個人化執行配方 - Amazon Personalize
超參數筆記本範例

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。

個人化執行配方

重要

我們建議您使用 Personalized-Ranking-v2 配方。它可以考慮最多 500 萬個訓練速度更快的項目，並產生更準確的排名和更低的延遲。

個人化排名配方會產生個人化項目排名。個人化排名 是建議項目的清單，而這些建議項目會針對特定使用者重新排名。如果您有一系列的排序項目，例如搜尋結果、促銷或精選清單，而且您想要為每個使用者提供個人化的重新排名，這很有用。例如，使用 Personalized-Ranking，Amazon Personalize 可以重新排序您使用 產生的搜尋結果OpenSearch。

為了訓練模型，個人化排名配方會使用項目互動資料集中的資料，如果您建立這些資料集，則會使用資料集群組中的項目資料集和使用者資料集 （這些資料集是選用的）。使用 Personalized-Ranking，您的項目資料集可以包含 非結構化文本元數據，而您的項目互動資料集可以包含 內容中繼資料。若要取得個人化排名，請使用 GetPersonalizedRanking API。

建立解決方案版本後，請確定您的解決方案版本和資料保持最新狀態。使用 Personalized-Ranking，您必須手動為 Amazon Personalize 建立新的解決方案版本 （重新訓練模型），以考慮新的建議項目，並使用使用者的最新行為更新模型。然後，您必須使用解決方案版本更新任何行銷活動。如需詳細資訊，請參閱維持建議相關性。

注意

如果您提供項目沒有用於排名的互動資料，Amazon Personalize 會在回應中 GetPersonalizedRanking API傳回這些項目，而沒有建議分數。

此配方具有下列屬性：

  • 名稱 – aws-personalized-ranking

  • 配方 Amazon Resource Name (ARN) – arn:aws:personalize:::recipe/aws-personalized-ranking

  • 演算法 ARN – arn:aws:personalize:::algorithm/aws-personalized-ranking

  • 功能轉換 ARN – arn:aws:personalize:::feature-transformation/JSON-percentile-filtering

  • 配方類型 – PERSONALIZED_RANKING

超參數

下表說明個人化排名配方的超參數。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 可調校： 參數是否可以參與超參數最佳化 (HPO)？

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。當您的項目互動資料集包含更複雜的模式時，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true時將 performHPO設定為 。

預設值：149

範圍：[32, 256]

值類型：整數

HPO 可調校：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 bptt 做為長期信用來連接早期事件的延遲獎勵。例如，延遲獎勵可以是按幾下滑鼠後的購買。早期事件可以是初始的按一下。即使在相同的事件類型中 (例如按一下)，最好還是考慮長期效果，並將總獎勵最大化。若要考慮長期效果，請使用較大的 bptt 值。使用更大的 bptt 值需要更大的資料集和更多時間來處理。

預設值：32

範圍：[2, 32]

值類型：整數

HPO 可調校：是
recency_mask

決定模型是否應考慮項目互動資料集的最新熱門趨勢。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 recency_mask 設定為 true。若要訓練模型將過去的互動加權同等，請將 recency_mask 設定為 false。若要使用同等權重來獲得良好的建議，您可能需要較大的訓練資料集。

預設值：True

範圍：True 或 False

值類型：布林值

HPO 可調校：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 min_user_history_length_percentile 排除歷史記錄長度較短的使用者百分比。歷史記錄短的使用者通常根據項目熱門程度顯示模式，而不是使用者的個人需求或想要顯示模式。移除它們可以訓練模型更專注於資料中的基礎模式。檢閱使用者歷史記錄長度後，請使用長條圖或類似的工具，選擇適當的值。我們建議設定保留大部分使用者的值，但移除邊緣案例。

例如，設定 min__user_history_length_percentile to 0.05 和 max_user_history_length_percentile to 0.95 包含所有使用者，歷史記錄長度底部或頂端 5% 的使用者除外。

預設值：0.0

範圍：[0.0, 1.0]

值類型：浮點數

HPO 可調校：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 max_user_history_length_percentile 排除歷史記錄長度較長的使用者百分比，因為這些使用者的資料往往包含雜訊。例如，機器人可能有一長串的自動化互動。移除這些使用者會限制訓練中的噪音。使用長條圖或類似工具檢閱使用者歷史記錄長度後，請選擇適當的值。我們建議設定保留大部分使用者的值，但移除邊緣案例。

例如，設定 min__user_history_length_percentile to 0.05 和 max_user_history_length_percentile to 0.95 包含所有使用者，歷史記錄長度底部或頂端 5% 的使用者除外。

預設值：0.99

範圍：[0.0, 1.0]

值類型：浮點數

HPO 可調校：否

個人化執行範例筆記本

如需示範如何使用個人化排名配方的範例 Jupyter 筆記本，請參閱個人化排名範例。