Les traductions sont fournies par des outils de traduction automatique. En cas de conflit entre le contenu d'une traduction et celui de la version originale en anglais, la version anglaise prévaudra.
# Choisir une recette
Lorsque vous créez une solution personnalisée, vous spécifiez une recette et configurez les paramètres d'entraînement. Les *Recipes* sont des algorithmes Amazon Personalize conçus pour des cas d'utilisation spécifiques. Amazon Personalize propose des recettes, basées sur des cas d'utilisation courants, pour les modèles de formation. Lorsque vous créez une version de solution pour la solution, Amazon Personalize entraîne les modèles qui soutiennent la version de la solution en fonction de la recette et de la configuration de formation.
Les recettes Amazon Personalize utilisent les éléments suivants pendant la formation :
+ Attributs prédéfinis de vos données
+ Transformations de fonction prédéfinies
+ Algorithmes prédéfinis
+ Réglage des paramètres initiaux des algorithmes
Pour optimiser votre modèle, vous pouvez remplacer bon nombre de ces paramètres lorsque vous créez une solution. Pour de plus amples informations, veuillez consulter [Hyperparamètres et HPO](customizing-solution-config-hpo.md).
**Topics**
+ [Amazon Personalize les types de recettes par cas d'utilisation](#use-cases)
+ [Amazon Personalize : recettes](#recipe-categories)
+ [Afficher les recettes Amazon Personalize disponibles](#listing-recipes)
+ [Recette de personnalisation par l'utilisateur V2](native-recipe-user-personalization-v2.md)
+ [Recette de personnalisation par l'utilisateur](native-recipe-new-item-USER_PERSONALIZATION.md)
+ [Recette Trending-Now](native-recipe-trending-now.md)
+ [Recette Popularity-Count](native-recipe-popularity.md)
+ [Recette de classement V2 personnalisée](native-recipe-personalized-ranking-v2.md)
+ [Recette de classement personnalisé](native-recipe-search.md)
+ [Recette de similarité sémantique](native-recipe-semantic-similarity.md)
+ [Recette d'articles similaires](native-recipe-similar-items.md)
+ [Recette SIMS](native-recipe-sims.md)
+ [Next-Best-Action recette](native-recipe-next-best-action.md)
+ [Recette Item-Affinity](item-affinity-recipe.md)
+ [Item-Attribute-Affinity recette](item-attribute-affinity-recipe.md)
+ [Recettes HRNN traditionnelles](legacy-user-personalization-recipes.md)
## Amazon Personalize les types de recettes par cas d'utilisation
Pour choisir votre recette, choisissez d'abord votre cas d'utilisation parmi les suivants et notez le type de recette correspondant.
+ Recommander des articles aux utilisateurs (recettes USER\$1PERSONALIZATION)
Pour fournir des recommandations personnalisées à vos utilisateurs, entraînez votre modèle à l'aide d'une recette USER\$1PERSONALIZATION. Les recommandations personnalisées contribuent à améliorer l'engagement et la conversion.
+ Classement des objets pour un utilisateur (recettes PERSONALIZED\$1RANKING)
Pour personnaliser l'ordre des listes sélectionnées ou des résultats de recherche pour vos utilisateurs, entraînez votre modèle à l'aide d'une recette PERSONALIZED\$1RANKING. Les recettes PERSONALIZED\$1RANKING créent une liste personnalisée en reclassant une collection d'éléments d'entrée en fonction du niveau d'intérêt prévu pour un utilisateur donné. Les listes personnalisées améliorent l'expérience client et renforcent la fidélité et l'engagement des clients.
+ Recommandation d'articles tendance ou populaires (recettes POPULAR\$1ITEMS)
Pour recommander des articles tendance ou populaires, utilisez une recette POPULAR\$1ITEMS. Vous pouvez utiliser un POPULAR\$1ITEMS si vos clients attachent une grande importance à ce avec quoi les autres utilisateurs interagissent. Les utilisations courantes incluent la recommandation de contenu viral sur les réseaux sociaux, d'articles de dernière minute ou de vidéos sportives récentes.
+ Recommander des articles similaires (recettes RELATED\$1ITEMS)
Pour recommander des articles similaires, tels que des articles fréquemment achetés ensemble ou des films que d'autres utilisateurs ont également regardés, vous devez utiliser une recette RELATED\$1ITEMS. La recommandation d'articles similaires peut aider vos clients à découvrir des articles et à augmenter le taux de conversion des utilisateurs.
+ Recommander la meilleure action suivante (recettes PERSONALIZED\$1ACTIONS)
Pour recommander la prochaine meilleure action à vos utilisateurs en temps réel, comme l'inscription à votre programme de fidélité ou la demande d'une carte de crédit, vous devez utiliser une recette PERSONALIZED\$1ACTIONS. En recommandant la meilleure action suivante, vous pouvez fidéliser vos clients, générer plus de revenus et améliorer l'expérience de vos utilisateurs.
+ Obtenir des segments d'utilisateurs (recettes USER\$1SEGMENTATION)
Pour obtenir des segments d'utilisateurs basés sur les données d'entrée des articles, tels que les utilisateurs susceptibles d'interagir avec des éléments dotés d'un certain attribut, vous devez utiliser une recette USER\$1SEGMENTATION. L'obtention de segments d'utilisateurs peut vous aider à créer des campagnes marketing avancées qui font la promotion de différents articles auprès de différents segments d'utilisateurs en fonction de la probabilité qu'ils entreprennent une action.
## Amazon Personalize : recettes
Amazon Personalize propose les types de recettes suivants. Outre les différences comportementales, chaque type a des exigences spécifiques pour obtenir des recommandations, comme illustré dans le tableau suivant.
| Type de formule | Recettes | API | Exigences relatives à l'API |
| --- | --- | --- | --- |
| USER\$1PERSONALIZATION | [Personnalisation de l'utilisateur-v2](native-recipe-user-personalization-v2.md) [Personnalisation par l'utilisateur](native-recipe-new-item-USER_PERSONALIZATION.md) [Recette HRNN (ancienne)](native-recipe-hrnn.md) [Recette de métadonnées HRNN (ancienne)](native-recipe-hrnn-metadata.md) [Recette HRNN-ColdStart (ancienne)](native-recipe-hrnn-coldstart.md) | [GetRecommendations](API_RS_GetRecommendations.md) | `userId` : Obligatoire `itemId` : Non utilisé `inputList` : ND |
| ARTICLES POPULAIRES | [Tendance actuelle](native-recipe-trending-now.md) [Comptage de popularité](native-recipe-popularity.md) | [GetRecommendations](API_RS_GetRecommendations.md) | `userId`: obligatoire uniquement si vous appliquez un filtre qui l'exige `itemId` : Non utilisé `inputList` : ND |
| PERSONALIZED-RANKING | [Ranking-V2 personnalisé](native-recipe-personalized-ranking-v2.md) [Personalized-Ranking](native-recipe-search.md) | [GetPersonalizedRanking](API_RS_GetPersonalizedRanking.md) | `userId` : Obligatoire `itemId` : ND `inputList` : Liste d’ID d’éléments |
| RELATED\$1ITEMS | [Objets similaires](native-recipe-similar-items.md) [SIMS](native-recipe-sims.md) [Recette de similarité sémantique](native-recipe-semantic-similarity.md) | [GetRecommendations](API_RS_GetRecommendations.md) | `userId`: obligatoire uniquement si vous appliquez un filtre qui l'exige `itemId` : Obligatoire `inputList` : ND |
| ACTIONS\$1PERSONNALISÉES | [Meilleure action suivante](native-recipe-next-best-action.md) | [GetActionRecommendations](API_RS_GetActionRecommendations.md) | `userId` : Obligatoire `actionId` : Non utilisé `itemId` : Non utilisé `inputList` : ND |
| SEGMENTATION DES UTILISATEURS | [Affinité entre les objets](item-affinity-recipe.md) [Affinité entre les attributs et les objets](item-attribute-affinity-recipe.md) | [CreateBatchSegmentJob](API_CreateBatchSegmentJob.md) | Pour les exigences relatives au flux de travail par lots, voir[Obtenir des segments d'utilisateurs à l'aide d'une tâche de segmentation par lots](creating-batch-seg-job.md). |
## Afficher les recettes Amazon Personalize disponibles
Pour afficher la liste des recettes disponibles :
+ Dans la console Amazon Personalize, choisissez un groupe de jeux de données. Dans le volet de navigation, choisissez **Solutions and recipes (Solutions et recettes)**, puis choisissez l'onglet **Recipes (Recettes)**.
+ Avec le AWS SDK pour Python (Boto3), appelez l'[ListRecipes](API_ListRecipes.md)API.
+ À l'aide du AWS CLI, utilisez la commande suivante.
```
aws personalize list-recipes
```
Pour obtenir des informations sur une recette utilisant le SDK pour Python (Boto3), appelez l'API. [DescribeRecipe](API_DescribeRecipe.md) Pour obtenir des informations sur une recette à l'aide de AWS CLI, utilisez la commande suivante.
```
aws personalize describe-recipe --recipe-arn recipe_arn
```
# Recette de personnalisation par l'utilisateur V2
La recette User-Personalization-v 2 (aws-user-personalization-v2) recommande les articles avec lesquels un utilisateur va interagir en fonction de ses préférences. Par exemple, vous pouvez utiliser User-Personalization-v 2 pour générer des recommandations de films personnalisées pour une application de streaming ou des recommandations de produits personnalisées pour une application de vente au détail. D'autres cas d'utilisation incluent la génération de recommandations en temps réel pour un site d'actualités ou des recommandations par lots pour une campagne marketing personnalisée.
User-Personalization-v2 peuvent s'entraîner sur jusqu'à 5 millions d'objets à partir des interactions entre objets et des ensembles de données d'objets. Et il génère des recommandations plus pertinentes avec une latence inférieure à[Personnalisation par l'utilisateur](native-recipe-new-item-USER_PERSONALIZATION.md).
Étant donné que User-Personalization-v 2 recommande les éléments les plus pertinents aux utilisateurs en fonction de vos données, il recommande plus fréquemment les éléments existants contenant des données d'interactions. Pour vous assurer que les recommandations incluent de nouveaux articles, vous pouvez utiliser une promotion qui inclut certains articles en fonction de l'horodatage de création. Pour plus d'informations sur les promotions, consultez[Promouvoir des articles dans le cadre de recommandations en temps réel](promoting-items.md).
Cette recette utilise une architecture basée sur un transformateur pour entraîner un modèle qui apprend le contexte et suit les relations et les modèles dans vos données. Les *transformateurs* sont un type d'architecture de réseau neuronal qui transforme ou modifie une séquence d'entrée en séquence de sortie. Pour Amazon Personalize, la séquence de saisie est l'historique des interactions d'un utilisateur avec les articles dans vos données. La séquence de sortie correspond à leurs recommandations personnalisées. Pour plus d'informations sur les transformateurs, voir [Que sont les transformateurs dans l'intelligence artificielle ?](https://aws.amazon.com/what-is/transformers-in-artificial-intelligence/) dans le AWS Cloud Computing Concepts Hub.
User-Personalization-v2 utilise un modèle de tarification différent de celui des autres recettes. Pour plus d'informations sur la tarification, consultez la section [Tarification Amazon Personalize](https://aws.amazon.com/personalize/pricing/).
**Topics**
+ [Caractéristiques de la recette](#user-personalization-v2-features)
+ [Ensembles de données obligatoires et facultatifs](#user-personalization-v2-datasets)
+ [Propriétés et hyperparamètres](#user-personalization-v2-hyperparameters)
## Caractéristiques de la recette
User-Personalization-v2 utilise les fonctionnalités de recette Amazon Personalize suivantes pour générer des recommandations d'articles :
+ Personnalisation en temps réel — Grâce à la personnalisation en temps réel, Amazon Personalize met à jour et adapte les recommandations d'articles en fonction de l'évolution des intérêts de l'utilisateur. Pour de plus amples informations, veuillez consulter [Personnalisation en temps réel](use-case-recipe-features.md#about-real-time-personalization).
+ Exploration — Dans le cadre de l'exploration, les recommandations incluent des éléments comportant moins de données d'interactions ou présentant moins de pertinence pour l'utilisateur. Avec User-Personalization-v 2, Amazon Personalize gère la configuration de l'exploration pour vous. Pour vous assurer que les recommandations incluent de nouveaux articles, vous pouvez utiliser les promotions pour inclure de nouveaux articles en fonction de leur date de création. Pour plus d'informations sur les promotions, consultez[Promouvoir des articles dans le cadre de recommandations en temps réel](promoting-items.md).
+ Mises à jour automatiques : grâce aux mises à jour automatiques, Amazon Personalize met automatiquement à jour le dernier modèle (version de la solution) toutes les deux heures afin de prendre en compte les nouveaux articles et de les recommander. Pour de plus amples informations, veuillez consulter [Mises à jour automatiques](use-case-recipe-features.md#automatic-updates).
+ Métadonnées avec recommandations — Avec la recette User-Personalization-v 2, si vous disposez d'un jeu de données d'articles contenant au moins une colonne de métadonnées, les campagnes ont automatiquement la possibilité d'inclure les métadonnées des articles dans les résultats des recommandations. Vous n'avez pas activé manuellement les métadonnées pour votre campagne. Vous pouvez utiliser les métadonnées pour enrichir les recommandations dans votre interface utilisateur, par exemple en ajoutant les genres de films aux carrousels. Pour de plus amples informations, veuillez consulter [Métadonnées des éléments dans les recommandations](campaigns.md#create-campaign-return-metadata).
## Ensembles de données obligatoires et facultatifs
Pour utiliser le User-Personalization-v 2, vous devez créer un jeu de données d'interactions entre articles et importer au moins 1 000 interactions entre articles. Amazon Personalize génère des recommandations principalement basées sur les données d'interaction entre les articles. Pour plus d'informations, consultez[Données d'interaction entre les articles](interactions-datasets.md). User-Personalization-v2 peuvent s'entraîner sur jusqu'à 5 millions d'objets dans le cadre d'interactions entre objets et de jeux de données d'articles.
Avec User-Personalization-v 2, Amazon Personalize peut utiliser les données relatives aux interactions avec les articles, notamment les suivantes :
+ Données relatives au type d'événement et à la valeur de l'événement : Amazon Personalize utilise les données relatives aux types d'événements, telles que les types d'événements à cliquer ou à regarder, pour identifier les intentions et les intérêts des utilisateurs en fonction de leurs comportements. Vous pouvez également utiliser les données relatives au type et à la valeur de l'événement pour filtrer les enregistrements avant l'entraînement. Pour de plus amples informations, veuillez consulter [Données relatives au type d'événement et à la valeur de l'événement](interactions-datasets.md#event-type-and-event-value-data).
**Note**
Avec User-Personalization-v 2, votre coût de formation est basé sur les données de vos interactions avant d'être filtré par type ou valeur d'événement. Pour plus d'informations sur la tarification, consultez la section [Tarification Amazon Personalize](https://aws.amazon.com/personalize/pricing/).
+ Métadonnées contextuelles — Les métadonnées contextuelles sont des données d'interaction que vous collectez sur l'environnement de l'utilisateur au moment d'un événement, telles que sa localisation ou son type d'appareil. Pour de plus amples informations, veuillez consulter [Métadonnées contextuelles](interactions-datasets.md#interactions-contextual-metadata).
Les ensembles de données suivants sont facultatifs et peuvent améliorer les recommandations :
+ Ensemble de données utilisateurs — Amazon Personalize peut utiliser les données de votre jeu de données utilisateurs pour mieux comprendre vos utilisateurs et leurs centres d'intérêt. Vous pouvez également utiliser les données d'un jeu de données Utilisateurs pour filtrer les recommandations. Pour plus d'informations sur les données utilisateur que vous pouvez importer, consultez[Métadonnées utilisateur](users-datasets.md).
+ Ensemble de données d'articles : Amazon Personalize peut utiliser les données de votre jeu de données d'articles pour identifier les connexions et les modèles de comportement. Cela permet à Amazon Personalize de comprendre vos utilisateurs et leurs centres d'intérêt. Vous pouvez également utiliser les données d'un jeu de données Items pour filtrer les recommandations. Pour plus d'informations sur les données d'articles que vous pouvez importer, consultez[Métadonnées de l'article](items-datasets.md).
## Propriétés et hyperparamètres
La recette User-Personalization-v 2 possède les propriétés suivantes :
+ **Nom** – `aws-user-personalization-v2`
+ **Nom de la ressource Amazon (ARN) de la recette** — `arn:aws:personalize:::recipe/aws-user-personalization-v2`
+ **Algorithme ARN** — `arn:aws:personalize:::algorithm/aws-user-personalization-v2`
Pour de plus amples informations, veuillez consulter [Choisir une recette](working-with-predefined-recipes.md).
Le tableau suivant décrit les hyperparamètres de la recette User-Personalization-v 2. Un *hyperparamètre* est un paramètre d'algorithme que vous pouvez régler pour améliorer les performances du modèle. Les hyperparamètres d'algorithme contrôlent les performances du modèle. Le processus de sélection de la meilleure valeur pour un hyperparamètre est appelé optimisation des hyperparamètres (HPO). Avec User-Personalization-v 2, si vous activez l'entraînement automatique, Amazon Personalize effectue automatiquement le HPO tous les 90 jours. Sans entraînement automatique, aucun HPO ne se produit.
Le tableau fournit les informations suivantes pour chaque hyperparamètre :
+ **Plage**: [lower bound, upper bound]
+ **Type de valeur** : integer (entier), Continuous (float) [continu (flottant)], Categorical (Boolean, list, string) [catégorique (booléen, liste, chaîne)]
| Name (Nom) | Description |
| --- | --- |
| Hyperparamètres de l'algorithme |
| apply\$1recency\$1bias | Détermine si le modèle doit accorder plus de poids aux données d'interactions entre articles les plus récentes de votre jeu de données d'interactions entre articles. Les données d'interactions les plus récentes peuvent inclure des changements soudains dans les modèles sous-jacents des événements d'interaction. Pour former un modèle qui accorde plus de poids aux événements récents, définissez `apply_recency_bias` sur `true`. Pour former un modèle qui pèse de manière égale toutes les interactions passées, définissez `apply_recency_bias` sur `false`. Valeur par défaut : `true` Plage : `true` ou `false` Type de valeur : booléen HPO personnalisable : non |
# Recette de personnalisation par l'utilisateur
**Important**
Nous vous recommandons d'utiliser la recette [User-Personalization-v2](native-recipe-user-personalization-v2.md). Il peut prendre en compte jusqu'à 5 millions d'éléments grâce à une formation plus rapide et générer des recommandations plus pertinentes avec une latence moindre.
La recette User-Personalization (aws-user-personalization) est optimisée pour tous les scénarios de recommandation personnalisés. Il prédit les éléments avec lesquels un utilisateur est le plus susceptible d'interagir. Vous pouvez utiliser la personnalisation utilisateur pour générer des recommandations de films personnalisées pour une application de streaming ou des recommandations de produits personnalisées pour une application de vente au détail.
Avec User-Personalization, Amazon Personalize génère des recommandations principalement basées sur les données d'interaction entre les utilisateurs et les articles dans un ensemble de données d'interactions entre les articles. Il peut également utiliser n'importe quelle métadonnée d'élément et d'utilisateur dans vos ensembles de données Éléments et Utilisateurs. Pour plus d'informations sur les données qu'il utilise, consultez[Ensembles de données obligatoires et facultatifs](#user-personalization-datasets).
**Topics**
+ [Caractéristiques de la recette](#user-personalization-features)
+ [Ensembles de données obligatoires et facultatifs](#user-personalization-datasets)
+ [Propriétés et hyperparamètres](#bandit-hyperparameters)
+ [Formation avec la recette de personnalisation utilisateur (console)](#training-user-personalization-recipe-console)
+ [Formation avec la recette de personnalisation utilisateur (SDK Python)](#training-user-personalization-recipe)
+ [Obtenir des recommandations et enregistrer des impressions (SDK pour Python (Boto3))](#user-personalization-get-recommendations-recording-impressions)
+ [Exemple de carnet Jupyter](#bandits-sample-notebooks)
## Caractéristiques de la recette
La personnalisation par l'utilisateur utilise les fonctionnalités de recette Amazon Personalize suivantes pour générer des recommandations d'articles :
+ Personnalisation en temps réel — Grâce à la personnalisation en temps réel, Amazon Personalize met à jour et adapte les recommandations d'articles en fonction de l'évolution des intérêts de l'utilisateur. Pour de plus amples informations, veuillez consulter [Personnalisation en temps réel](use-case-recipe-features.md#about-real-time-personalization).
+ Exploration — Dans le cadre de l'exploration, les recommandations incluent de nouveaux éléments ou des éléments contenant moins de données d'interactions. Cela améliore la découverte des articles et l'engagement lorsque vous avez un catalogue en évolution rapide, ou lorsque de nouveaux articles, tels que des articles de presse ou des promotions, sont plus pertinents pour les utilisateurs lorsqu'ils sont nouveaux. Pour plus d'informations sur l'exploration, consultez[Exploration](use-case-recipe-features.md#about-exploration).
+ Mises à jour automatiques : grâce aux mises à jour automatiques, Amazon Personalize met automatiquement à jour le dernier modèle (version de la solution) toutes les deux heures afin de prendre en compte les nouveaux articles à recommander. Pour de plus amples informations, veuillez consulter [Mises à jour automatiques](use-case-recipe-features.md#automatic-updates).
## Ensembles de données obligatoires et facultatifs
Pour utiliser la personnalisation utilisateur, vous devez créer un jeu de [données d'interactions entre articles](interactions-datasets.md) et importer au moins 1 000 interactions entre articles. Amazon Personalize génère des recommandations principalement basées sur les données d'interaction entre les articles.
Grâce à la personnalisation par l'utilisateur, Amazon Personalize peut utiliser les données relatives aux interactions avec les articles, notamment les suivantes :
+ Données relatives au type et à la valeur de l'événement : Amazon Personalize utilise les données relatives aux types d'événements, telles que les types d'événements à cliquer ou à regarder, pour identifier les intentions et les intérêts des utilisateurs en fonction de leurs comportements. Vous pouvez également utiliser les données relatives au type et à la valeur de l'événement pour filtrer les enregistrements avant l'entraînement. Pour de plus amples informations, veuillez consulter [Données relatives au type d'événement et à la valeur de l'événement](interactions-datasets.md#event-type-and-event-value-data).
+ Métadonnées contextuelles — Les métadonnées contextuelles sont des données d'interaction que vous collectez sur l'environnement de l'utilisateur au moment d'un événement, telles que sa localisation ou son type d'appareil. Pour de plus amples informations, veuillez consulter [Métadonnées contextuelles](interactions-datasets.md#interactions-contextual-metadata).
+ Données relatives aux impressions : les impressions sont des listes d'articles visibles par un utilisateur lorsqu'il interagissait avec un article en particulier (cliqué, regardé, acheté, etc.). Pour de plus amples informations, veuillez consulter [Données sur les impressions](interactions-datasets.md#interactions-impressions-data).
Les ensembles de données suivants sont facultatifs et peuvent améliorer les recommandations :
+ Ensemble de données utilisateurs — Amazon Personalize peut utiliser les données de votre jeu de données utilisateurs pour mieux comprendre vos utilisateurs et leurs centres d'intérêt. Vous pouvez également utiliser les données d'un jeu de données Utilisateurs pour filtrer les recommandations. Pour plus d'informations sur les données utilisateur que vous pouvez importer, consultez[Métadonnées utilisateur](users-datasets.md).
+ Ensemble de données d'articles : Amazon Personalize peut utiliser les données de votre jeu de données d'articles pour identifier les connexions et les modèles de comportement. Cela permet à Amazon Personalize de comprendre vos utilisateurs et leurs centres d'intérêt. Vous pouvez également utiliser les données d'un jeu de données Items pour filtrer les recommandations. Pour plus d'informations sur les données d'articles que vous pouvez importer, consultez[Métadonnées de l'article](items-datasets.md).
## Propriétés et hyperparamètres
La recette de personnalisation utilisateur possède les propriétés suivantes :
+ **Nom** – `aws-user-personalization`
+ **Nom de la ressource Amazon (ARN) de la recette** — `arn:aws:personalize:::recipe/aws-user-personalization`
+ **Algorithme ARN** — `arn:aws:personalize:::algorithm/aws-user-personalization`
Pour de plus amples informations, veuillez consulter [Choisir une recette](working-with-predefined-recipes.md).
Le tableau suivant décrit les hyperparamètres de la recette de personnalisation utilisateur. Un *hyperparamètre* est un paramètre d'algorithme que vous pouvez régler pour améliorer les performances du modèle. Les hyperparamètres d'algorithme contrôlent les performances du modèle. Les hyperparamètres d’organisation de fonction contrôlent la façon de filtrer les données à utiliser dans la formation. Le processus de sélection de la meilleure valeur pour un hyperparamètre est appelé optimisation des hyperparamètres (HPO). Pour de plus amples informations, veuillez consulter [Hyperparamètres et HPO](customizing-solution-config-hpo.md).
Le tableau fournit les informations suivantes pour chaque hyperparamètre :
+ **Plage**: [lower bound, upper bound]
+ **Type de valeur** : integer (entier), Continuous (float) [continu (flottant)], Categorical (Boolean, list, string) [catégorique (booléen, liste, chaîne)]
+ **HPO tunable (HPO réglable)** : le paramètre peut-il participer à HPO ?
| Nom | Description |
| --- | --- |
| Hyperparamètres de l'algorithme |
| hidden\$1dimension | Nombre de variables masquées utilisées dans le modèle. Les *variables masquées* recréent l'historique des achats des utilisateurs et les statistiques des articles pour générer des scores de classement. Spécifiez un plus grand nombre de dimensions masquées lorsque votre jeu de données d'interactions entre objets inclut des modèles plus complexes. L'utilisation de dimensions masquées nécessite un ensemble de données plus volumineux et plus de temps pour le traitement. Pour choisir le meilleur rapport qualité-prix, utilisez HPO. Pour utiliser HPO, définissez `performHPO` sur `true` lorsque vous appelez les opérations [CreateSolution](API_CreateSolution.md) et [CreateSolutionVersion](API_CreateSolutionVersion.md). Valeur par défaut : 149 Plage : [32, 256] Type de valeur : entier HPO personnalisable : oui |
| bptt | Détermine s'il convient d'utiliser la technique de propagation de retour à travers le temps. *La propagation du retour au fil du temps* est une technique qui met à jour les pondérations dans les algorithmes récurrents basés sur les réseaux neuronaux. Utilisez `bptt` pour les crédits à long terme afin de connecter les récompenses retardées à des événements précoces. Par exemple, une récompense retardée peut être un achat effectué après plusieurs clics. Un événement précoce peut être un clic initial. Même dans les mêmes types d'événements, comme un clic, il est judicieux de prendre en compte les effets à long terme et d'optimiser le total des récompenses. Pour prendre en compte les effets à long terme, utilisez des valeurs `bptt` plus élevées. L'utilisation d'une valeur `bptt` plus importante nécessite des ensembles de données plus volumineux et plus de temps pour le traitement. Valeur par défaut : 32 Plage : [2, 32] Type de valeur : entier HPO personnalisable : oui |
| recency\$1mask | Détermine si le modèle doit prendre en compte les dernières tendances de popularité dans le jeu de données d'interactions entre articles. Les dernières tendances de popularité peuvent inclure des modifications soudaines dans les modèles sous-jacents des événements d'interaction. Pour former un modèle qui accorde plus de poids aux événements récents, définissez `recency_mask` sur `true`. Pour former un modèle qui pèse de manière égale toutes les interactions passées, définissez `recency_mask` sur `false`. Pour obtenir de bonnes recommandations en utilisant un poids égal, vous pouvez avoir besoin d'un ensemble de données de formation plus grand. Valeur par défaut : `True` Plage : `True` ou `False` Type de valeur : booléen HPO personnalisable : oui |
| Hyperparamètres de fonctionnalité |
| min\$1user\$1history\$1length\$1percentile | Le percentile minimal des longueurs d’historique d'utilisateur à inclure dans la formation du modèle. *La longueur de l'historique* correspond à la quantité totale de données sur un utilisateur. Utilisez `min_user_history_length_percentile` pour exclure un pourcentage d'utilisateurs avec des longueurs d'historique courtes. Les utilisateurs avec un court historique affichent souvent des modèles basés sur la popularité des éléments plutôt que sur les besoins ou les souhaits personnels de l'utilisateur. Leur suppression peut former des modèles en mettant davantage l'accent sur les modèles sous-jacents dans vos données. Choisissez une valeur appropriée après avoir examiné les longueurs de l'historique utilisateur, à l'aide d'un histogramme ou d'un outil similaire. Nous vous recommandons de définir une valeur qui conserve la majorité des utilisateurs, mais supprime les cas périphériques. Par exemple, la définition de `min_user_history_length_percentile to 0.05` et `max_user_history_length_percentile to 0.95` inclut tous les utilisateurs, sauf ceux dont la longueur de l'historique figure dans les 5 % du bas ou du haut. Valeur par défaut : 0.0 Plage : [0.0, 1.0] Type de valeur : flottante HPO personnalisable : non |
| max\$1user\$1history\$1length\$1percentile | Le percentile maximal des longueurs d’historique d'utilisateur à inclure dans la formation du modèle. *La longueur de l'historique* correspond à la quantité totale de données sur un utilisateur. Utilisez `max_user_history_length_percentile` pour exclure un pourcentage d'utilisateurs avec de longues longueurs d'historique, car les données de ces utilisateurs ont tendance à contenir du bruit. Par exemple, un robot peut avoir une longue liste d'interactions automatisées. La suppression de ces utilisateurs limite le bruit dans la formation. Choisissez une valeur appropriée après avoir examiné les longueurs de l'historique utilisateur, à l'aide d'un histogramme ou d'un outil similaire. Nous vous recommandons de définir une valeur qui conserve la majorité des utilisateurs, mais supprime les cas périphériques. Par exemple, la définition de `min_user_history_length_percentile to 0.05` et `max_user_history_length_percentile to 0.95` inclut tous les utilisateurs, sauf ceux dont la longueur de l'historique figure dans les 5 % du bas ou du haut. Valeur par défaut : 0.99 Plage : [0.0, 1.0] Type de valeur : flottante HPO personnalisable : non |
| Hyperparamètres de configuration de la campagne d'exploration d'objets |
| exploration\$1weight | Détermine la fréquence à laquelle les recommandations incluent des éléments présentant moins de données d'interaction ou de pertinence. Plus la valeur est proche de 1,0, plus l'exploration est intense. À zéro, aucune exploration n'a lieu et les recommandations sont basées sur les données actuelles (pertinence). Pour de plus amples informations, veuillez consulter [CampaignConfig](API_CampaignConfig.md). Valeur par défaut : 0.3 Plage : [0.0, 1.0] Type de valeur : flottante HPO personnalisable : non |
| exploration\$1item\$1age\$1cut\$1off | Spécifiez l'âge maximal des objets en jours depuis la dernière interaction entre tous les éléments du jeu de données des interactions entre articles. Cela définit la portée de l'exploration des objets en fonction de leur âge. Amazon Personalize détermine l'âge d'un article en fonction de son horodatage de création ou, si les données d'horodatage de création sont manquantes, des données d'interaction avec l'article. Pour plus d'informations sur la façon dont Amazon Personalize détermine l'âge d'un article, consultez[Données d'horodatage de création](items-datasets.md#creation-timestamp-data). Pour augmenter le nombre d'articles pris en compte par Amazon Personalize lors de l'exploration, entrez une valeur supérieure. Le minimum est de 1 jour et la valeur par défaut est de 30 jours. Les recommandations peuvent inclure des articles plus anciens que l'âge limite que vous spécifiez. Cela est dû au fait que ces éléments sont pertinents pour l'utilisateur et que l'exploration ne les a pas identifiés. Valeur par défaut : 30.0 Plage : valeurs flottantes positives Type de valeur : flottante HPO personnalisable : non |
## Formation avec la recette de personnalisation utilisateur (console)
Pour utiliser la recette de personnalisation utilisateur afin de générer des recommandations dans la console, commencez par entraîner une nouvelle version de solution à l'aide de cette recette. Déployez ensuite une campagne à l'aide de la version de la solution et utilisez-la pour obtenir des recommandations.
**Formation à une nouvelle version de solution à l'aide de la recette de personnalisation utilisateur (console)**
1. Ouvrez la console Amazon Personalize [https://console.aws.amazon.com/personalize/chez](https://console.aws.amazon.com/personalize/home) vous et connectez-vous à votre compte.
1. Créez un groupe de jeux de données personnalisé avec un nouveau schéma et téléchargez votre jeu de données avec les données d'impressions. Vous pouvez éventuellement inclure [CREATION\$1TIMESTAMP]() et les [Métadonnées de texte non structurées](items-datasets.md#text-data) données dans votre jeu de données Articles afin qu'Amazon Personalize puisse calculer avec plus de précision l'âge d'un article et identifier les articles froids.
Pour plus d'informations sur l'importation de données, consultez[Importation de données de formation dans les ensembles de données Amazon Personalize](import-data.md).
1. Sur la page **Groupes de jeux de données**, choisissez le nouveau groupe de jeux de données qui contient le ou les ensembles de données contenant des données d'impressions.
1. Dans le volet de navigation, sélectionnez **Solutions et recettes**, puis sélectionnez **Créer une solution**.
1. Sur la page **Créer une solution**, pour le **nom de la solution**, entrez le nom de votre nouvelle solution.
1. Dans **Type de solution**, choisissez **Recommandation d'article** pour obtenir des recommandations d'articles pour vos utilisateurs.
1. Pour **Recipe**, choisissez **aws-user-personalization**. La section **Configuration de la solution** apparaît et propose plusieurs options de configuration.
1. Dans **Configuration des événements**, si votre ensemble de données d'interactions avec les articles contient les colonnes EVENT\$1TYPE ou EVENT\$1TYPE et EVENT\$1VALUE, utilisez éventuellement les champs **Type d'événement** et **Seuil de valeur d'événement** pour choisir les données d'interactions entre articles utilisées par Amazon Personalize lors de la formation du modèle. Pour de plus amples informations, veuillez consulter [Choix des données d'interaction entre les objets utilisées pour l'entraînement](event-values-types.md).
Si vous avez plusieurs types d'événements et que vous utilisez la recette User-Personalization-v 2 ou Personalized-Ranking-v 2 recettes, vous pouvez également spécifier des pondérations différentes pour les différents types. Par exemple, vous pouvez configurer une solution pour donner plus de poids aux événements d'achat qu'aux événements de clics. Pour de plus amples informations, veuillez consulter [Optimisation d'une solution avec configuration d'événements](optimizing-solution-events-config.md).
1. Configurez éventuellement des hyperparamètres pour votre solution. Pour obtenir la liste des propriétés et des hyperparamètres des recettes de personnalisation utilisateur, consultez. [Propriétés et hyperparamètres](#bandit-hyperparameters)
1. Choisissez **Create and train solution** pour commencer la formation. La page **Tableau de bord** s'affiche.
Vous pouvez accéder à la page des détails de la solution pour suivre la progression de la formation dans la section **Versions de la solution**. Lorsque l'entraînement est terminé, le statut est **Actif**.
**Création d'une campagne et obtention de recommandations (console)**
Lorsque le statut de la version de votre solution est **Actif**, vous êtes prêt à créer votre campagne et à obtenir les recommandations suivantes :
1. Sur la page de détails de la solution ou sur la page **Campagnes**, choisissez **Créer une nouvelle campagne**.
1. Sur la page **Créer une nouvelle campagne**, pour les **détails de la campagne**, fournissez les informations suivantes :
+ **Nom de la campagne :** entrez le nom de la campagne. Le texte que vous saisissez ici apparaît sur le tableau de bord et la page de détails de la campagne.
+ **Solution :** Choisissez la solution que vous venez de créer.
+ **ID de version de solution :** Choisissez l'ID de la version de solution que vous venez de créer.
+ **Minimum de transactions provisionnées par seconde :** définissez le nombre minimum de transactions provisionnées par seconde pris en charge par Amazon Personalize. Pour plus d'informations, consultez l'[CreateCampaign](API_CreateCampaign.md)opération.
1. Pour **la configuration de la campagne**, fournissez les informations suivantes :
+ **Poids d'exploration :** configurez la quantité à explorer, les recommandations incluant les éléments présentant moins de données d'interaction ou de pertinence, d'autant plus fréquemment que vous spécifiez le niveau d'exploration. Plus la valeur est proche de 1, plus l'exploration est intense. À zéro, aucune exploration n'a lieu et les recommandations sont basées sur les données actuelles (pertinence).
+ **Âge limite de l'objet d'exploration** : entrez l'âge maximum de l'objet, en jours depuis la dernière interaction, pour définir l'étendue de l'exploration de l'objet. Pour augmenter le nombre d'articles pris en compte par Amazon Personalize lors de l'exploration, entrez une valeur supérieure.
Par exemple, si vous entrez 10, seuls les éléments dont les données d'interaction entre les éléments datent des 10 jours écoulés depuis la dernière interaction dans le jeu de données sont pris en compte lors de l'exploration.
**Note**
Les recommandations peuvent inclure des éléments sans données d'interaction entre les éléments en dehors de cette période. Cela est dû au fait que ces éléments correspondent aux intérêts de l'utilisateur et qu'il n'était pas nécessaire de les explorer pour les identifier.
1. Choisissez **Create campaign (Créer une campagne)**.
1. Sur la page des détails de la campagne, lorsque le statut de la campagne est **Actif**, vous pouvez utiliser la campagne pour obtenir des recommandations et enregistrer des impressions. Pour plus d'informations, consultez [Étape 5 : Obtenir des recommandations](getting-started-console.md#getting-started-console-get-recommendations) la section « Mise en route ».
Amazon Personalize met automatiquement à jour la dernière version de votre solution toutes les deux heures pour inclure les nouvelles données. Votre campagne utilise automatiquement la version mise à jour de la solution. Pour de plus amples informations, veuillez consulter [Mises à jour automatiques](use-case-recipe-features.md#automatic-updates).
Pour mettre à jour manuellement la campagne, vous devez d'abord créer et entraîner une nouvelle version de la solution à l'aide de la console ou de l'[CreateSolutionVersion](API_CreateSolutionVersion.md)opération, avec `trainingMode` set to`update`. Vous mettez ensuite manuellement à jour la campagne sur la page **Campagne** de la console ou en utilisant l'[UpdateCampaign](API_UpdateCampaign.md)opération.
**Note**
Amazon Personalize ne met pas automatiquement à jour les versions des solutions que vous avez créées avant le 17 novembre 2020.
## Formation avec la recette de personnalisation utilisateur (SDK Python)
Une fois que vous avez créé un groupe de jeux de données et que vous avez chargé vos jeux de données contenant des données d'impressions, vous pouvez élaborer une solution à l'aide de la recette de personnalisation utilisateur. Vous pouvez éventuellement inclure [CREATION\$1TIMESTAMP]() et les [Métadonnées de texte non structurées](items-datasets.md#text-data) données dans votre jeu de données Articles afin qu'Amazon Personalize puisse calculer avec plus de précision l'âge d'un article et identifier les articles froids. Pour plus d'informations sur la création de groupes de jeux de données et le téléchargement de données d'entraînement, consultez[Création de fichiers JSON pour les schémas Amazon Personalize](how-it-works-dataset-schema.md).
**Pour élaborer une solution à l'aide de la recette de personnalisation utilisateur à l'aide du SDK AWS**
1. Créez une nouvelle solution à l'aide de `create_solution` cette méthode.
`solution name`Remplacez-le par le nom de votre solution et `dataset group arn` par le nom de ressource Amazon (ARN) de votre groupe de données.
```
import boto3
personalize = boto3.client('personalize')
print('Creating solution')
create_solution_response = personalize.create_solution(name = 'solution name',
recipeArn = 'arn:aws:personalize:::recipe/aws-user-personalization',
datasetGroupArn = 'dataset group arn',
)
solution_arn = create_solution_response['solutionArn']
print('solution_arn: ', solution_arn)
```
Pour obtenir la liste des propriétés et des hyperparamètres des aws-user-personalization recettes, consultez[Propriétés et hyperparamètres](#bandit-hyperparameters).
1. Créez une nouvelle *version de solution* avec les données d'entraînement mises à jour et configurez `trainingMode` pour `FULL` utiliser l'extrait de code suivant. Remplacez le `solution arn` par l'ARN de votre solution.
```
import boto3
personalize = boto3.client('personalize')
create_solution_version_response = personalize.create_solution_version(solutionArn = 'solution arn',
trainingMode='FULL')
new_solution_version_arn = create_solution_version_response['solutionVersionArn']
print('solution_version_arn:', new_solution_version_arn)
```
1. Lorsque Amazon Personalize a fini de créer la version de votre solution, créez votre campagne avec les paramètres suivants :
+ Fournissez un nouveau `campaign name` et le `solution version arn` généré à l'étape 2.
+ Modifiez l'hyperparamètre de configuration de l'exploration des `explorationWeight` objets pour configurer la quantité à explorer. Les éléments présentant moins de données d'interaction ou de pertinence sont recommandés plus fréquemment lorsque la valeur est proche de 1,0. La valeur par défaut est 0,3.
+ Modifiez le paramètre hyperparamètre de configuration de l'exploration des `explorationItemAgeCutOff` objets pour indiquer la durée maximale, en jours par rapport à la dernière interaction, pendant laquelle les éléments doivent être explorés. Plus la valeur est élevée, plus le nombre d'objets pris en compte lors de l'exploration est important.
Utilisez l'extrait de code Python suivant pour créer une nouvelle campagne mettant l'accent sur l'exploration, avec une limite d'exploration de 30 jours. La création d'une campagne prend généralement quelques minutes, mais peut prendre plus d'une heure.
```
import boto3
personalize = boto3.client('personalize')
create_campaign_response = personalize.create_campaign(
name = 'campaign name',
solutionVersionArn = 'solution version arn',
minProvisionedTPS = 1,
campaignConfig = {"itemExplorationConfig": {"explorationWeight": "0.3", "explorationItemAgeCutOff": "30"}}
)
campaign_arn = create_campaign_response['campaignArn']
print('campaign_arn:', campaign_arn)
```
Grâce à la personnalisation utilisateur, Amazon Personalize met automatiquement à jour la version de votre solution toutes les deux heures pour inclure les nouvelles données. Votre campagne utilise automatiquement la version mise à jour de la solution. Pour de plus amples informations, veuillez consulter [Mises à jour automatiques](use-case-recipe-features.md#automatic-updates).
Pour mettre à jour manuellement la campagne, vous devez d'abord créer et entraîner une nouvelle version de la solution à l'aide de la console ou de l'[CreateSolutionVersion](API_CreateSolutionVersion.md)opération, avec `trainingMode` set to`update`. Vous mettez ensuite manuellement à jour la campagne sur la page **Campagne** de la console ou en utilisant l'[UpdateCampaign](API_UpdateCampaign.md)opération.
**Note**
Amazon Personalize ne met pas automatiquement à jour les versions des solutions que vous avez créées avant le 17 novembre 2020.
## Obtenir des recommandations et enregistrer des impressions (SDK pour Python (Boto3))
Lorsque votre campagne est créée, vous pouvez l'utiliser pour obtenir des recommandations pour un utilisateur et enregistrer ses impressions. Pour plus d'informations sur l'obtention de recommandations par lots à l'aide de la AWS SDKs section[Création d'une tâche d'inférence par lots ()AWS SDKs](creating-batch-inference-job.md#batch-sdk).
**Pour obtenir des recommandations et enregistrer les impressions**
1. Appelez la méthode `get_recommendations`. Remplacez `campaign arn` l'ARN de votre nouvelle campagne par `user id` l'userID de l'utilisateur.
```
import boto3
rec_response = personalize_runtime.get_recommendations(campaignArn = 'campaign arn', userId = 'user id')
print(rec_response['recommendationId'])
```
1. Créez un nouveau système de suivi des événements pour envoyer PutEvents des demandes. `event tracker name`Remplacez-le par le nom de votre outil de suivi d'événements et `dataset group arn` par l'ARN de votre groupe de données.
```
import boto3
personalize = boto3.client('personalize')
event_tracker_response = personalize.create_event_tracker(
name = 'event tracker name',
datasetGroupArn = 'dataset group arn'
)
event_tracker_arn = event_tracker_response['eventTrackerArn']
event_tracking_id = event_tracker_response['trackingId']
print('eventTrackerArn:{},\n eventTrackingId:{}'.format(event_tracker_arn, event_tracking_id))
```
1. Utilisez `recommendationId` les étapes 1 et 2 pour créer une nouvelle `PutEvents` demande. `event tracking id` Cette demande enregistre les nouvelles données d'impression issues de la session de l'utilisateur. Remplacez `user id` le par l'ID de l'utilisateur.
```
import boto3
personalize_events.put_events(
trackingId = 'event tracking id',
userId= 'user id',
sessionId = '1',
eventList = [{
'sentAt': datetime.now().timestamp(),
'eventType' : 'click',
'itemId' : rec_response['itemList'][0]['itemId'],
'recommendationId': rec_response['recommendationId'],
'impression': [item['itemId'] for item in rec_response['itemList']],
}]
)
```
## Exemple de carnet Jupyter
Pour un exemple de bloc-notes Jupyter qui montre comment utiliser la recette de personnalisation utilisateur, voir Personnalisation [utilisateur](https://github.com/aws-samples/amazon-personalize-samples/blob/master/next_steps/core_use_cases/user_personalization/user-personalization-with-exploration.ipynb) avec exploration.
# Recette Trending-Now
La recette Trending-Now (aws-trending-now) génère des recommandations pour les articles qui gagnent rapidement en popularité auprès de vos utilisateurs. Vous pouvez utiliser la recette Trending-Now si les articles qui gagnent en popularité sont plus pertinents pour vos clients. Par exemple, vos clients peuvent accorder une grande importance à ce avec quoi les autres utilisateurs interagissent. Les utilisations courantes incluent la recommandation de contenu viral sur les réseaux sociaux, d'articles de dernière minute ou de vidéos sportives récentes.
Trending-Now identifie automatiquement les articles les plus populaires en calculant l'augmentation des interactions entre chaque élément sur des intervalles de temps configurables. Les articles présentant le taux d'augmentation le plus élevé sont considérés comme des articles tendance. L'heure est basée sur les données d'horodatage de votre jeu de données d'interactions entre les articles. Les éléments pris en compte proviennent des données d'interactions que vous avez importées en masse et de manière incrémentielle. Il n'est pas nécessaire de créer manuellement une nouvelle version de solution pour Trending-Now pour prendre en compte de nouveaux éléments dans les données d'interactions.
Vous pouvez spécifier l'intervalle de temps en indiquant le `Trend discovery frequency` moment où vous créez votre solution. Par exemple, si vous spécifiez `30 minutes` pour`Trend discovery frequency`, toutes les 30 minutes de données, Amazon Personalize identifie les articles présentant le taux d'augmentation des interactions le plus élevé depuis la dernière évaluation. Les fréquences possibles incluent 30 minutes, 1 heure, 3 heures et 1 jour. Choisissez une fréquence qui correspond à la distribution de vos données d'interactions. Les données manquantes pendant l'intervalle que vous avez choisi peuvent réduire la précision des recommandations. Si vous n'importez aucune interaction au cours des deux derniers intervalles de temps, Amazon Personalize recommande uniquement les articles populaires plutôt que les articles tendance.
Avec Trending-Now, vous pouvez appeler l'[GetRecommendations](API_RS_GetRecommendations.md)opération ou obtenir des recommandations sur la page de **campagne de test** de la console Amazon Personalize. Amazon Personalize renvoie les articles les plus populaires. Vous ne transmettez une `userId` requête que si vous appliquez un filtre qui l'exige. Avec l' GetRecommendations API, vous pouvez configurer le nombre d'éléments tendance renvoyés avec le `numResults` paramètre. Vous ne pouvez pas obtenir de recommandations par lots avec la recette Trending-Now.
Pour utiliser Trending-Now, vous devez créer un jeu de données d'interactions entre éléments contenant au moins 1 000 interactions historiques et événementielles uniques combinées (après avoir filtré par EventType et eventValueThreshold, si fourni). Lors de la génération de recommandations d'articles tendance, Trending-Now n'utilise pas les données des ensembles de données Articles ou Utilisateurs. Toutefois, vous pouvez toujours filtrer les recommandations en fonction des données de ces ensembles de données. Pour de plus amples informations, veuillez consulter [Recommandations de filtrage et segments d'utilisateurs](filter.md).
**Topics**
+ [Propriétés et hyperparamètres](#trending-now-hyperparameters)
+ [Création d'une solution (SDK pour Python (Boto3))](#trending-now-python)
+ [Exemple de carnet Jupyter](#trending-now-sample-notebooks)
## Propriétés et hyperparamètres
La recette Trending-Now possède les propriétés suivantes :
+ **Nom** – `aws-trending-now`
+ **Nom de la ressource Amazon (ARN) de la recette** — `arn:aws:personalize:::recipe/aws-trending-now`
+ **Algorithme ARN** — `arn:aws:personalize:::algorithm/aws-trending-now-custom`
Pour de plus amples informations, veuillez consulter [Choisir une recette](working-with-predefined-recipes.md).
Le tableau suivant décrit les hyperparamètres de la recette Trending-Now. Un *hyperparamètre* est un paramètre d'algorithme que vous pouvez régler pour améliorer les performances du modèle. Les hyperparamètres d'algorithme contrôlent les performances du modèle. Le processus de sélection de la meilleure valeur pour un hyperparamètre est appelé optimisation des hyperparamètres (HPO). Pour de plus amples informations, veuillez consulter [Hyperparamètres et HPO](customizing-solution-config-hpo.md).
Le tableau fournit également les informations suivantes pour chaque hyperparamètre :
+ **Plage**: [lower bound, upper bound]
+ **Type de valeur** : integer (entier), Continuous (float) [continu (flottant)], Categorical (Boolean, list, string) [catégorique (booléen, liste, chaîne)]
+ **HPO tunable (HPO réglable)** : le paramètre peut-il participer à HPO ?
| Nom | Description |
| --- | --- |
| Hyperparamètres de transformation des fonctionnalités |
| Trend discovery frequency | Spécifiez la fréquence à laquelle Amazon Personalize évalue vos données d'interactions et identifie les articles tendance. Par exemple, si vous spécifiez `30 minutes` pour`Trend discovery frequency`, toutes les 30 minutes, Amazon Personalize identifie les articles présentant le taux d'augmentation le plus élevé du nombre d'interactions sur des intervalles de 30 minutes. Les fréquences disponibles incluent 30 minutes, 1 heure, 2 heures, 3 heures et 1 jour. Choisissez une fréquence qui correspond à la distribution de vos données d'interactions. Les données manquantes pendant l'intervalle que vous avez choisi peuvent réduire la précision des recommandations. Si vous utilisez l'opération CreateSolution API sans spécifier de valeur, la valeur par défaut est toutes les 2 heures. Pour toute valeur de paramètre supérieure à 2 heures, Amazon Personalize actualise automatiquement les recommandations d'articles tendance toutes les 2 heures pour tenir compte des nouvelles interactions et des nouveaux articles. Valeur par défaut : 2 heures Valeurs possibles : 30 minutes, 1 heure, 2 heures, 3 heures et 1 jour. Type de valeu : chaîne HPO personnalisable : non |
## Création d'une solution (SDK pour Python (Boto3))
Le code suivant montre comment créer une solution avec la recette Trending-Now à l'aide du SDK pour Python (Boto3). Les valeurs possibles pour `trend_discovery_frequency` sont `30 minutes``1 hour`,`3 hours`, et`1 day`. Pour plus d'informations sur la création d'une solution à l'aide de la console, consultez[Création d'une solution (console)](create-solution.md#configure-solution-console).
```
import boto3
personalize = boto3.client("personalize")
create_solution_response = personalize_client.create_solution(
name="solution name",
recipeArn="arn:aws:personalize:::recipe/aws-trending-now",
datasetGroupArn="dataset group ARN",
solutionConfig={
"featureTransformationParameters": {
"trend_discovery_frequency": "1 hour"
}
}
)
print(create_solution_response['solutionArn'])
```
## Exemple de carnet Jupyter
Pour un exemple de bloc-notes Jupyter expliquant comment utiliser la recette Trending-Now, consultez [trending\$1now\$1example.ipynb](https://github.com/aws-samples/amazon-personalize-samples/blob/master/next_steps/core_use_cases/trending_now/trending_now_example.ipynb) dans le référentiel d'échantillons Amazon Personalize. GitHub
# Recette Popularity-Count
Popularity-Count recommande les articles les plus populaires en fonction de vos données d'interactions. Les éléments les plus populaires sont ceux qui contiennent le plus de données d'interactions provenant d'utilisateurs uniques. La recette renvoie les mêmes éléments populaires pour tous les utilisateurs. Popularity-Count constitue une bonne base de comparaison avec d'autres recettes à l'aide des indicateurs d'évaluation générés par Amazon Personalize lorsque vous créez une version de solution. Pour de plus amples informations, veuillez consulter [Évaluation d'une version de la solution Amazon Personalize à l'aide de métriques](working-with-training-metrics.md).
Après avoir créé une version de solution, assurez-vous de maintenir la version et les données de votre solution à jour. Avec Popularity-Count, vous devez créer manuellement une nouvelle version de solution (redéfinir le modèle) pour Amazon Personalize afin de prendre en compte les nouveaux articles à recommander et de mettre à jour le modèle en fonction du comportement le plus récent de votre utilisateur. Vous devez ensuite mettre à jour toute campagne à l'aide de la version de la solution. Pour de plus amples informations, veuillez consulter [Maintien de la pertinence des recommandations](maintaining-relevance.md).
Cette recette prédéfinie a les propriétés suivantes :
+ **Nom** – `aws-popularity-count`
+ **Recette ARN** — `arn:aws:personalize:::recipe/aws-popularity-count`
+ **Algorithme ARN** — `arn:aws:personalize:::algorithm/aws-popularity-count`
+ **ARN de transformation des fonctionnalités** — `arn:aws:personalize:::feature-transformation/sims`
+ **Type de recette** — `USER_PERSONALIZATION`
Popularity-Count n'a aucun hyperparamètre exposé.
# Recette de classement V2 personnalisée
Les Personalized-Ranking-v 2 recettes génèrent des classements personnalisés des articles. Un *classement personnalisé* est une liste d'éléments recommandés qui sont reclassés en fonction de leur pertinence pour un utilisateur spécifique. Cela est utile si vous disposez d'une collection d'articles commandés, tels que des résultats de recherche, des promotions ou des listes sélectionnées, et que vous souhaitez proposer un reclassement personnalisé pour chacun de vos utilisateurs.
Personalized-Ranking-v2 peuvent s'entraîner sur jusqu'à 5 millions d'objets à partir des interactions entre objets et des ensembles de données d'objets. Et il génère des classements plus précis avec une latence inférieure à[Personalized-Ranking](native-recipe-search.md).
Lorsque vous utilisez Personalized-Ranking-v 2, vous spécifiez les éléments à classer dans une opération d'[GetPersonalizedRanking](API_RS_GetPersonalizedRanking.md)API. Si vous spécifiez des articles sans données d'interaction, Amazon Personalize les renverra sans score de recommandation dans la réponse de l' GetPersonalizedRanking API.
Cette recette utilise une architecture basée sur un transformateur pour entraîner un modèle qui apprend le contexte et suit les relations et les modèles dans vos données. Les *transformateurs* sont un type d'architecture de réseau neuronal qui transforme ou modifie une séquence d'entrée en séquence de sortie. Pour Amazon Personalize, la séquence de saisie est l'historique des interactions d'un utilisateur avec les articles dans vos données. La séquence de sortie correspond à leurs recommandations personnalisées. Pour plus d'informations sur les transformateurs, voir [Que sont les transformateurs dans l'intelligence artificielle ?](https://aws.amazon.com/what-is/transformers-in-artificial-intelligence/) dans le AWS Cloud Computing Concepts Hub.
Personalized-ranking-V2 utilise un modèle de tarification différent de celui des autres recettes. Pour plus d'informations sur la tarification, consultez la section [Tarification Amazon Personalize](https://aws.amazon.com/personalize/pricing/).
**Topics**
+ [Caractéristiques de la recette](#personalized-ranking-v2-features)
+ [Ensembles de données obligatoires et facultatifs](#personalized-ranking-v2-datasets)
+ [Propriétés et hyperparamètres](#personalized-ranking-v2-hyperparameters)
## Caractéristiques de la recette
Personalized-ranking-V2 utilise les fonctionnalités de recette Amazon Personalize suivantes pour classer les articles :
+ Personnalisation en temps réel — Grâce à la personnalisation en temps réel, Amazon Personalize met à jour et adapte les recommandations d'articles en fonction de l'évolution des intérêts de l'utilisateur. Pour de plus amples informations, veuillez consulter [Personnalisation en temps réel](use-case-recipe-features.md#about-real-time-personalization).
+ Métadonnées avec recommandations — Avec la recette Personalized-Ranking-v 2, si vous disposez d'un jeu de données d'articles contenant au moins une colonne de métadonnées, les campagnes ont automatiquement la possibilité d'inclure les métadonnées des articles dans les résultats des recommandations. Vous n'avez pas activé manuellement les métadonnées pour votre campagne. Vous pouvez utiliser les métadonnées pour enrichir les recommandations dans votre interface utilisateur, par exemple en ajoutant les genres de films aux carrousels. Pour de plus amples informations, veuillez consulter [Métadonnées des éléments dans les recommandations](campaigns.md#create-campaign-return-metadata).
## Ensembles de données obligatoires et facultatifs
Pour utiliser le Personalized-Ranking-v 2, vous devez créer un jeu de données sur les interactions entre les articles et importer au moins 1 000 interactions entre les articles. Amazon Personalize génère des classements principalement sur la base des données d'interaction entre les articles. Pour plus d'informations, consultez[Données d'interaction entre les articles](interactions-datasets.md). Personalized-Ranking-v2 peuvent s'entraîner sur jusqu'à 5 millions d'objets dans le cadre d'interactions entre objets et de jeux de données d'articles.
Avec Personalized-Ranking-v 2, Amazon Personalize peut utiliser les données relatives aux interactions avec les articles, notamment les suivantes :
+ Données relatives au type d'événement et à la valeur de l'événement : Amazon Personalize utilise les données relatives aux types d'événements, telles que les types d'événements à cliquer ou à regarder, pour identifier les intentions et les intérêts des utilisateurs en fonction de leurs comportements. Vous pouvez également utiliser les données relatives au type et à la valeur de l'événement pour filtrer les enregistrements avant l'entraînement. Pour de plus amples informations, veuillez consulter [Données relatives au type d'événement et à la valeur de l'événement](interactions-datasets.md#event-type-and-event-value-data).
**Note**
Avec Personalized-Ranking-v 2, votre coût de formation est basé sur les données de vos interactions avant d'être filtré par type ou valeur d'événement. Pour plus d'informations sur la tarification, consultez la section [Tarification Amazon Personalize](https://aws.amazon.com/personalize/pricing/).
+ Métadonnées contextuelles — Les métadonnées contextuelles sont des données d'interaction que vous collectez sur l'environnement de l'utilisateur au moment d'un événement, telles que sa localisation ou son type d'appareil. Pour de plus amples informations, veuillez consulter [Métadonnées contextuelles](interactions-datasets.md#interactions-contextual-metadata).
Les ensembles de données suivants sont facultatifs et peuvent améliorer les recommandations :
+ Ensemble de données utilisateurs — Amazon Personalize peut utiliser les données de votre jeu de données utilisateurs pour mieux comprendre vos utilisateurs et leurs centres d'intérêt. Vous pouvez également utiliser les données d'un jeu de données Utilisateurs pour filtrer les recommandations. Pour plus d'informations sur les données utilisateur que vous pouvez importer, consultez[Métadonnées utilisateur](users-datasets.md).
+ Ensemble de données d'articles : Amazon Personalize peut utiliser les données de votre jeu de données d'articles pour identifier les connexions et les modèles de comportement. Cela permet à Amazon Personalize de comprendre vos utilisateurs et leurs centres d'intérêt. Vous pouvez également utiliser les données d'un jeu de données Items pour filtrer les recommandations. Pour plus d'informations sur les données d'articles que vous pouvez importer, consultez[Métadonnées de l'article](items-datasets.md).
## Propriétés et hyperparamètres
La recette Personalized-Ranking-v 2 possède les propriétés suivantes :
+ **Nom** – `aws-personalized-ranking-v2`
+ **Nom de la ressource Amazon (ARN) de la recette** — `arn:aws:personalize:::recipe/aws-personalized-ranking-v2`
+ **Algorithme ARN** — `arn:aws:personalize:::algorithm/aws-personalized-ranking-v2`
Pour de plus amples informations, veuillez consulter [Choisir une recette](working-with-predefined-recipes.md).
Le tableau suivant décrit les hyperparamètres de la recette Personalized-Ranking-v 2. Un *hyperparamètre* est un paramètre d'algorithme que vous pouvez régler pour améliorer les performances du modèle. Les hyperparamètres d'algorithme contrôlent les performances du modèle. Le processus de sélection de la meilleure valeur pour un hyperparamètre est appelé optimisation des hyperparamètres (HPO). Avec Personalized-Ranking-v 2, si vous activez l'entraînement automatique, Amazon Personalize effectue automatiquement le HPO tous les 90 jours. Sans entraînement automatique, aucun HPO ne se produit.
Le tableau fournit les informations suivantes pour chaque hyperparamètre :
+ **Plage**: [lower bound, upper bound]
+ **Type de valeur** : integer (entier), Continuous (float) [continu (flottant)], Categorical (Boolean, list, string) [catégorique (booléen, liste, chaîne)]
| Name (Nom) | Description |
| --- | --- |
| Hyperparamètres de l'algorithme |
| apply\$1recency\$1bias | Détermine si le modèle doit accorder plus de poids aux données d'interactions entre articles les plus récentes de votre jeu de données d'interactions entre articles. Les données d'interactions les plus récentes peuvent inclure des changements soudains dans les modèles sous-jacents des événements d'interaction. Pour former un modèle qui accorde plus de poids aux événements récents, définissez `apply_recency_bias` sur `true`. Pour former un modèle qui pèse de manière égale toutes les interactions passées, définissez `apply_recency_bias` sur `false`. Valeur par défaut : `true` Plage : `true` ou `false` Type de valeur : booléen HPO personnalisable : non |
# Recette de classement personnalisé
**Important**
Nous vous recommandons d'utiliser la recette [Personalized-ranking-V2](native-recipe-personalized-ranking-v2.md). Il peut prendre en compte jusqu'à 5 millions d'objets grâce à un entraînement plus rapide et générer des classements plus précis avec une latence moindre.
La recette du classement personnalisé génère des classements personnalisés des objets. Un *classement personnalisé* est une liste d'éléments recommandés ayant fait l'objet d'un nouveau classement pour un utilisateur spécifique. Cela est utile si vous disposez d'une collection d'articles commandés, tels que des résultats de recherche, des promotions ou des listes sélectionnées, et que vous souhaitez proposer un reclassement personnalisé pour chacun de vos utilisateurs. Par exemple, avec Personalized-Ranking, Amazon Personalize peut reclasser les résultats de recherche que vous avez générés. [OpenSearch](personalize-opensearch.md)
Pour entraîner un modèle, la recette Personalized-Ranking utilise les données de votre jeu de données d'interactions entre articles, et si vous les avez créées, le jeu de données Items et le jeu de données Users de votre groupe de jeux de données (ces ensembles de données sont facultatifs). Avec Personalized-Ranking, votre jeu de données d'objets peut inclure [Métadonnées de texte non structurées](items-datasets.md#text-data) et votre jeu de données d'interactions entre objets peut inclure. [Métadonnées contextuelles](interactions-datasets.md#interactions-contextual-metadata) Pour obtenir un classement personnalisé, utilisez l'[GetPersonalizedRanking](API_RS_GetPersonalizedRanking.md)API.
Après avoir créé une version de solution, assurez-vous de maintenir la version et les données de votre solution à jour. Avec Personalized-Ranking, vous devez créer manuellement une nouvelle version de solution (modifier le modèle) pour qu'Amazon Personalize prenne en compte les nouveaux articles à des fins de recommandation et mette à jour le modèle en fonction du comportement le plus récent de votre utilisateur. Vous devez ensuite mettre à jour toute campagne à l'aide de la version de la solution. Pour de plus amples informations, veuillez consulter [Maintien de la pertinence des recommandations](maintaining-relevance.md).
**Note**
Si vous fournissez des articles sans données d'interaction à des fins de classement, Amazon Personalize renverra ces articles sans note de recommandation dans la réponse de l' GetPersonalizedRanking API.
Cette recette possède les propriétés suivantes :
+ **Nom** – `aws-personalized-ranking`
+ **Nom de la ressource Amazon (ARN) de la recette** — `arn:aws:personalize:::recipe/aws-personalized-ranking`
+ **Algorithme ARN** — `arn:aws:personalize:::algorithm/aws-personalized-ranking`
+ **ARN de transformation des fonctionnalités** — `arn:aws:personalize:::feature-transformation/JSON-percentile-filtering`
+ **Type de recette** — `PERSONALIZED_RANKING`
## Hyperparamètres
Le tableau suivant décrit les hyperparamètres de la recette Personalize Ranking. Un *hyperparamètre* est un paramètre d'algorithme que vous pouvez régler pour améliorer les performances du modèle. Les hyperparamètres d'algorithme contrôlent les performances du modèle. Les hyperparamètres d’organisation de fonction contrôlent la façon de filtrer les données à utiliser dans la formation. Le processus de sélection de la meilleure valeur pour un hyperparamètre est appelé optimisation des hyperparamètres (HPO). Pour de plus amples informations, veuillez consulter [Hyperparamètres et HPO](customizing-solution-config-hpo.md).
Le tableau fournit également les informations suivantes pour chaque hyperparamètre :
+ **Plage**: [lower bound, upper bound]
+ **Type de valeur** : integer (entier), Continuous (float) [continu (flottant)], Categorical (Boolean, list, string) [catégorique (booléen, liste, chaîne)]
+ **HPO personnalisable** : le paramètre peut-il participer à l'optimisation des hyperparamètres (HPO) ?
| Name (Nom) | Description |
| --- | --- |
| Hyperparamètres de l'algorithme |
| hidden\$1dimension | Nombre de variables masquées utilisées dans le modèle. Les *variables masquées* recréent l'historique des achats des utilisateurs et les statistiques des articles pour générer des scores de classement. Spécifiez un plus grand nombre de dimensions masquées lorsque votre jeu de données d'interactions entre objets inclut des modèles plus complexes. L'utilisation de dimensions masquées nécessite un ensemble de données plus volumineux et plus de temps pour le traitement. Pour décider de la valeur optimale, utilisez HPO. Pour utiliser HPO, définissez `performHPO` sur `true` lorsque vous appelez les opérations [CreateSolution](API_CreateSolution.md) et [CreateSolutionVersion](API_CreateSolutionVersion.md). Valeur par défaut : 149 Plage : [32, 256] Type de valeur : entier HPO personnalisable : oui |
| bptt | Détermine s'il convient d'utiliser la technique de propagation de retour à travers le temps. *La propagation du retour au fil du temps* est une technique qui met à jour les pondérations dans les algorithmes récurrents basés sur les réseaux neuronaux. Utilisez `bptt` pour les crédits à long terme afin de connecter les récompenses retardées à des événements précoces. Par exemple, une récompense retardée peut être un achat effectué après plusieurs clics. Un événement précoce peut être un clic initial. Même dans les mêmes types d'événements, comme un clic, il est judicieux de prendre en compte les effets à long terme et d'optimiser le total des récompenses. Pour prendre en compte les effets à long terme, utilisez des valeurs `bptt` plus élevées. L'utilisation d'une valeur `bptt` plus importante nécessite des ensembles de données plus volumineux et plus de temps pour le traitement. Valeur par défaut : 32 Plage : [2, 32] Type de valeur : entier HPO personnalisable : oui |
| recency\$1mask | Détermine si le modèle doit prendre en compte les dernières tendances de popularité dans le jeu de données d'interactions entre articles. Les dernières tendances de popularité peuvent inclure des modifications soudaines dans les modèles sous-jacents des événements d'interaction. Pour former un modèle qui accorde plus de poids aux événements récents, définissez `recency_mask` sur `true`. Pour former un modèle qui pèse de manière égale toutes les interactions passées, définissez `recency_mask` sur `false`. Pour obtenir de bonnes recommandations en utilisant un poids égal, vous pouvez avoir besoin d'un ensemble de données de formation plus grand. Valeur par défaut : `True` Plage : `True` ou `False` Type de valeur : booléen HPO personnalisable : oui |
| Hyperparamètres de fonctionnalité |
| min\$1user\$1history\$1length\$1percentile | Le percentile minimal des longueurs d’historique d'utilisateur à inclure dans la formation du modèle. *La longueur de l'historique* correspond à la quantité totale de données sur un utilisateur. Utilisez `min_user_history_length_percentile` pour exclure un pourcentage d'utilisateurs avec des longueurs d'historique courtes. Les utilisateurs avec un court historique affichent souvent des modèles basés sur la popularité des éléments plutôt que sur les besoins ou les souhaits personnels de l'utilisateur. Leur suppression peut former des modèles en mettant davantage l'accent sur les modèles sous-jacents dans vos données. Choisissez une valeur appropriée après avoir examiné les longueurs de l'historique utilisateur, à l'aide d'un histogramme ou d'un outil similaire. Nous vous recommandons de définir une valeur qui conserve la majorité des utilisateurs, mais supprime les cas périphériques. Par exemple, la définition de `min__user_history_length_percentile to 0.05` et `max_user_history_length_percentile to 0.95` inclut tous les utilisateurs, sauf ceux dont la longueur de l'historique figure dans les 5 % du bas ou du haut. Valeur par défaut : 0.0 Plage : [0.0, 1.0] Type de valeur : flottante HPO personnalisable : non |
| max\$1user\$1history\$1length\$1percentile | Le percentile maximal des longueurs d’historique d'utilisateur à inclure dans la formation du modèle. *La longueur de l'historique* correspond à la quantité totale de données sur un utilisateur. Utilisez `max_user_history_length_percentile` pour exclure un pourcentage d'utilisateurs avec de longues longueurs d'historique, car les données de ces utilisateurs ont tendance à contenir du bruit. Par exemple, un robot peut avoir une longue liste d'interactions automatisées. La suppression de ces utilisateurs limite le bruit dans la formation. Choisissez une valeur appropriée après avoir examiné les longueurs de l'historique utilisateur, à l'aide d'un histogramme ou d'un outil similaire. Nous vous recommandons de définir une valeur qui conserve la majorité des utilisateurs, mais supprime les cas périphériques. Par exemple, la définition de `min__user_history_length_percentile to 0.05` et `max_user_history_length_percentile to 0.95` inclut tous les utilisateurs, sauf ceux dont la longueur de l'historique figure dans les 5 % du bas ou du haut. Valeur par défaut : 0.99 Plage : [0.0, 1.0] Type de valeur : flottante HPO personnalisable : non |
## Exemple de carnet de notes à classement personnalisé
[Pour un exemple de bloc-notes Jupyter expliquant comment utiliser la recette de classement personnalisé, voir Exemple de personnalisation du classement.](https://github.com/aws-samples/amazon-personalize-samples/blob/master/next_steps/core_use_cases/personalized_ranking/personalize_ranking_example.ipynb)
# Recette de similarité sémantique
La recette Semantic-Similarity (aws-semantic-similarity) génère des recommandations pour les éléments sémantiquement similaires à un élément donné en fonction du contenu textuel. Contrairement aux recettes de similarité traditionnelles qui reposent sur les interactions entre l'utilisateur et les éléments, cette recette analyse les descriptions textuelles et les attributs des éléments pour générer des intégrations et identifier les éléments sémantiquement similaires.
Cette recette est idéale pour les scénarios dans lesquels vous souhaitez recommander des articles en fonction de la similitude du contenu, par exemple en recommandant des livres ayant des thèmes similaires, des articles sur des sujets connexes ou des produits avec des descriptions similaires. Cela fonctionne particulièrement bien pour les nouveaux éléments dont l'historique des interactions est limité (scénarios de démarrage à froid) et pour les catalogues où les relations sémantiques sont plus importantes que les modèles de cooccurrence.
Avec Semantic-Similarity, vous fournissez un identifiant d'article lors d'une [GetRecommendations](https://docs.aws.amazon.com/personalize/latest/dg/API_RS_GetRecommendations.html)opération (ou dans la console Amazon Personalize) et Amazon Personalize renvoie une liste d'articles similaires. Vous pouvez également utiliser un flux de travail par lots pour obtenir des articles similaires pour tous les articles de votre inventaire (voir [Obtenir des recommandations d'articles par lots](https://docs.aws.amazon.com/personalize/latest/dg/getting-batch-recommendations.html)).
**Topics**
+ [Caractéristiques de la recette](#semantic-similarity-features)
+ [Ensembles de données obligatoires et facultatifs](#semantic-similarity-datasets)
+ [Propriétés et hyperparamètres](#semantic-similarity-hyperparameters)
## Caractéristiques de la recette
Semantic-Similarity utilise les fonctionnalités de recette Amazon Personalize suivantes pour générer des recommandations d'articles :
+ Personnalisation en temps réel — Grâce à la recette Semantic-Similarity, Amazon Personalize met automatiquement à jour votre catalogue d'articles. Lorsque vous ajoutez de nouveaux éléments à votre jeu de données d'articles ou que vous mettez à jour les métadonnées d'éléments existantes, ces modifications sont reflétées dans vos recommandations dans un délai d'environ 30 minutes lorsque vous utilisez la formation incrémentielle. Cela garantit que vos clients voient toujours les articles les plus récents disponibles dans votre catalogue sans avoir à intervenir manuellement ou à attendre un cycle de recyclage complet. Cela est particulièrement utile pour les catalogues qui changent fréquemment, tels que les articles de presse, les articles de blog ou les offres de produits saisonnières. Pour activer les mises à jour incrémentielles, les clients doivent :
+ `performIncrementalUpdate`Défini sur `true` pour la solution dans l'API
+ Choisissez l'option « Entraînement complet et progressif » ou « Entraînement progressif » sous Méthode d'entraînement dans l'interface utilisateur
Notez que l'activation des mises à jour incrémentielles entraîne des coûts supplémentaires chaque fois qu'une mise à jour est effectuée.
+ Métadonnées avec recommandations : avec la recette de similarité sémantique, les campagnes ont automatiquement la possibilité d'inclure les métadonnées des articles dans les résultats des recommandations. Vous n'avez pas activé manuellement les métadonnées pour votre campagne. Vous pouvez utiliser les métadonnées pour enrichir les recommandations dans votre interface utilisateur, par exemple en ajoutant les genres de films aux carrousels. Pour plus d'informations, consultez la section [Métadonnées des éléments dans les recommandations](https://docs.aws.amazon.com/personalize/latest/dg/campaigns.html#create-campaign-return-metadata).
## Ensembles de données obligatoires et facultatifs
Pour utiliser la recette Semantic-Similarity, vous devez créer un jeu de données Items. Amazon Personalize génère des recommandations basées sur la signification sémantique des métadonnées des articles. Pour plus d'informations, consultez la section [Métadonnées de l'élément](https://docs.aws.amazon.com/personalize/latest/dg/items-datasets.html). Semantic-Similarity peut s'entraîner sur un maximum de 10 millions d'éléments dans votre jeu de données d'articles.
Avec Semantic-Similarity, Amazon Personalize a besoin de données sur les articles qui incluent les éléments suivants
+ Champ ItemName — Un champ de chaîne `itemName` défini sur. `true` Ce champ doit contenir le titre ou le nom de l'article.
+ Champ de description textuelle — Au moins un champ de chaîne marqué comme `textual` contenant la description de l'élément. Il doit s'agir du champ qui décrit et représente le mieux l'article.
Amazon Personalize utilise ce champ pour générer des intégrations sémantiques qui capturent le sens et le contenu de vos articles.
En outre, le champ réservé CREATION\$1TIMESTAMP doit être défini si vous souhaitez utiliser un classement basé sur la fraîcheur. Pour de plus amples informations, veuillez consulter [Propriétés et hyperparamètres](#semantic-similarity-hyperparameters).
Les ensembles de données suivants sont facultatifs et peuvent améliorer les recommandations :
+ Ensemble de données d'interactions : Amazon Personalize peut utiliser les données de votre jeu de données Interactions pour calculer les scores de popularité en fonction de l'engagement des utilisateurs à l'égard des articles. Vous pouvez utiliser les scores de popularité pour classer des articles similaires en fonction de leur popularité auprès des utilisateurs. Vous devez fournir un jeu de données Interactions si vous souhaitez utiliser le classement basé sur la popularité. Vous pouvez également utiliser les données d'un jeu de données Interactions pour filtrer les recommandations. Pour plus d'informations sur les données d'interaction que vous pouvez importer, consultez la section [Données d'interaction entre les articles](https://docs.aws.amazon.com/personalize/latest/dg/interactions-datasets.html)
## Propriétés et hyperparamètres
La recette Semantic-Similarity possède les propriétés suivantes :
+ **Nom** – `aws-semantic-similarity`
+ **Nom de la ressource Amazon (ARN) de la recette** — `arn:aws:personalize:::recipe/aws-semantic-similarity`
+ **Algorithme ARN** — `arn:aws:personalize:::algorithm/aws-semantic-similarity`
+ **ARN de transformation des fonctionnalités** — `arn:aws:personalize:::feature-transformation/aws-semantic-similarity`
+ **Type de recette** — `RELATED_ITEMS`
Pour de plus amples informations, veuillez consulter [Choisir une recette](working-with-predefined-recipes.md).
La recette Semantic-Similarity ne présente aucun hyperparamètre, mais vous pouvez configurer des facteurs de popularité et de fraîcheur lorsque vous créez une campagne afin d'influencer le classement d'articles similaires.
Le tableau fournit les informations suivantes pour chaque facteur :
+ **Plage**: [lower bound, upper bound]
+ **Type de valeur** : integer (entier), Continuous (float) [continu (flottant)], Categorical (Boolean, list, string) [catégorique (booléen, liste, chaîne)]
| Nom | Description |
| --- | --- |
| Actualité | Le facteur de fraîcheur représente la récente date d'un article. La fraîcheur est calculée en normalisant l'âge de l'article en fonction de son CREATION\$1TIMESTAMP. Pour utiliser le facteur de fraîcheur, vous devez inclure le champ CREATION\$1TIMESTAMP dans le schéma de votre jeu de données Items. Des valeurs plus élevées du facteur de fraîcheur donneront la priorité aux nouveaux articles parmi les recommandations sémantiquement similaires Valeur par défaut : `0.0` Gamme : ` [0.0, 1.0]` Type de valeur : Double |
| Popularité | Le facteur de popularité représente la popularité d'un article en fonction des interactions des utilisateurs. La popularité est calculée en normalisant le nombre d'interactions reçues par chaque élément. Pour utiliser le facteur de popularité, vous devez inclure un jeu de données Interactions lors de la création de votre groupe de jeux de données. Les valeurs les plus élevées du facteur de popularité donnent la priorité aux articles faisant l'objet d'un plus grand nombre d'interactions avec les clients parmi des recommandations sémantiquement similaires. Valeur par défaut : `0.0` Gamme : ` [0.0, 1.0]` Type de valeur : Double |
Notez que les scores de fraîcheur et de popularité sont calculés lors de l'entraînement et que les mises à jour progressives ne mettent pas à jour les scores de popularité et de fraîcheur. Pour que les facteurs de popularité et de fraîcheur les plus récents influencent le classement des articles recommandés, utilisez le recyclage automatique ou redéfinissez manuellement la solution et mettez à jour la campagne avec la nouvelle version de la solution.
# Recette d'articles similaires
**Note**
Toutes les recettes RELATED\$1ITEMS utilisent des données d'interactions. Choisissez Similar-Items si vous avez également des métadonnées relatives à des articles et que vous souhaitez qu'Amazon Personalize les utilise pour rechercher des articles similaires. Vous pouvez également choisir le [Recette SIMS](native-recipe-sims.md) si vous souhaitez configurer d'autres hyperparamètres pour le modèle.
La recette Similar-Items (aws-similar-items) génère des recommandations pour les articles similaires à un article que vous spécifiez. Utilisez Similar-Items pour aider les clients à découvrir de nouveaux articles dans votre catalogue en fonction de leur comportement antérieur et des métadonnées des articles. La recommandation d'articles similaires peut augmenter l'engagement des utilisateurs, le taux de clics et le taux de conversion de votre application.
Similar-Items calcule la similarité en fonction des données d'interactions et de toutes les métadonnées d'article que vous fournissez. Il prend en compte la cooccurrence de l'élément dans l'historique des utilisateurs de votre jeu de données Interaction, ainsi que toute similitude entre les métadonnées de l'élément. Par exemple, avec Similar-Items, Amazon Personalize peut recommander des articles que les clients achètent fréquemment avec un style similaire ([Métadonnées catégoriques](items-datasets.md#item-categorical-data)), ou des films que différents utilisateurs ont également regardés avec une description similaire ()[Métadonnées de texte non structurées](items-datasets.md#text-data).
Avec Similar-Items, vous fournissez un identifiant d'article lors d'une [GetRecommendations](API_RS_GetRecommendations.md) opération (ou dans la console Amazon Personalize) et Amazon Personalize renvoie une liste d'articles similaires. Vous pouvez également utiliser un flux de travail par lots pour obtenir des articles similaires pour tous les articles de votre inventaire (voir[Obtenir des recommandations d'articles par lots](getting-batch-recommendations.md)). Lorsque vous obtenez des articles similaires, vous pouvez les filtrer en fonction d'un attribut de l'article que vous spécifiez dans votre demande. Pour ce faire, ajoutez un`CurrentItem`. `attribute`élément de votre filtre. Pour obtenir un exemple, consultez [item data filter examples](item-recommendation-filter-examples.md#item-examples).
Pour utiliser Similar-Items, vous devez créer un jeu de données d'interactions entre articles contenant au moins 1 000 interactions historiques et événementielles uniques (combinées). Pour des prévisions plus précises, nous vous recommandons également de créer un jeu de données d'articles et d'importer des métadonnées relatives aux articles de votre catalogue. Similar-Items n'utilise pas les données d'un ensemble de données Users lors de la génération de recommandations. Vous pouvez toujours filtrer les recommandations en fonction des données d'un ensemble de données Utilisateurs. Pour de plus amples informations, veuillez consulter [Recommandations de filtrage et segments d'utilisateurs](filter.md).
Si vous disposez d'un jeu de données d'articles contenant des données textuelles et des données de titre d'article, vous pouvez générer des thèmes pour les articles connexes dans des recommandations par lots. Pour de plus amples informations, consultez [Recommandations par lots avec des thèmes issus du générateur de contenu](themed-batch-recommendations.md).
Vous pouvez obtenir des recommandations pour des objets similaires à un objet froid (un objet avec moins de cinq interactions). Si Amazon Personalize ne trouve pas le numéro d'article que vous avez indiqué dans votre demande de recommandation ou dans votre fichier de saisie par lots, la recette renvoie les articles populaires sous forme de recommandations.
Après avoir créé une version de solution, assurez-vous de maintenir la version et les données de votre solution à jour. Avec Similar-Items, vous devez créer manuellement une nouvelle version de solution (modifier le modèle) pour Amazon Personalize afin de prendre en compte les nouveaux articles à des fins de recommandation et de mettre à jour le modèle en fonction du comportement le plus récent de votre utilisateur. Vous devez ensuite mettre à jour toute campagne à l'aide de la version de la solution. Pour de plus amples informations, veuillez consulter [Maintien de la pertinence des recommandations](maintaining-relevance.md).
## Propriétés et hyperparamètres
La recette Similar-Items possède les propriétés suivantes :
+ **Nom** – `aws-similar-items`
+ **Nom de la ressource Amazon (ARN) de la recette** — `arn:aws:personalize:::recipe/aws-similar-items`
+ **Algorithme ARN** — `arn:aws:personalize:::algorithm/aws-similar-items`
Pour de plus amples informations, veuillez consulter [Choisir une recette](working-with-predefined-recipes.md).
Le tableau suivant décrit les hyperparamètres de la recette Similar-Items. Un *hyperparamètre* est un paramètre d'algorithme que vous pouvez régler pour améliorer les performances du modèle. Les hyperparamètres d'algorithme contrôlent les performances du modèle. Le processus de sélection de la meilleure valeur pour un hyperparamètre est appelé optimisation des hyperparamètres (HPO). Pour de plus amples informations, veuillez consulter [Hyperparamètres et HPO](customizing-solution-config-hpo.md).
Le tableau fournit également les informations suivantes pour chaque hyperparamètre :
+ **Plage**: [lower bound, upper bound]
+ **Type de valeur** : integer (entier), Continuous (float) [continu (flottant)], Categorical (Boolean, list, string) [catégorique (booléen, liste, chaîne)]
+ **HPO tunable (HPO réglable)** : le paramètre peut-il participer à HPO ?
| Nom | Description |
| --- | --- |
| Hyperparamètres de l'algorithme |
| popularity\$1discount\$1factor | Configurez l'influence de la popularité sur les recommandations. Spécifiez une valeur proche de zéro pour inclure les articles les plus populaires. Spécifiez une valeur plus proche de 1 pour mettre moins l'accent sur la popularité. Valeur par défaut : 0.0 Plage : [0.0, 1.0] Type de valeur : flottante HPO personnalisable : non |
| item\$1id\$1hidden\$1dim | Le nombre de variables masquées qu'Amazon Personalize utilise pour modéliser les identifiants d'articles intégrés en fonction des données d'interactions. Les *variables masquées* recréent l'historique des achats des utilisateurs et les statistiques des articles pour générer des scores de classement. Pour l'utiliser`item_id_hidden_dim`, vous devez utiliser HPO et fournir des valeurs de plage minimales et maximales. Amazon Personalize utilise HPO pour trouver la meilleure valeur dans la plage que vous spécifiez. Spécifiez une valeur maximale supérieure lorsque vous disposez d'un ensemble de données d'interactions entre articles volumineux. L'utilisation d'une valeur maximale supérieure nécessite plus de temps de traitement. Pour utiliser HPO, réglez-le sur `performHPO` le `true` moment où vous appelez l'[CreateSolution](API_CreateSolution.md)opération. Valeur par défaut : 100 Gamme : [30, 200] Type de valeur : entier HPO personnalisable : oui |
| item\$1metadata\$1hidden\$1dim | Le nombre de variables masquées qu'Amazon Personalize utilise pour modéliser les métadonnées des articles. Pour l'utiliser`item_metadata_hidden_dim`, vous devez utiliser HPO et fournir des valeurs de plage minimales et maximales. Amazon Personalize utilise HPO pour trouver la meilleure valeur dans la plage que vous spécifiez. Spécifiez une valeur maximale supérieure lorsque vous disposez d'un ensemble de données d'interactions entre articles volumineux. L'utilisation d'un maximum supérieur nécessite plus de temps de traitement. Pour utiliser HPO, réglez-le sur `performHPO` le `true` moment où vous appelez l'[CreateSolution](API_CreateSolution.md)opération. Valeur par défaut : 100 Gamme : [30, 200] Type de valeur : entier HPO personnalisable : oui |
# Recette SIMS
**Note**
Toutes les recettes RELATED\$1ITEMS utilisent des données d'interactions. Choisissez SIMS si vous souhaitez configurer davantage d'hyperparamètres pour le modèle. Choisissez le [Recette d'articles similaires](native-recipe-similar-items.md) si vous avez des métadonnées d'article et que vous souhaitez qu'Amazon Personalize les utilise pour rechercher des articles similaires.
La recette de Item-to-item similarités (SIMS) utilise un filtrage collaboratif pour recommander les éléments les plus similaires à un élément que vous spécifiez lorsque vous recevez des recommandations. SIMS utilise votre jeu de données sur les interactions entre les articles, et non les métadonnées des articles telles que la couleur ou le prix, pour déterminer la similitude. SIMS identifie la cooccurrence de l'élément dans l'historique des utilisateurs de votre jeu de données Interaction afin de recommander des éléments similaires. Par exemple, avec les cartes SIM, Amazon Personalize peut recommander des articles de café que les clients achètent fréquemment ensemble ou des films que différents utilisateurs regardent également.
Lorsque vous recevez des recommandations d'articles similaires, vous pouvez filtrer les articles en fonction d'un attribut de l'article que vous spécifiez dans votre demande. Pour ce faire, ajoutez un`CurrentItem`. `attribute`élément de votre filtre. Pour obtenir un exemple, consultez [item data filter examples](item-recommendation-filter-examples.md#item-examples).
Pour utiliser SIMS, vous devez créer un jeu de données d'interactions entre éléments contenant au moins 1 000 interactions historiques et événementielles uniques (combinées). SIMS n'utilise pas les données d'un jeu de données Users or Items lors de la génération de recommandations. Vous pouvez toujours filtrer les recommandations en fonction des données contenues dans ces ensembles de données. Pour de plus amples informations, veuillez consulter [Recommandations de filtrage et segments d'utilisateurs](filter.md).
Si les données relatives au comportement des utilisateurs sont insuffisantes pour un article ou si le numéro d'article que vous avez fourni est introuvable, SIMS recommande des articles populaires. Après avoir créé une version de solution, assurez-vous de maintenir la version et les données de votre solution à jour. Avec SIMS, vous devez créer manuellement une nouvelle version de solution (modifier le modèle) pour Amazon Personalize afin de prendre en compte les nouveaux éléments à recommander et de mettre à jour le modèle en fonction du comportement le plus récent de votre utilisateur. Vous devez ensuite mettre à jour toute campagne à l'aide de la version de la solution. Pour de plus amples informations, veuillez consulter [Maintien de la pertinence des recommandations](maintaining-relevance.md).
La recette SIMS possède les propriétés suivantes :
+ **Nom** – `aws-sims`
+ **Nom de la ressource Amazon (ARN) de la recette** — `arn:aws:personalize:::recipe/aws-sims`
+ **Algorithme ARN** — `arn:aws:personalize:::algorithm/aws-sims`
+ **ARN de transformation des fonctionnalités** — `arn:aws:personalize:::feature-transformation/sims`
+ **Type de recette** — `RELATED_ITEMS`
Le tableau suivant décrit les hyper-paramètres de la recette SIMS. Un *hyperparamètre* est un paramètre d'algorithme que vous pouvez régler pour améliorer les performances du modèle. Les hyperparamètres d'algorithme contrôlent les performances du modèle. Les hyperparamètres d’organisation de fonction contrôlent la façon de filtrer les données à utiliser dans la formation. Le processus de sélection de la meilleure valeur pour un hyperparamètre est appelé optimisation des hyperparamètres (HPO). Pour de plus amples informations, veuillez consulter [Hyperparamètres et HPO](customizing-solution-config-hpo.md).
Le tableau fournit également les informations suivantes pour chaque hyperparamètre :
+ **Plage**: [lower bound, upper bound]
+ **Type de valeur** : integer (entier), Continuous (float) [continu (flottant)], Categorical (Boolean, list, string) [catégorique (booléen, liste, chaîne)]
+ **HPO personnalisable** : le paramètre peut-il participer à l'optimisation des hyperparamètres (HPO) ?
| Nom | Description |
| --- | --- |
| Hyperparamètres de l'algorithme |
| popularity\$1discount\$1factor | Configurez l'influence de la popularité sur les recommandations. Spécifiez une valeur proche de zéro pour inclure les articles les plus populaires. Spécifiez une valeur plus proche de 1 pour mettre moins l'accent sur la popularité. Valeur par défaut : 0.5 Plage : [0.0, 1.0] Type de valeur : flottante HPO personnalisable : oui |
| min\$1cointeraction\$1count | Nombre minimal de co-interactions dont vous avez besoin pour calculer la similarité entre une paire d'éléments. Par exemple, la valeur `3` signifie que vous avez besoin de trois utilisateurs ou plus ayant interagi avec les deux éléments pour que l'algorithme calcule leur similarité. Valeur par défaut : 3 Plage : [0, 10] Type de valeur : entier HPO personnalisable : oui |
| Hyperparamètres de fonctionnalité |
| min\$1user\$1history\$1length\$1percentile | Le percentile minimal des longueurs d’historique d'utilisateur à inclure dans la formation du modèle. La *longueur de l'historique* correspond à la quantité totale de données disponibles sur un utilisateur. Utilisez `min_user_history_length_percentile` pour exclure un pourcentage d'utilisateurs avec des longueurs d'historique courtes. Les utilisateurs avec un court historique affichent souvent des modèles basés sur la popularité des éléments plutôt que sur les besoins ou les souhaits personnels de l'utilisateur. Leur suppression peut former des modèles en mettant davantage l'accent sur les modèles sous-jacents dans vos données. Choisissez une valeur appropriée après avoir examiné les longueurs de l'historique utilisateur, à l'aide d'un histogramme ou d'un outil similaire. Nous vous recommandons de définir une valeur qui conserve la majorité des utilisateurs, mais supprime les cas périphériques. Valeur par défaut : 0.005 Plage : [0.0, 1.0] Type de valeur : flottante HPO personnalisable : non |
| max\$1user\$1history\$1length\$1percentile | Le percentile maximal des longueurs d’historique d'utilisateur à inclure dans la formation du modèle. La longueur de l'historique correspond à la quantité totale de données disponibles sur un utilisateur. Utilisez `max_user_history_length_percentile` pour exclure un pourcentage d'utilisateurs avec de longues longueurs d'historique. Les utilisateurs dont l'historique est long ont tendance à contenir du bruit. Par exemple, un robot peut avoir une longue liste d'interactions automatisées. La suppression de ces utilisateurs limite le bruit dans la formation. Choisissez une valeur appropriée après avoir examiné les longueurs de l'historique utilisateur, à l'aide d'un histogramme ou d'un outil similaire. Nous vous recommandons de définir une valeur qui conserve la majorité des utilisateurs, mais supprime les cas périphériques. Par exemple, `min_hist_length_percentile = 0.05` et `max_hist_length_percentile = 0.95` incluent tous les utilisateurs, sauf ceux dont la longueur de l'historique figure dans les 5 % du bas ou du haut. Valeur par défaut : 0.995 Plage : [0.0, 1.0] Type de valeur : flottante HPO personnalisable : non |
| min\$1item\$1interaction\$1count\$1percentile | Le percentile minimal du nombre d’interactions d’éléments à inclure dans la formation du modèle. Utilisez `min_item_interaction_count_percentile` pour exclure un pourcentage d'éléments avec un historique court des interactions. Les éléments avec un historique court sont souvent de nouveaux éléments. Leur suppression peut entraîner des modèles en mettant davantage l'accent sur les éléments ayant un historique connu. Choisissez une valeur appropriée après avoir examiné les longueurs de l'historique utilisateur, à l'aide d'un histogramme ou d'un outil similaire. Nous vous recommandons de définir une valeur qui conserve la majorité des éléments, mais supprime les cas périphériques. Valeur par défaut : 0.01 Plage : [0.0, 1.0] Type de valeur : flottante HPO personnalisable : non |
| max\$1item\$1interaction\$1count\$1percentile | Le percentile maximal du nombre d’interactions d’éléments à inclure dans la formation du modèle. Utilisez `max_item_interaction_count_percentile` pour exclure un pourcentage d'éléments avec un historique court des interactions. Les éléments dont l'historique est long ont tendance à être plus anciens et peuvent ne pas être à jour. Par exemple, une version de film qui est épuisée. La suppression de ces éléments peut se concentrer sur des éléments plus pertinents. Choisissez une valeur appropriée après avoir examiné les longueurs de l'historique utilisateur, à l'aide d'un histogramme ou d'un outil similaire. Nous vous recommandons de définir une valeur qui conserve la majorité des éléments, mais supprime les cas périphériques. Par exemple, `min_item_interaction_count_percentile = 0.05` et `max_item_interaction_count_percentile = 0.95` incluent tous les éléments, à l'exception de ceux dont le nombre d'interactions est inférieur ou supérieur à 5 %. Valeur par défaut : 0.9 Plage : [0.0, 1.0] Type de valeur : flottante HPO personnalisable : non |
## Exemple de bloc-notes SIMS
Pour obtenir un exemple de bloc-notes Jupyter qui vous montre comment utiliser la recette SIMS, veuillez consulter [Finding similar items \$1 HPO](https://github.com/aws-samples/amazon-personalize-samples/blob/master/next_steps/core_use_cases/related_items/personalize_sims_example.ipynb).
# Next-Best-Action recette
La recette Next-Best-Action (aws-next-best-action) génère des recommandations en temps réel pour les prochaines meilleures actions pour vos utilisateurs. La meilleure action suivante pour un utilisateur est celle qu'il est le plus susceptible d'entreprendre. Par exemple, vous inscrire à votre programme de fidélité, télécharger votre application ou demander une carte de crédit.
Vous pouvez ainsi fournir des recommandations d'action personnalisées à vos utilisateurs lorsqu'ils utilisent votre application. Next-Best-Action Suggérer la bonne action à un utilisateur peut inciter un plus grand nombre d'utilisateurs à effectuer vos actions. En fonction des actions que vous souhaitez recommander, vous pouvez fidéliser vos clients, générer plus de revenus et améliorer l'expérience utilisateur de votre application. Pour un exemple de cas d'utilisation décrivant comment les recommandations d'action personnalisées peuvent bénéficier à une application de commerce électronique, voir[Exemple de cas d'utilisation](#nba-use-case-example).
Amazon Personalize prédit la meilleure action suivante à partir des actions que vous importez dans votre jeu de données Actions. Il identifie les actions qu'un utilisateur est le plus susceptible d'entreprendre en fonction de ses interactions avec les actions et les éléments. Si vos données d'action incluent la valeur de l'action, Amazon Personalize prend en compte la valeur de l'action. Si un utilisateur est également susceptible d'effectuer deux actions différentes, Amazon Personalize classe l'action dont la valeur est la plus élevée.
Lorsque vous recevez des recommandations d'actions en temps réel pour un utilisateur, Amazon Personalize renvoie une liste des actions que l'utilisateur est le plus susceptible d'effectuer au cours d'une période configurable (le`action optimization period`). Par exemple, les mesures qu'ils prendront probablement au cours des 14 prochains jours. La liste est triée par ordre décroissant par indice de propension. Ce score représente la probabilité que l'utilisateur entreprenne l'action.
Jusqu'à ce que vous importiez les données d'interaction entre les actions, Amazon Personalize recommande des actions dans votre boîte sans personnalisation, et les scores de propension sont de 0,0. Une action aura un score une fois qu'elle aura obtenu les résultats suivants :
+ Au moins 50 interactions d'action avec le type d'événement TAKEN.
+ Au moins 50 interactions d'action avec le type d'événement NOT\$1TAKEN ou VIEWED.
Ces interactions d'action doivent être présentes lors de la dernière formation sur la version de la solution et doivent avoir lieu dans un délai de 6 semaines à compter de l'horodatage de la dernière interaction dans le jeu de données d'interactions d'action.
Pour plus d'informations sur les données utilisées par la Next-Best-Action recette, consultez[Ensembles de données obligatoires et facultatifs](#nba-datasets).
Lorsque vous créez une solution à l'aide de la Next-Best-Action recette, vous pouvez configurer la fenêtre de temps qu'Amazon Personalize utilise pour prédire les actions à l'aide de l'hyperparamètre de `action optimization period` fonctionnalité. Pour de plus amples informations, veuillez consulter [Propriétés et hyperparamètres](#nba-hyperparameters).
**Topics**
+ [Exemple de cas d'utilisation](#nba-use-case-example)
+ [Caractéristiques de la recette](#nba-recipe-features)
+ [Ensembles de données obligatoires et facultatifs](#nba-datasets)
+ [Propriétés et hyperparamètres](#nba-hyperparameters)
## Exemple de cas d'utilisation
Suggérer la bonne action à un utilisateur peut inciter un plus grand nombre d'utilisateurs à effectuer vos actions. En fonction des actions que vous souhaitez recommander, vous pouvez potentiellement fidéliser vos clients, générer plus de revenus et améliorer l'expérience utilisateur de votre application.
Par exemple, vous pouvez avoir une application de commerce électronique qui suggère les différentes actions suivantes :
+ Abonnez-vous au programme de fidélité
+ Téléchargez l'application mobile
+ Achat dans la catégorie *Bijoux*
+ Achat dans *la catégorie Beauté et soins*
Vous avez peut-être un utilisateur qui fait fréquemment des achats sur votre site et qui a effectué à plusieurs reprises des achats de *bijoux*, de produits de *beauté et de produits* de beauté. Pour cet utilisateur, les recommandations d'action d'Amazon Personalize et leurs scores peuvent inclure les éléments suivants :
+ Abonnez-vous au programme de fidélité
Note de propension — 1,00
+ Achat dans la catégorie *Bijoux*
Score de propension — 0,86
+ Achat dans *la catégorie Beauté et soins*
Score de propension — 0,85
Grâce à ces recommandations d'action, vous savez comment inciter l'utilisateur à s'inscrire à votre programme de fidélité. Cette action a le score de propension le plus élevé et c'est l'action que l'utilisateur entreprendra le plus probablement. Cela est dû au fait que l'utilisateur fait fréquemment des achats dans votre boutique et qu'il est susceptible de profiter des avantages de votre programme de fidélité.
## Caractéristiques de la recette
La Next-Best-Action recette utilise les fonctionnalités de recette Amazon Personalize suivantes pour générer des recommandations d'action :
+ Personnalisation en temps réel : Amazon Personalize utilise la personnalisation en temps réel pour mettre à jour et adapter les recommandations d'action en fonction de l'évolution des intérêts de l'utilisateur. Pour de plus amples informations, veuillez consulter [Personnalisation en temps réel](use-case-recipe-features.md#about-real-time-personalization).
+ Exploration : avec l'exploration, les recommandations incluent de nouvelles actions ou des actions avec moins de données d'interactions. Pour plus d'informations sur l'exploration, consultez[Exploration](use-case-recipe-features.md#about-exploration).
+ Mises à jour automatiques : grâce aux mises à jour automatiques, Amazon Personalize met automatiquement à jour le dernier modèle (version de la solution) toutes les deux heures afin d'inclure de nouvelles actions dans les recommandations issues de l'exploration. Pour de plus amples informations, veuillez consulter [Mises à jour automatiques](use-case-recipe-features.md#automatic-updates).
## Ensembles de données obligatoires et facultatifs
Pour utiliser la Next-Best-Action recette, vous devez créer les ensembles de données suivants :
+ Actions : vous importez des données relatives à vos actions, telles que leur valeur, dans un ensemble de données Amazon Personalize Actions.
Dans les données de vos actions, vous pouvez fournir un EXPIRATION\$1TIMESTAMP pour chaque action. Si une action a expiré, Amazon Personalize ne l'inclura pas dans les recommandations. Vous pouvez également fournir une valeur REPEAT\$1FREQUENCY pour chaque action. Cela indique le temps qu'Amazon Personalize doit attendre avant de recommander à nouveau une action après qu'un utilisateur interagisse avec celle-ci. Pour plus d'informations sur les données qu'un jeu de données Actions peut stocker, consultez[Métadonnées relatives aux actions](actions-datasets.md).
+ Interactions entre objets : votre ensemble de données d'interactions entre objets doit comporter au moins 1 000 interactions entre objets. Amazon Personalize utilise les interactions entre les articles pour comprendre l'état actuel de vos utilisateurs et leurs centres d'intérêt. Pour plus d'informations sur les données relatives aux interactions entre les éléments, consultez[Données d'interaction entre les articles](interactions-datasets.md).
Les ensembles de données suivants sont facultatifs :
+ Ensemble de données d'interactions d'*action : une interaction* d'action est une interaction impliquant un utilisateur et une action dans votre jeu de données Actions. Vous pouvez importer les interactions entre les actions entreprises, non entreprises et vues. Bien que ces données soient facultatives, nous vous recommandons d'importer les données d'interaction entre les actions pour obtenir des recommandations de qualité. Si vous ne disposez pas de données d'interaction d'action, vous pouvez créer un ensemble de données d'interactions d'action vide et enregistrer les interactions de vos clients avec les actions à l'aide de l'opération d'[PutActionInteractions](API_UBS_PutActionInteractions.md)API.
Jusqu'à ce que vous importiez les données d'interaction entre les actions, Amazon Personalize recommande des actions dans votre boîte sans personnalisation, et les scores de propension sont de 0,0. Une action aura un score une fois qu'elle aura obtenu les résultats suivants :
+ Au moins 50 interactions d'action avec le type d'événement TAKEN.
+ Au moins 50 interactions d'action avec le type d'événement NOT\$1TAKEN ou VIEWED.
Ces interactions d'action doivent être présentes lors de la dernière formation sur la version de la solution et doivent avoir lieu dans un délai de 6 semaines à compter de l'horodatage de la dernière interaction dans le jeu de données d'interactions d'action.
Pour plus d'informations sur les données d'interactions entre actions que vous pouvez importer, consultez[Données d'interaction entre actions](action-interactions-datasets.md). Pour plus d'informations sur l'enregistrement des événements d'interaction entre actions, consultez[Enregistrement des événements d'interaction en temps réelEnregistrement des événements d'interaction entre actions](recording-action-interaction-events.md).
**Note**
Avec Next-Best-Action, Amazon Personalize n'utilise pas les données d'impressions ni les métadonnées contextuelles dans un ensemble de données d'interactions Action.
+ Utilisateurs : Amazon Personalize utilise toutes les données de votre ensemble de données utilisateurs pour mieux comprendre vos utilisateurs et leurs centres d'intérêt. Vous pouvez également utiliser les données d'un ensemble de données Utilisateurs pour filtrer les recommandations d'actions. Pour plus d'informations sur les données utilisateur que vous pouvez importer, consultez[Métadonnées utilisateur](users-datasets.md).
+ Articles : Amazon Personalize utilise toutes les données de votre jeu de données Articles ainsi que de votre jeu de données d'interactions avec les articles pour identifier les liens et les modèles de leur comportement. Cela permet à Amazon Personalize de comprendre vos utilisateurs et leurs centres d'intérêt. Pour plus d'informations sur les données d'articles que vous pouvez importer, consultez[Métadonnées de l'article](items-datasets.md).
## Propriétés et hyperparamètres
La Next-Best-Action recette ne prend pas en charge l'optimisation des hyperparamètres. La Next-Best-Action recette possède les propriétés suivantes :
+ **Nom** – `aws-next-best-action`
+ **Nom de la ressource Amazon (ARN) de la recette** — `arn:aws:personalize:::recipe/aws-next-best-action`
+ **Algorithme ARN** — `arn:aws:personalize:::algorithm/aws-next-best-action`
Le tableau suivant décrit les hyperparamètres de fonctionnalité de la aws-next-best-action recette. Un *hyperparamètre* est un paramètre d'algorithme que vous pouvez régler pour améliorer les performances du modèle. Les hyperparamètres d’organisation de fonction contrôlent la façon de filtrer les données à utiliser dans la formation.
Le tableau fournit également les informations suivantes pour chaque hyperparamètre :
+ **Plage**: [lower bound, upper bound]
+ **Type de valeur** : integer (entier), Continuous (float) [continu (flottant)], Categorical (Boolean, list, string) [catégorique (booléen, liste, chaîne)]
+ **HPO réglable** : si le paramètre peut participer au HPO
| Name (Nom) | Description |
| --- | --- |
| Hyperparamètres de fonctionnalité |
| action\$1optimization\$1period | La fenêtre temporelle utilisée par Amazon Personalize pour prévoir les prochaines meilleures actions pour un utilisateur. Par exemple, les actions que l'utilisateur effectuera probablement au cours des 14 prochains jours. Si vous ne disposez pas de beaucoup de données d'interaction entre actions, spécifiez une valeur supérieure. Si vous n'êtes pas sûr de la valeur à spécifier, utilisez la valeur par défaut. Valeur par défaut : 14 Gamme : [7, 28] Type de valeur : entier HPO personnalisable : non |
# Recette Item-Affinity
La recette Item-Affinity (aws-item-affinity) est une recette USER\$1SEGMENTATION qui crée un segment utilisateur (groupe d'utilisateurs) pour chaque élément que vous spécifiez. Il s'agit des utilisateurs qu'Amazon Personalize prévoit qu'ils interagiront le plus probablement avec chaque article. Utilisez Item-Affinity pour en savoir plus sur vos utilisateurs et prendre des mesures en fonction de leurs segments d'utilisateurs respectifs.
Par exemple, vous souhaiterez peut-être créer une campagne marketing pour votre application de vente au détail en fonction des préférences des utilisateurs concernant les articles de votre catalogue. Item-Affinity créerait un segment utilisateur pour chaque élément en fonction des données de vos ensembles de données Interactions et Items. Vous pouvez l'utiliser pour promouvoir différents articles auprès de différents segments d'utilisateurs en fonction de la probabilité qu'ils entreprennent une action (par exemple, cliquer sur un article ou acheter un article). D'autres utilisations peuvent inclure la vente croisée de produits à différents groupes d'utilisateurs ou l'identification de candidats potentiels.
Pour obtenir des segments d'utilisateurs basés sur les éléments, vous créez une solution et une version de solution avec la recette Item-Affinity, puis vous ajoutez une liste d'éléments au format JSON dans un compartiment Amazon S3 et vous créez une tâche de [segment par lots](creating-batch-seg-job.md). Amazon Personalize envoie un segment utilisateur pour chaque article à votre emplacement de sortie dans Amazon S3. Vos données d'entrée peuvent contenir un maximum de 500 éléments pour lesquels obtenir des segments d'utilisateurs. Pour plus d'informations sur la préparation des données d'entrée pour une tâche de segmentation par lots, consultez[Préparation des données d'entrée pour les recommandations par lots](batch-data-upload.md).
Pour utiliser Item-Affinity, vous devez disposer d'un jeu de données sur les interactions entre articles. Les ensembles de données des éléments et des utilisateurs sont facultatifs. Vous pouvez obtenir des segments d'utilisateurs avec des tâches de segmentation par lots. Pour de plus amples informations, veuillez consulter [Obtenir des segments d'utilisateurs par lots](getting-user-segments.md).
Après avoir créé une version de solution, assurez-vous de maintenir la version et les données de votre solution à jour. Avec Item-Affinity, vous devez créer une nouvelle version de solution pour Amazon Personalize afin de prendre en compte les nouveaux utilisateurs pour les segments d'utilisateurs et de mettre à jour le modèle en fonction du comportement le plus récent de vos utilisateurs. Pour obtenir un segment d'utilisateur pour un élément, celui-ci doit être présent lorsque vous avez créé la version de la solution.
La recette Item-Affinity possède les propriétés suivantes :
+ **Nom** – `aws-item-affinity`
+ **Nom de la ressource Amazon (ARN) de la recette** — `arn:aws:personalize:::recipe/aws-item-affinity`
+ **Algorithme ARN** — `arn:aws:personalize:::algorithm/aws-item-affinity`
+ **ARN de transformation des fonctionnalités** — `arn:aws:personalize:::feature-transformation/item-affinity`
+ **Type de recette** — `USER_SEGMENTATION`
Le tableau suivant décrit les hyperparamètres de la recette Item-Affinity. Un *hyperparamètre* est un paramètre d'algorithme que vous ajustez pour améliorer les performances du modèle. Les hyperparamètres d'algorithme contrôlent les performances du modèle. Vous ne pouvez pas utiliser l'optimisation des hyperparamètres (HPO) avec la recette Item-Affinity.
Le tableau fournit également les informations suivantes pour chaque hyperparamètre :
+ **Plage**: [lower bound, upper bound]
+ **Type de valeur** : integer (entier), Continuous (float) [continu (flottant)], Categorical (Boolean, list, string) [catégorique (booléen, liste, chaîne)]
| Name (Nom) | Description |
| --- | --- |
| Hyperparamètres de l'algorithme |
| hidden\$1dimension | Nombre de variables masquées utilisées dans le modèle. Les *variables masquées* recréent l'historique des achats des utilisateurs et les statistiques des articles pour générer des scores de classement. Spécifiez un plus grand nombre de dimensions masquées lorsque votre ensemble de données Interactions inclut des modèles plus complexes. L'utilisation de dimensions masquées nécessite un ensemble de données plus volumineux et plus de temps pour le traitement. Valeur par défaut : 149 Plage : [32, 256] Type de valeur : entier |
# Item-Attribute-Affinity recette
La recette Item-Attribute-Affinity (aws-item-attribute-affinity) est une recette USER\$1SEGMENTATION qui crée un segment utilisateur (groupe d'utilisateurs) pour chaque attribut d'article que vous spécifiez. Il s'agit des utilisateurs qui, selon Amazon Personalize, sont les plus susceptibles d'interagir avec les articles dotés de l'attribut en question. Item-Attribute-AffinityÀ utiliser pour en savoir plus sur vos utilisateurs et prendre des mesures en fonction de leurs segments d'utilisateurs respectifs.
Par exemple, vous souhaiterez peut-être créer une campagne marketing pour votre application de vente au détail en fonction des préférences des utilisateurs concernant les types de chaussures de votre catalogue. Item-Attribute-Affinitycréerait un segment utilisateur pour chaque type de chaussure basé sur les données de vos ensembles de données Interactions et Items. Vous pouvez l'utiliser pour promouvoir différentes chaussures auprès de différents segments d'utilisateurs en fonction de la probabilité qu'ils entreprennent une action (par exemple, cliquer sur une chaussure ou acheter une chaussure). D'autres utilisations peuvent inclure la promotion de différents genres de films auprès de différents utilisateurs ou l'identification d'un candidat potentiel en fonction du type d'emploi.
Pour obtenir des segments d'utilisateurs basés sur les attributs des articles, vous créez une solution et une version de solution avec la Item-Attribute-Affinity recette, puis vous ajoutez une liste d'attributs d'article au format JSON dans un compartiment Amazon S3 et vous créez une [tâche de segment par lots](creating-batch-seg-job.md). Amazon Personalize envoie un segment utilisateur pour chaque article à votre emplacement de sortie dans Amazon S3. Vos données d'entrée peuvent comporter un maximum de 10 requêtes, chaque requête portant sur un ou plusieurs attributs d'article. Pour plus d'informations sur la préparation des données d'entrée pour une tâche de segmentation par lots, consultez[Préparation des données d'entrée pour les recommandations par lots](batch-data-upload.md).
Vous devez disposer d'un jeu de données d'interactions entre les éléments et d'un ensemble de données d'articles pour les utiliser Item-Attribute-Affinity. Votre jeu de données Items doit comporter au moins une colonne qui est une colonne de métadonnées non textuelle et non réservée. Vous pouvez obtenir des segments d'utilisateurs avec des tâches de segmentation par lots. Pour de plus amples informations, veuillez consulter [Obtenir des segments d'utilisateurs par lots avec des ressources personnalisées](getting-user-segments.md).
Après avoir créé une version de solution, assurez-vous de maintenir la version et les données de votre solution à jour. Avec Item-Attribute-Affinity, vous devez créer une nouvelle version de solution pour Amazon Personalize afin de prendre en compte les nouveaux utilisateurs pour les segments d'utilisateurs et de mettre à jour le modèle en fonction du comportement le plus récent de vos utilisateurs. Pour obtenir un segment d'utilisateur pour un attribut d'article, l'attribut d'article doit être présent lorsque vous avez créé la version de la solution.
La Item-Attribute-Affinity recette possède les propriétés suivantes :
+ **Nom** – `aws-item-attribute-affinity`
+ **Nom de la ressource Amazon (ARN) de la recette** — `arn:aws:personalize:::recipe/aws-item-attribute-affinity`
+ **Algorithme ARN** — `arn:aws:personalize:::algorithm/aws-item-attribute-affinity`
+ **ARN de transformation des fonctionnalités** — `arn:aws:personalize:::feature-transformation/item-attribute-affinity`
+ **Type de recette** — `USER_SEGMENTATION`
Le tableau suivant décrit les hyperparamètres de la Item-Attribute-Affinity recette. Un *hyperparamètre* est un paramètre d'algorithme que vous pouvez régler pour améliorer les performances du modèle. Les hyperparamètres d'algorithme contrôlent les performances du modèle. Vous ne pouvez pas utiliser l'optimisation des hyperparamètres (HPO) avec la Item-Attribute-Affinity recette.
Le tableau fournit également les informations suivantes pour chaque hyperparamètre :
+ **Plage**: [lower bound, upper bound]
+ **Type de valeur** : integer (entier), Continuous (float) [continu (flottant)], Categorical (Boolean, list, string) [catégorique (booléen, liste, chaîne)]
| Name (Nom) | Description |
| --- | --- |
| Hyperparamètres de l'algorithme |
| hidden\$1dimension | Nombre de variables masquées utilisées dans le modèle. Les *variables masquées* recréent l'historique des achats des utilisateurs et les statistiques des articles pour générer des scores de classement. Spécifiez un plus grand nombre de dimensions masquées lorsque votre ensemble de données Interactions inclut des modèles plus complexes. L'utilisation de dimensions masquées nécessite un ensemble de données plus volumineux et plus de temps pour le traitement. Valeur par défaut : 149 Plage : [32, 256] Type de valeur : entier |
# Recettes HRNN traditionnelles
Les recettes HRNN traditionnelles ne sont plus disponibles. Cette documentation est fournie à titre de référence.
Nous vous recommandons d'utiliser la recette aws-user-personalizaton (personnalisation utilisateur) plutôt que les anciennes recettes HRNN. La personnalisation par l'utilisateur améliore et unifie les fonctionnalités proposées par les recettes HRNN. Pour de plus amples informations, veuillez consulter [Recette de personnalisation par l'utilisateur](native-recipe-new-item-USER_PERSONALIZATION.md).
Amazon Personalize peut choisir automatiquement la recette de réseau neuronal récurrent hiérarchique (HRNN) la plus appropriée en fonction de son analyse des données d'entrée. Cette option est appelée AutoML. Pour de plus amples informations, veuillez consulter [Utiliser AutoML pour choisir une recette HRNN (API uniquement)](training-solution-auto-ml.md).
**Topics**
+ [Utiliser AutoML pour choisir une recette HRNN (API uniquement)](training-solution-auto-ml.md)
+ [Recette HRNN (ancienne)](native-recipe-hrnn.md)
+ [Recette de métadonnées HRNN (ancienne)](native-recipe-hrnn-metadata.md)
+ [Recette HRNN-ColdStart (ancienne)](native-recipe-hrnn-coldstart.md)
# Utiliser AutoML pour choisir une recette HRNN (API uniquement)
Amazon Personalize peut choisir automatiquement la recette de réseau neuronal récurrent hiérarchique (HRNN) la plus appropriée en fonction de son analyse des données d'entrée. Cette option est appelée AutoML. Pour exécuter AutoML, définissez le paramètre `performAutoML` sur `true` lorsque vous appelez l'API [CreateSolution](API_CreateSolution.md) API.
Vous pouvez également spécifier la liste des recettes examinées par Amazon Personalize pour déterminer la recette optimale, en fonction d'une métrique que vous spécifiez. Dans ce cas, vous appelez l'`CreateSolution`opération, vous spécifiez `true` le `performAutoML` paramètre, vous omettez le `recipeArn` paramètre et vous incluez le `solutionConfig` paramètre, en spécifiant le `metricName` et dans le `recipeList` cadre de l'`autoMLConfig`objet.
Le tableau suivant présente la manière dont une recette est choisie. Vous devez spécifier `performAutoML` ou `recipeArn`, mais pas les deux. AutoML HRNN est uniquement exécuté à partir des recettes HRNN.
| performAutoML | recipeArn | solutionConfig | Résultat |
| --- | --- | --- | --- |
| true | omettre | omis | Amazon Personalize choisit la recette |
| true | omettre | autoMLConfig : metricName et recipeList spécifiés | Amazon Personalize choisit une recette dans la liste qui optimise la métrique |
| omettre | spécifié | omis | Vous devez spécifier la recette. |
| omettre | spécifié | spécifié | Spécifiez la recette et remplacez les propriétés de formation par défaut |
**Note**
Quand `performAutoML` a la valeur `true`, tous les paramètres de l'objet `solutionConfig` sont ignorés sauf `autoMLConfig`.
# Recette HRNN (ancienne)
**Note**
Les recettes HRNN traditionnelles ne sont plus disponibles. Cette documentation est fournie à titre de référence.
Nous vous recommandons d'utiliser la recette aws-user-personalizaton (personnalisation utilisateur) plutôt que les anciennes recettes HRNN. La personnalisation par l'utilisateur améliore et unifie les fonctionnalités proposées par les recettes HRNN. Pour de plus amples informations, veuillez consulter [Recette de personnalisation par l'utilisateur](native-recipe-new-item-USER_PERSONALIZATION.md).
La recette du réseau neuronal récurrent hiérarchique (HRNN) Amazon Personalize modélise les modifications du comportement des utilisateurs afin de fournir des recommandations au cours d'une session. Une session est un ensemble d'interactions utilisateur au sein d'une période donnée dans le but de trouver un élément spécifique pour répondre à un besoin, par exemple. En évaluant davantage les interactions récentes d'un utilisateur, vous pouvez fournir des recommandations plus pertinentes au cours d'une session.
HRNN tient compte de l'intention et des intérêts de l'utilisateur, qui peuvent changer au fil du temps. Les historiques d'utilisateurs ordonnés sont pondérés automatiquement pour créer de meilleures inférences. HRNN utilise un mécanisme de passage pour modéliser les pondérations de remise en tant que fonction pouvant être apprise des éléments et des horodatages.
Amazon Personalize extrait les fonctionnalités de chaque utilisateur à partir de votre ensemble de données. Si vous avez terminé l'intégration des données en temps réel, ces fonctionnalités sont mises à jour en temps réel en fonction de l'activité de l'utilisateur. Pour obtenir une recommandation, vous fournissez uniquement le `USER_ID`. Si vous en fournissez également un`ITEM_ID`, Amazon Personalize l'ignore.
La recette HRNN possède les propriétés suivantes :
+ **Nom** – `aws-hrnn`
+ **Nom de la ressource Amazon (ARN) de la recette** — `arn:aws:personalize:::recipe/aws-hrnn`
+ **Algorithme ARN** — `arn:aws:personalize:::algorithm/aws-hrnn`
+ **ARN de transformation des fonctionnalités** — `arn:aws:personalize:::feature-transformation/JSON-percentile-filtering`
+ **Type de recette** — `USER_PERSONALIZATION`
Le tableau suivant décrit les hyper-paramètres de la recette HRNN. Un *hyperparamètre* est un paramètre d'algorithme que vous pouvez régler pour améliorer les performances du modèle. Les hyperparamètres d'algorithme contrôlent les performances du modèle. Les hyperparamètres d’organisation de fonction contrôlent la façon de filtrer les données à utiliser dans la formation. Le processus de sélection de la meilleure valeur pour un hyperparamètre est appelé optimisation des hyperparamètres (HPO). Pour de plus amples informations, veuillez consulter [Hyperparamètres et HPO](customizing-solution-config-hpo.md).
Le tableau fournit également les informations suivantes pour chaque hyperparamètre :
+ **Plage**: [lower bound, upper bound]
+ **Type de valeur** : integer (entier), Continuous (float) [continu (flottant)], Categorical (Boolean, list, string) [catégorique (booléen, liste, chaîne)]
+ **HPO tunable (HPO réglable)** : le paramètre peut-il participer à HPO ?
| Name (Nom) | Description |
| --- | --- |
| Hyperparamètres de l'algorithme |
| hidden\$1dimension | Nombre de variables masquées utilisées dans le modèle. Les *variables masquées* recréent l'historique des achats des utilisateurs et les statistiques des articles pour générer des scores de classement. Spécifiez un plus grand nombre de dimensions masquées lorsque votre jeu de données d'interactions entre objets inclut des modèles plus complexes. L'utilisation de dimensions masquées nécessite un ensemble de données plus volumineux et plus de temps pour le traitement. Pour décider de la valeur optimale, utilisez HPO. Pour utiliser HPO, définissez `performHPO` sur `true` lorsque vous appelez les opérations [CreateSolution](API_CreateSolution.md) et [CreateSolutionVersion](API_CreateSolutionVersion.md). Valeur par défaut : 43 Plage : [32, 256] Type de valeur : entier HPO personnalisable : oui |
| bptt | Détermine s'il convient d'utiliser la technique de propagation de retour à travers le temps. *La propagation du retour au fil du temps* est une technique qui met à jour les pondérations dans les algorithmes récurrents basés sur les réseaux neuronaux. Utilisez `bptt` pour les crédits à long terme afin de connecter les récompenses retardées à des événements précoces. Par exemple, une récompense retardée peut être un achat effectué après plusieurs clics. Un événement précoce peut être un clic initial. Même dans les mêmes types d'événements, comme un clic, il est judicieux de prendre en compte les effets à long terme et d'optimiser le total des récompenses. Pour prendre en compte les effets à long terme, utilisez des valeurs `bptt` plus élevées. L'utilisation d'une valeur `bptt` plus importante nécessite des ensembles de données plus volumineux et plus de temps pour le traitement. Valeur par défaut : 32 Plage : [2, 32] Type de valeur : entier HPO personnalisable : oui |
| recency\$1mask | Détermine si le modèle doit prendre en compte les dernières tendances de popularité dans le jeu de données d'interactions entre articles. Les dernières tendances de popularité peuvent inclure des modifications soudaines dans les modèles sous-jacents des événements d'interaction. Pour former un modèle qui accorde plus de poids aux événements récents, définissez `recency_mask` sur `true`. Pour former un modèle qui pèse de manière égale toutes les interactions passées, définissez `recency_mask` sur `false`. Pour obtenir de bonnes recommandations en utilisant un poids égal, vous pouvez avoir besoin d'un ensemble de données de formation plus grand. Valeur par défaut : `True` Plage : `True` ou `False` Type de valeur : booléen HPO personnalisable : oui |
| Hyperparamètres de fonctionnalité |
| min\$1user\$1history\$1length\$1percentile | Le percentile minimal des longueurs d’historique d'utilisateur à inclure dans la formation du modèle. *La longueur de l'historique* correspond à la quantité totale de données sur un utilisateur. Utilisez `min_user_history_length_percentile` pour exclure un pourcentage d'utilisateurs avec des longueurs d'historique courtes. Les utilisateurs avec un court historique affichent souvent des modèles basés sur la popularité des éléments plutôt que sur les besoins ou les souhaits personnels de l'utilisateur. Leur suppression peut former des modèles en mettant davantage l'accent sur les modèles sous-jacents dans vos données. Choisissez une valeur appropriée après avoir examiné les longueurs de l'historique utilisateur, à l'aide d'un histogramme ou d'un outil similaire. Nous vous recommandons de définir une valeur qui conserve la majorité des utilisateurs, mais supprime les cas périphériques. Par exemple, la définition de `min__user_history_length_percentile to 0.05` et `max_user_history_length_percentile to 0.95` inclut tous les utilisateurs, sauf ceux dont la longueur de l'historique figure dans les 5 % du bas ou du haut. Valeur par défaut : 0.0 Plage : [0.0, 1.0] Type de valeur : flottante HPO personnalisable : non |
| max\$1user\$1history\$1length\$1percentile | Le percentile maximal des longueurs d’historique d'utilisateur à inclure dans la formation du modèle. *La longueur de l'historique* correspond à la quantité totale de données sur un utilisateur. Utilisez `max_user_history_length_percentile` pour exclure un pourcentage d'utilisateurs avec de longues longueurs d'historique, car les données de ces utilisateurs ont tendance à contenir du bruit. Par exemple, un robot peut avoir une longue liste d'interactions automatisées. La suppression de ces utilisateurs limite le bruit dans la formation. Choisissez une valeur appropriée après avoir examiné les longueurs de l'historique utilisateur, à l'aide d'un histogramme ou d'un outil similaire. Nous vous recommandons de définir une valeur qui conserve la majorité des utilisateurs, mais supprime les cas périphériques. Par exemple, la définition de `min__user_history_length_percentile to 0.05` et `max_user_history_length_percentile to 0.95` inclut tous les utilisateurs, sauf ceux dont la longueur de l'historique figure dans les 5 % du bas ou du haut. Valeur par défaut : 0.99 Plage : [0.0, 1.0] Type de valeur : flottante HPO personnalisable : non |
# Recette de métadonnées HRNN (ancienne)
**Note**
Les recettes HRNN traditionnelles ne sont plus disponibles. Cette documentation est fournie à titre de référence.
Nous vous recommandons d'utiliser la recette aws-user-personalizaton (personnalisation utilisateur) plutôt que les anciennes recettes HRNN. La personnalisation par l'utilisateur améliore et unifie les fonctionnalités proposées par les recettes HRNN. Pour de plus amples informations, veuillez consulter [Recette de personnalisation par l'utilisateur](native-recipe-new-item-USER_PERSONALIZATION.md).
La recette HRNN-Metadata prédit les éléments avec lesquels un utilisateur interagira. Elle est semblable à la recette [HRNN](native-recipe-hrnn.md), avec des fonctionnalités supplémentaires dérivées des métadonnées contextuelles, d’utilisateurs et d’éléments (respectivement issues des ensembles de données Interactions, Utilisateurs et Éléments). HRNN-Metadata fournit une meilleure précision que les autres modèles sans métadonnées lorsque des métadonnées de haute qualité sont disponibles. L'utilisation de cette recette peut nécessiter des durées de formation plus longues.
La recette HRNN-Metadata possède les propriétés suivantes :
+ **Nom** – `aws-hrnn-metadata`
+ **Nom de la ressource Amazon (ARN) de la recette** — `arn:aws:personalize:::recipe/aws-hrnn-metadata`
+ **Algorithme ARN** — `arn:aws:personalize:::algorithm/aws-hrnn-metadata`
+ **ARN de transformation des fonctionnalités** — `arn:aws:personalize:::feature-transformation/featurize_metadata`
+ **Type de recette** — `USER_PERSONALIZATION`
Le tableau suivant décrit les hyper-paramètres de la recette HRNN-Metadata. Un *hyperparamètre* est un paramètre d'algorithme que vous pouvez régler pour améliorer les performances du modèle. Les hyperparamètres d'algorithme contrôlent les performances du modèle. Les hyperparamètres d’organisation de fonction contrôlent la façon de filtrer les données à utiliser dans la formation. Le processus de sélection de la meilleure valeur pour un hyperparamètre est appelé optimisation des hyperparamètres (HPO). Pour de plus amples informations, veuillez consulter [Hyperparamètres et HPO](customizing-solution-config-hpo.md).
Le tableau fournit également les informations suivantes pour chaque hyperparamètre :
+ **Plage**: [lower bound, upper bound]
+ **Type de valeur** : integer (entier), Continuous (float) [continu (flottant)], Categorical (Boolean, list, string) [catégorique (booléen, liste, chaîne)]
+ **HPO personnalisable** : le paramètre peut-il participer à l'optimisation des hyperparamètres (HPO) ?
| Name (Nom) | Description |
| --- | --- |
| Hyperparamètres d'algorithme |
| hidden\$1dimension | Nombre de variables masquées utilisées dans le modèle. Les *variables masquées* recréent l'historique des achats des utilisateurs et les statistiques des articles pour générer des scores de classement. Spécifiez un plus grand nombre de dimensions masquées lorsque votre jeu de données d'interactions entre objets inclut des modèles plus complexes. L'utilisation de dimensions masquées nécessite un ensemble de données plus volumineux et plus de temps pour le traitement. Pour décider de la valeur optimale, utilisez HPO. Pour utiliser HPO, définissez `performHPO` sur `true` lorsque vous appelez les opérations [CreateSolution](API_CreateSolution.md) et [CreateSolutionVersion](API_CreateSolutionVersion.md). Valeur par défaut : 43 Plage : [32, 256] Type de valeur : entier HPO personnalisable : oui |
| bptt | Détermine s'il convient d'utiliser la technique de propagation de retour à travers le temps. *La propagation du retour au fil du temps* est une technique qui met à jour les pondérations dans les algorithmes récurrents basés sur les réseaux neuronaux. Utilisez `bptt` pour les crédits à long terme afin de connecter les récompenses retardées à des événements précoces. Par exemple, une récompense retardée peut être un achat effectué après plusieurs clics. Un événement précoce peut être un clic initial. Même dans les mêmes types d'événements, comme un clic, il est judicieux de prendre en compte les effets à long terme et d'optimiser le total des récompenses. Pour prendre en compte les effets à long terme, utilisez des valeurs `bptt` plus élevées. L'utilisation d'une valeur `bptt` plus importante nécessite des ensembles de données plus volumineux et plus de temps pour le traitement. Valeur par défaut : 32 Plage : [2, 32] Type de valeur : entier HPO personnalisable : oui |
| recency\$1mask | Détermine si le modèle doit prendre en compte les dernières tendances de popularité dans le jeu de données d'interactions entre articles. Les dernières tendances de popularité peuvent inclure des modifications soudaines dans les modèles sous-jacents des événements d'interaction. Pour former un modèle qui accorde plus de poids aux événements récents, définissez `recency_mask` sur `true`. Pour former un modèle qui pèse de manière égale toutes les interactions passées, définissez `recency_mask` sur `false`. Pour obtenir de bonnes recommandations en utilisant un poids égal, vous pouvez avoir besoin d'un ensemble de données de formation plus grand. Valeur par défaut : `True` Plage : `True` ou `False` Type de valeur : booléen HPO personnalisable : oui |
| Hyperparamètres de fonctionnalité |
| min\$1user\$1history\$1length\$1percentile | Le percentile minimal des longueurs d’historique d'utilisateur à inclure dans la formation du modèle. *La longueur de l'historique* correspond à la quantité totale de données sur un utilisateur. Utilisez `min_user_history_length_percentile` pour exclure un pourcentage d'utilisateurs avec des longueurs d'historique courtes. Les utilisateurs avec un court historique affichent souvent des modèles basés sur la popularité des éléments plutôt que sur les besoins ou les souhaits personnels de l'utilisateur. Leur suppression peut former des modèles en mettant davantage l'accent sur les modèles sous-jacents dans vos données. Choisissez une valeur appropriée après avoir examiné les longueurs de l'historique utilisateur, à l'aide d'un histogramme ou d'un outil similaire. Nous vous recommandons de définir une valeur qui conserve la majorité des utilisateurs, mais supprime les cas périphériques. Par exemple, la définition de `min__user_history_length_percentile to 0.05` et `max_user_history_length_percentile to 0.95` inclut tous les utilisateurs, sauf ceux dont la longueur de l'historique figure dans les 5 % du bas ou du haut. Valeur par défaut : 0.0 Plage : [0.0, 1.0] Type de valeur : flottante HPO personnalisable : non |
| max\$1user\$1history\$1length\$1percentile | Le percentile maximal des longueurs d’historique d'utilisateur à inclure dans la formation du modèle. *La longueur de l'historique* correspond à la quantité totale de données sur un utilisateur. Utilisez `max_user_history_length_percentile` pour exclure un pourcentage d'utilisateurs avec de longues longueurs d'historique, car les données de ces utilisateurs ont tendance à contenir du bruit. Par exemple, un robot peut avoir une longue liste d'interactions automatisées. La suppression de ces utilisateurs limite le bruit dans la formation. Choisissez une valeur appropriée après avoir examiné les longueurs de l'historique utilisateur, à l'aide d'un histogramme ou d'un outil similaire. Nous vous recommandons de définir une valeur qui conserve la majorité des utilisateurs, mais supprime les cas périphériques. Par exemple, la définition de `min__user_history_length_percentile to 0.05` et `max_user_history_length_percentile to 0.95` inclut tous les utilisateurs, sauf ceux dont la longueur de l'historique figure dans les 5 % du bas ou du haut. Valeur par défaut : 0.99 Plage : [0.0, 1.0] Type de valeur : flottante HPO personnalisable : non |
# Recette HRNN-ColdStart (ancienne)
**Note**
Les recettes HRNN traditionnelles ne sont plus disponibles. Cette documentation est fournie à titre de référence.
Nous vous recommandons d'utiliser la recette aws-user-personalizaton (personnalisation utilisateur) plutôt que les anciennes recettes HRNN. La personnalisation par l'utilisateur améliore et unifie les fonctionnalités proposées par les recettes HRNN. Pour de plus amples informations, veuillez consulter [Recette de personnalisation par l'utilisateur](native-recipe-new-item-USER_PERSONALIZATION.md).
Utilisez la recette HRNN-ColdStart pour prévoir les éléments avec lesquels un utilisateur va interagir lorsque vous ajoutez fréquemment de nouveaux éléments et interactions et que vous souhaitez obtenir des recommandations pour ces éléments immédiatement. La recette HRNN-Coldstart est similaire à la recette [HRNN-Metadata](native-recipe-hrnn-metadata.md), mais elle vous permet d'obtenir des recommandations pour de nouveaux éléments.
En outre, vous pouvez utiliser la recette HRNN-Coldstart lorsque vous souhaitez exclure de la formation des éléments qui ont une longue liste d'interactions, soit en raison d'une tendance récente de popularité, soit parce que les interactions peuvent être très inhabituelles et introduire du bruit dans la formation. Avec HRNN-Coldstart, vous pouvez filtrer les éléments moins pertinents pour créer un sous-ensemble pour la formation. Le sous-ensemble d'éléments, appelé éléments *froids, est constitué d'éléments* présentant des événements d'interaction connexes dans le jeu de données d'interactions entre articles. Un élément est considéré comme un élément froid lorsqu'il contient :
+ Moins d'interactions qu'un nombre spécifié d'interactions maximales. Vous spécifiez cette valeur dans l'hyperparamètre `cold_start_max_interactions` de la recette.
+ Durée relative plus courte que la durée maximale. Vous spécifiez cette valeur dans l'hyperparamètre `cold_start_max_duration` de la recette.
Pour réduire le nombre d'éléments froids, définissez une valeur inférieure pour `cold_start_max_interactions` ou `cold_start_max_duration`. Pour augmenter le nombre d'éléments froids, définissez une valeur supérieure pour `cold_start_max_interactions` ou `cold_start_max_duration`.
HRNN-Coldstart a les limites suivantes pour les éléments froids :
+ `Maximum cold start items` : 80.000
+ `Minimum cold start items` : 100
Si le nombre d'éléments froids est en dehors de cette plage, les tentatives de création d'une solution échouent.
La recette HRNN-Coldstart possède les propriétés suivantes :
+ **Nom** – `aws-hrnn-coldstart`
+ **Nom de la ressource Amazon (ARN) de la recette** — `arn:aws:personalize:::recipe/aws-hrnn-coldstart`
+ **Algorithme ARN** — `arn:aws:personalize:::algorithm/aws-hrnn-coldstart`
+ **ARN de transformation des fonctionnalités** — `arn:aws:personalize:::feature-transformation/featurize_coldstart`
+ **Type de recette** — `USER_PERSONALIZATION`
Pour de plus amples informations, veuillez consulter [Choisir une recette](working-with-predefined-recipes.md).
Le tableau suivant décrit les hyper-paramètres de la recette HRNN-Coldstart. Un *hyperparamètre* est un paramètre d'algorithme que vous pouvez régler pour améliorer les performances du modèle. Les hyperparamètres d'algorithme contrôlent les performances du modèle. Les hyperparamètres d’organisation de fonction contrôlent la façon de filtrer les données à utiliser dans la formation. Le processus de sélection de la meilleure valeur pour un hyperparamètre est appelé optimisation des hyperparamètres (HPO). Pour de plus amples informations, veuillez consulter [Hyperparamètres et HPO](customizing-solution-config-hpo.md).
Le tableau fournit également les informations suivantes pour chaque hyperparamètre :
+ **Plage**: [lower bound, upper bound]
+ **Type de valeur** : integer (entier), Continuous (float) [continu (flottant)], Categorical (Boolean, list, string) [catégorique (booléen, liste, chaîne)]
+ **HPO tunable (HPO réglable)** : le paramètre peut-il participer à HPO ?
| Name (Nom) | Description |
| --- | --- |
| Hyperparamètres de l'algorithme |
| hidden\$1dimension | Nombre de variables masquées utilisées dans le modèle. Les *variables masquées* recréent l'historique des achats des utilisateurs et les statistiques des articles pour générer des scores de classement. Spécifiez un plus grand nombre de dimensions masquées lorsque votre jeu de données d'interactions entre objets inclut des modèles plus complexes. L'utilisation de dimensions masquées nécessite un ensemble de données plus volumineux et plus de temps pour le traitement. Pour décider de la valeur optimale, utilisez HPO. Pour utiliser HPO, définissez `performHPO` sur `true` lorsque vous appelez les opérations [CreateSolution](API_CreateSolution.md) et [CreateSolutionVersion](API_CreateSolutionVersion.md). Valeur par défaut : 149 Plage : [32, 256] Type de valeur : entier HPO personnalisable : oui |
| bptt | Détermine s'il convient d'utiliser la technique de propagation de retour à travers le temps. *La propagation du retour au fil du temps* est une technique qui met à jour les pondérations dans les algorithmes récurrents basés sur les réseaux neuronaux. Utilisez `bptt` pour les crédits à long terme afin de connecter les récompenses retardées à des événements précoces. Par exemple, une récompense retardée peut être un achat effectué après plusieurs clics. Un événement précoce peut être un clic initial. Même dans les mêmes types d'événements, comme un clic, il est judicieux de prendre en compte les effets à long terme et d'optimiser le total des récompenses. Pour prendre en compte les effets à long terme, utilisez des valeurs `bptt` plus élevées. L'utilisation d'une valeur `bptt` plus importante nécessite des ensembles de données plus volumineux et plus de temps pour le traitement. Valeur par défaut : 32 Plage : [2, 32] Type de valeur : entier HPO personnalisable : oui |
| recency\$1mask | Détermine si le modèle doit prendre en compte les dernières tendances de popularité dans le jeu de données d'interactions entre articles. Les dernières tendances de popularité peuvent inclure des modifications soudaines dans les modèles sous-jacents des événements d'interaction. Pour former un modèle qui accorde plus de poids aux événements récents, définissez `recency_mask` sur `true`. Pour former un modèle qui pèse de manière égale toutes les interactions passées, définissez `recency_mask` sur `false`. Pour obtenir de bonnes recommandations en utilisant un poids égal, vous pouvez avoir besoin d'un ensemble de données de formation plus grand. Valeur par défaut : `True` Plage : `True` ou `False` Type de valeur : booléen HPO personnalisable : oui |
| Hyperparamètres de fonctionnalité |
| cold\$1start\$1max\$1interactions | Nombre maximal d'interactions utilisateur/élément qu'un élément peut avoir pour être considéré comme un élément froid. Valeur par défaut : 15 Plage : entiers positifs Type de valeur : entier HPO personnalisable : non |
| cold\$1start\$1max\$1duration | Durée maximale en jours par rapport au point de départ pour qu'une interaction utilisateur/élément soit considérée comme un élément de démarrage à froid. Pour définir le point de départ de l'interaction utilisateur/élément, définissez l'hyper-paramètre `cold_start_relative_from`. Valeur par défaut : 5.0 Plage : valeurs flottantes positives Type de valeur : flottante HPO personnalisable : non |
| cold\$1start\$1relative\$1from | Détermine le point de départ du calcul `cold_start_max_duration` par la recette HRNN-Coldstart. Pour calculer à partir de l'heure actuelle, choisissez `currentTime`. Pour effectuer le calcul à `cold_start_max_duration` partir de l'horodatage du dernier élément du jeu de données d'interactions entre articles, choisissez. `latestItem` Ce paramètre est utile si vous ajoutez fréquemment de nouveaux éléments. Valeur par défaut : `latestItem` Plage : `currentTime`, `latestItem` Type de valeu : chaîne HPO personnalisable : non |
| min\$1user\$1history\$1length\$1percentile | Le percentile minimal des longueurs d’historique d'utilisateur à inclure dans la formation du modèle. *La longueur de l'historique* correspond à la quantité totale de données sur un utilisateur. Utilisez `min_user_history_length_percentile` pour exclure un pourcentage d'utilisateurs avec des longueurs d'historique courtes. Les utilisateurs avec un court historique affichent souvent des modèles basés sur la popularité des éléments plutôt que sur les besoins ou les souhaits personnels de l'utilisateur. Leur suppression peut former des modèles en mettant davantage l'accent sur les modèles sous-jacents dans vos données. Choisissez une valeur appropriée après avoir examiné les longueurs de l'historique utilisateur, à l'aide d'un histogramme ou d'un outil similaire. Nous vous recommandons de définir une valeur qui conserve la majorité des utilisateurs, mais supprime les cas périphériques. Par exemple, la définition de `min__user_history_length_percentile to 0.05` et `max_user_history_length_percentile to 0.95` inclut tous les utilisateurs, sauf ceux dont la longueur de l'historique figure dans les 5 % du bas ou du haut. Valeur par défaut : 0.0 Plage : [0.0, 1.0] Type de valeur : flottante HPO personnalisable : non |
| max\$1user\$1history\$1length\$1percentile | Le percentile maximal des longueurs d’historique d'utilisateur à inclure dans la formation du modèle. *La longueur de l'historique* correspond à la quantité totale de données sur un utilisateur. Utilisez `max_user_history_length_percentile` pour exclure un pourcentage d'utilisateurs avec de longues longueurs d'historique, car les données de ces utilisateurs ont tendance à contenir du bruit. Par exemple, un robot peut avoir une longue liste d'interactions automatisées. La suppression de ces utilisateurs limite le bruit dans la formation. Choisissez une valeur appropriée après avoir examiné les longueurs de l'historique utilisateur, à l'aide d'un histogramme ou d'un outil similaire. Nous vous recommandons de définir une valeur qui conserve la majorité des utilisateurs, mais supprime les cas périphériques. Par exemple, la définition de `min__user_history_length_percentile to 0.05` et `max_user_history_length_percentile to 0.95` inclut tous les utilisateurs, sauf ceux dont la longueur de l'historique figure dans les 5 % du bas ou du haut. Valeur par défaut : 0.99 Plage : [0.0, 1.0] Type de valeur : flottante HPO personnalisable : non |