本文属于机器翻译版本。若本译文内容与英语原文存在差异,则一律以英文原文为准。
个性化排名配方
个性化排名配方可生成项目的个性化排名。个性化排名 是为特定用户重新排名的推荐项目的列表。如果您有一系列订购的项目(例如搜索结果、促销活动或精选列表),并且想要为每位用户提供个性化的重新排名,这将非常有用。
要训练模型,个性化排名方法使用互动数据集中的数据,如果创建了这些数据集,则使用数据集组中的项目数据集和用户数据集(这些数据集是可选的)。使用个性化排名,您的物品数据集可以包括非结构化文本元数据你的互动数据集可以包括上下文元数据. 要获得个性化排名,请使用GetPersonalizedRankingAPI。
如果您提供的商品没有用于排名的互动数据,Amazon Personalize 化将在 GetPersonalizedRanking onalize API 响应中退回这些商品,但没有推荐分数。
该配方具有以下属性:
-
名称 –
aws-personalized-ranking
-
配方 Amazon 资源名称 (ARN)–
arn:aws:personalize:::recipe/aws-personalized-ranking
-
算法 ARN–
arn:aws:personalize:::algorithm/aws-personalized-ranking
-
功能转换 ARN–
arn:aws:personalize:::feature-transformation/JSON-percentile-filtering
-
配方类型–
PERSONALIZED_RANKING
超参数
下表描述了个性化排名配方的超参数。超参数 是一个算法参数,您可以调整该参数以提高模型性能。算法超参数控制模型的执行方式。特征化超参数控制如何筛选训练中使用的数据。为超参数选择最佳值的过程称为超参数优化 (HPO)。有关更多信息,请参阅 超级参数和 HPO。
该表还为每个超参数提供以下信息:
-
范围:[上界, 下界]
-
值类型:Integer、Continuous(浮点数)、Categorical(布尔值、列表、字符串)
-
可调 HPO:该参数是否可以参与超级参数优化 (HPO)?
名称 | 描述 |
---|---|
算法超级参数 | |
hidden_dimension |
模型中使用的隐藏变量的数量。隐藏变量 重新创建用户的购买历史记录和项目统计数据来生成排名分数。当交互数据集包含更复杂的模式时,请指定更多数量的隐藏维度。使用更多隐藏维度需要更大的数据集和更多的处理时间。要确定最佳值,请使用 HPO。要使用 HPO,当您调用 CreateSolution 和 CreateSolutionVersion 操作时,请将 默认值:149 Range (范围):[32, 256] 值类型:整数 HPO 可调:是 |
bptt |
确定是否使用基于时间的反向传播技术。反向传播 是一种在基于递归神经网络的算法中更新权重的技术。将 默认值:32 Range (范围):[2, 32] 值类型:整数 HPO 可调:是 |
recency_mask |
确定模型是否应考虑交互数据集中的最新流行趋势。最新流行趋势可能包括交互事件的基本模式的突然变化。要训练一个使最近事件具有更高权重的模型,请将 默认值: 范围: 值类型:Boolean HPO 可调:是 |
特征化超级参数 | |
min_user_history_length_percentile |
要包含在模型训练中的用户历史记录长度的最小百分位数。历史记录长度 是有关用户的数据总量。使用 例如,设置 默认值:0.0 Range (范围):[0.0, 1.0] 值类型:Float HPO 可调:否 |
max_user_history_length_percentile |
要包含在模型训练中的用户历史记录长度的最大百分位数。历史记录长度 是有关用户的数据总量。使用 例如,设置 默认值:0.99 Range (范围):[0.0, 1.0] 值类型:Float HPO 可调:否 |
个性化排名示例笔记本
有关演示如何使用个性化排名配方的 Jupyter 笔记本示例,请参阅Personalize 排名示例