:aws:personalize:::algorithm/aws-hrnn-metadata
功能轉換 ARN —
arn:aws:personalize:::feature-transformation/featurize_metadata
食譜類型 —
USER_PERSONALIZATION
下表說明 HRNN-Metadata 配方的超參數。超參數 是一種演算法參數,您可以調整以改善模型效能。演算法超參數可控制模型的執行方式。特徵化超參數可控制如何篩選要在訓練中使用的資料。選擇超參數最佳值的程序稱為超參數最佳化 (HPO)。如需詳細資訊,請參閱超參數和 HPO。
該表格也提供每個超參數的下列資訊:
範圍:[下限、上限]
值類型:整數、連續 (浮點數)、分類 (布林值、清單、字串)
HPO 可調整:參數可以參與超參數最佳化 (HPO) 嗎?
名稱 | 描述 |
---|---|
演算法超參數 | |
hidden_dimension |
模型中使用的隱藏變數數量。隱藏變數 會重新建立使用者的購買歷史記錄和項目統計資料,以產生排名分數。如果項目互動資料集包含較複雜的模式,請指定更多隱藏維度。使用更多隱藏維度需要更大的資料集和更多時間處理。若要決定最佳值,請使用 HPO。若要使用 HPO,請在呼叫 CreateSolution 和 CreateSolutionVersion 操作時將 預設值:43 範圍:[32, 256] 值類型:整數 HPO 可調整:是 |
bptt |
決定是否透過時間技術使用反向傳播。透過時間的反向傳播 是一種遞歸神經網路演算法中權重的技術。使用 預設值:32 範圍:[2, 32] 值類型:整數 HPO 可調整:是 |
recency_mask |
決定模型是否應考慮項目互動資料集中的最新人氣趨勢。最新的熱門趨勢可能包括互動事件基礎模式的突然變化。若要訓練模型更多加權最近的事件,請將 預設值: 範圍: 值類型:布林值 HPO 可調整:是 |
特徵化超參數 | |
min_user_history_length_percentile |
要包含在模型訓練中的使用者歷史記錄長度的最小百分位數。歷史記錄長度 是有關使用者的資料總量。使用 例如,設定 預設值:0.0 範圍:[0.0, 1.0] 值類型:浮點數 HPO 可調整:否 |
max_user_history_length_percentile |
要包含在模型訓練中的使用者歷史記錄長度的最大百分位數。歷史記錄長度 是有關使用者的資料總量。使用 例如,設定 預設值:0.99 範圍:[0.0, 1.0] 值類型:浮點數 HPO 可調整:否 |