Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris.
# Resep HRNN Legacy
Resep HRNN Legacy tidak lagi tersedia. Dokumentasi ini untuk tujuan referensi.
Kami merekomendasikan penggunaan resep aws-user-personalizaton (User-Personalization) di atas resep HRNN warisan. Personalisasi Pengguna meningkatkan dan menyatukan fungsionalitas yang ditawarkan oleh resep HRNN. Untuk informasi selengkapnya, lihat [Resep Personalisasi Pengguna](native-recipe-new-item-USER_PERSONALIZATION.md).
Amazon Personalize dapat secara otomatis memilih resep hirarkis recurrent neural network (HRNN) yang paling tepat berdasarkan analisisnya terhadap data masukan. Opsi ini disebut AutoML. Untuk informasi selengkapnya, lihat [Menggunakan AutoML untuk memilih resep HRNN (hanya API)](training-solution-auto-ml.md).
**Topics**
+ [Menggunakan AutoML untuk memilih resep HRNN (hanya API)](training-solution-auto-ml.md)
+ [Resep HRNN (warisan)](native-recipe-hrnn.md)
+ [Resep HRNN-metadata (warisan)](native-recipe-hrnn-metadata.md)
+ [Resep HRNN-ColdStart (warisan)](native-recipe-hrnn-coldstart.md)
# Menggunakan AutoML untuk memilih resep HRNN (hanya API)
Amazon Personalize dapat secara otomatis memilih resep hirarkis recurrent neural network (HRNN) yang paling tepat berdasarkan analisisnya terhadap data masukan. Opsi ini disebut AutoML. Untuk melakukan AutoML, atur `performAutoML` parameter `true` saat Anda memanggil API. [CreateSolution](API_CreateSolution.md)
Anda juga dapat menentukan daftar resep yang diperiksa Amazon Personalize untuk menentukan resep optimal, berdasarkan metrik yang Anda tentukan. Dalam hal ini, Anda memanggil `CreateSolution` operasi, menentukan `true` `performAutoML` parameter, menghilangkan `recipeArn` parameter, dan menyertakan `solutionConfig` parameter, menentukan `metricName` dan `recipeList` sebagai bagian dari objek. `autoMLConfig`
Bagaimana resep dipilih ditunjukkan pada tabel berikut. Entah `performAutoML` atau `recipeArn` harus ditentukan tetapi tidak keduanya. AutoML hanya dilakukan dengan menggunakan resep HRNN.
| performAutoML | recipeArn | solutionConfig | Hasil |
| --- | --- | --- | --- |
| true | menghilangkan | dihilangkan | Amazon Personalize memilih resepnya |
| true | menghilangkan | autoMLConfig: metricName dan recipeList ditentukan | Amazon Personalize memilih resep dari daftar yang mengoptimalkan metrik |
| menghilangkan | ditentukan | dihilangkan | Anda menentukan resepnya |
| menghilangkan | ditentukan | ditentukan | Anda menentukan resep dan mengganti properti pelatihan default |
**catatan**
`performAutoML`Kapan`true`, semua parameter `solutionConfig` objek diabaikan kecuali untuk`autoMLConfig`.
# Resep HRNN (warisan)
**catatan**
Resep HRNN Legacy tidak lagi tersedia. Dokumentasi ini untuk tujuan referensi.
Kami merekomendasikan penggunaan resep aws-user-personalizaton (User-Personalization) di atas resep HRNN warisan. Personalisasi Pengguna meningkatkan dan menyatukan fungsionalitas yang ditawarkan oleh resep HRNN. Untuk informasi selengkapnya, lihat [Resep Personalisasi Pengguna](native-recipe-new-item-USER_PERSONALIZATION.md).
Model resep Amazon Personalize hierarchical recurrent neural network (HRNN) mengubah perilaku pengguna untuk memberikan rekomendasi selama sesi. Sesi adalah serangkaian interaksi pengguna dalam jangka waktu tertentu dengan tujuan menemukan item tertentu untuk memenuhi kebutuhan, misalnya. Dengan menimbang interaksi terbaru pengguna lebih tinggi, Anda dapat memberikan rekomendasi yang lebih relevan selama sesi berlangsung.
HRNN mengakomodasi maksud dan minat pengguna, yang dapat berubah seiring waktu. Dibutuhkan riwayat pengguna yang dipesan dan secara otomatis menimbangnya untuk membuat kesimpulan yang lebih baik. HRNN menggunakan mekanisme gating untuk memodelkan bobot diskon sebagai fungsi yang dapat dipelajari dari item dan stempel waktu.
Amazon Personalize memperoleh fitur untuk setiap pengguna dari kumpulan data Anda. Jika Anda telah melakukan integrasi data real-time, fitur-fitur ini diperbarui secara real time sesuai dengan aktivitas pengguna. Untuk mendapatkan rekomendasi, Anda hanya memberikan`USER_ID`. Jika Anda juga menyediakan`ITEM_ID`, Amazon Personalize mengabaikannya.
Resep HRNN memiliki sifat-sifat berikut:
+ **Nama** – `aws-hrnn`
+ **Resep Nama Sumber Daya Amazon (ARN**) — `arn:aws:personalize:::recipe/aws-hrnn`
+ **Algoritma ARN** — `arn:aws:personalize:::algorithm/aws-hrnn`
+ **Transformasi fitur ARN** — `arn:aws:personalize:::feature-transformation/JSON-percentile-filtering`
+ **Jenis resep** — `USER_PERSONALIZATION`
Tabel berikut menjelaskan hiperparameter untuk resep HRNN. *Hyperparameter adalah parameter* algoritma yang dapat Anda sesuaikan untuk meningkatkan kinerja model. Algoritma hyperparameters mengontrol bagaimana kinerja model. Hyperparameter featurisasi mengontrol cara memfilter data yang akan digunakan dalam pelatihan. Proses memilih nilai terbaik untuk hyperparameter disebut optimasi hyperparameter (HPO). Untuk informasi selengkapnya, lihat [Hyperparameters dan HPO](customizing-solution-config-hpo.md).
Tabel ini juga menyediakan informasi berikut untuk setiap hyperparameter:
+ **Rentang**: [batas bawah, batas atas]
+ **Jenis nilai**: Integer, Continuous (float), Kategoris (Boolean, daftar, string)
+ **HPO tunable**: Dapatkah parameter berpartisipasi dalam HPO?
| Nama | Penjelasan |
| --- | --- |
| Hiperparameter algoritma |
| hidden\$1dimension | Jumlah variabel tersembunyi yang digunakan dalam model. *Variabel tersembunyi* membuat ulang riwayat pembelian pengguna dan statistik item untuk menghasilkan skor peringkat. Tentukan lebih banyak dimensi tersembunyi saat kumpulan data interaksi Item Anda menyertakan pola yang lebih rumit. Menggunakan dimensi yang lebih tersembunyi membutuhkan dataset yang lebih besar dan lebih banyak waktu untuk diproses. Untuk memutuskan nilai optimal, gunakan HPO. Untuk menggunakan HPO, atur `performHPO` ke `true` saat Anda memanggil [CreateSolution](API_CreateSolution.md) dan [CreateSolutionVersion](API_CreateSolutionVersion.md) operasi. Nilai default: 43 Rentang: [32, 256] Jenis nilai: Integer HPO dapat disetel: Ya |
| bptt | Menentukan apakah akan menggunakan teknik propagasi balik melalui waktu. *Propagasi balik melalui waktu* adalah teknik yang memperbarui bobot dalam algoritme berbasis jaringan saraf berulang. Gunakan kredit jangka panjang `bptt` untuk menghubungkan hadiah yang tertunda ke acara awal. Misalnya, hadiah yang tertunda dapat berupa pembelian yang dilakukan setelah beberapa klik. Peristiwa awal bisa menjadi klik awal. Bahkan dalam jenis acara yang sama, seperti klik, ada baiknya untuk mempertimbangkan efek jangka panjang dan memaksimalkan total hadiah. Untuk mempertimbangkan efek jangka panjang, gunakan `bptt` nilai yang lebih besar. Menggunakan `bptt` nilai yang lebih besar membutuhkan kumpulan data yang lebih besar dan lebih banyak waktu untuk diproses. Nilai default: 32 Rentang: [2, 32] Jenis nilai: Integer HPO dapat disetel: Ya |
| recency\$1mask | Menentukan apakah model harus mempertimbangkan tren popularitas terbaru dalam kumpulan data interaksi Item. Tren popularitas terbaru mungkin termasuk perubahan mendadak dalam pola yang mendasari peristiwa interaksi. Untuk melatih model yang memberi bobot lebih pada peristiwa baru-baru ini, atur `recency_mask` ke`true`. Untuk melatih model yang sama-sama menimbang semua interaksi masa lalu, atur `recency_mask` ke`false`. Untuk mendapatkan rekomendasi yang baik menggunakan bobot yang sama, Anda mungkin memerlukan kumpulan data pelatihan yang lebih besar. Nilai default: `True` Rentang: `True` atau `False` Jenis nilai: Boolean HPO dapat disetel: Ya |
| Hiperparameter featurisasi |
| min\$1user\$1history\$1length\$1percentile | Persentil minimum panjang riwayat pengguna untuk dimasukkan dalam pelatihan model. *Panjang riwayat* adalah jumlah total data tentang pengguna. Gunakan `min_user_history_length_percentile` untuk mengecualikan persentase pengguna dengan panjang riwayat pendek. Pengguna dengan riwayat singkat sering menunjukkan pola berdasarkan popularitas item, bukan kebutuhan atau keinginan pribadi pengguna. Menghapusnya dapat melatih model dengan lebih fokus pada pola yang mendasarinya dalam data Anda. Pilih nilai yang sesuai setelah Anda meninjau panjang riwayat pengguna, menggunakan histogram atau alat serupa. Kami merekomendasikan untuk menetapkan nilai yang mempertahankan mayoritas pengguna, tetapi menghapus kasus tepi. Misalnya, menyetel `min__user_history_length_percentile to 0.05` dan `max_user_history_length_percentile to 0.95` menyertakan semua pengguna kecuali yang memiliki panjang riwayat di bagian bawah atau atas 5%. Nilai default: 0.0 Rentang: [0.0, 1.0] Jenis nilai: Float HPO dapat disetel: Tidak |
| max\$1user\$1history\$1length\$1percentile | Persentil maksimum panjang riwayat pengguna untuk dimasukkan dalam pelatihan model. *Panjang riwayat* adalah jumlah total data tentang pengguna. Gunakan `max_user_history_length_percentile` untuk mengecualikan persentase pengguna dengan panjang sejarah panjang karena data untuk pengguna ini cenderung mengandung noise. Misalnya, robot mungkin memiliki daftar panjang interaksi otomatis. Menghapus pengguna ini membatasi kebisingan dalam pelatihan. Pilih nilai yang sesuai setelah Anda meninjau panjang riwayat pengguna menggunakan histogram atau alat serupa. Kami merekomendasikan untuk menyetel nilai yang mempertahankan mayoritas pengguna tetapi menghapus kasus tepi. Misalnya, menyetel `min__user_history_length_percentile to 0.05` dan `max_user_history_length_percentile to 0.95` menyertakan semua pengguna kecuali yang memiliki panjang riwayat di bagian bawah atau atas 5%. Nilai default: 0,99 Rentang: [0.0, 1.0] Jenis nilai: Float HPO dapat disetel: Tidak |
# Resep HRNN-metadata (warisan)
**catatan**
Resep HRNN Legacy tidak lagi tersedia. Dokumentasi ini untuk tujuan referensi.
Kami merekomendasikan penggunaan resep aws-user-personalizaton (User-Personalization) di atas resep HRNN warisan. Personalisasi Pengguna meningkatkan dan menyatukan fungsionalitas yang ditawarkan oleh resep HRNN. Untuk informasi selengkapnya, lihat [Resep Personalisasi Pengguna](native-recipe-new-item-USER_PERSONALIZATION.md).
Resep HRNN-metadata memprediksi item yang akan berinteraksi dengan pengguna. Ini mirip dengan [HRNN](native-recipe-hrnn.md) resep, dengan fitur tambahan yang berasal dari metadata kontekstual, pengguna, dan item (masing-masing dari kumpulan data Interaksi, Pengguna, dan Item). HRNN-metadata memberikan manfaat akurasi dibandingkan model non-metadata ketika metadata berkualitas tinggi tersedia. Menggunakan resep ini mungkin membutuhkan waktu pelatihan yang lebih lama.
Resep HRNN-metadata memiliki sifat-sifat berikut:
+ **Nama** – `aws-hrnn-metadata`
+ **Resep Nama Sumber Daya Amazon (ARN**) — `arn:aws:personalize:::recipe/aws-hrnn-metadata`
+ **Algoritma ARN** — `arn:aws:personalize:::algorithm/aws-hrnn-metadata`
+ **Transformasi fitur ARN** — `arn:aws:personalize:::feature-transformation/featurize_metadata`
+ **Jenis resep** — `USER_PERSONALIZATION`
Tabel berikut menjelaskan hiperparameter untuk resep HRNN-metadata. *Hyperparameter adalah parameter* algoritma yang dapat Anda sesuaikan untuk meningkatkan kinerja model. Algoritma hyperparameters mengontrol bagaimana kinerja model. Hyperparameter featurisasi mengontrol cara memfilter data yang akan digunakan dalam pelatihan. Proses memilih nilai terbaik untuk hyperparameter disebut optimasi hyperparameter (HPO). Untuk informasi selengkapnya, lihat [Hyperparameters dan HPO](customizing-solution-config-hpo.md).
Tabel ini juga menyediakan informasi berikut untuk setiap hyperparameter:
+ **Rentang**: [batas bawah, batas atas]
+ **Jenis nilai**: Integer, Continuous (float), Kategoris (Boolean, daftar, string)
+ **HPO tunable**: Dapatkah parameter berpartisipasi dalam optimasi hyperparameter (HPO)?
| Nama | Penjelasan |
| --- | --- |
| Algoritma Hyperparameter |
| hidden\$1dimension | Jumlah variabel tersembunyi yang digunakan dalam model. *Variabel tersembunyi* membuat ulang riwayat pembelian pengguna dan statistik item untuk menghasilkan skor peringkat. Tentukan lebih banyak dimensi tersembunyi saat kumpulan data interaksi Item Anda menyertakan pola yang lebih rumit. Menggunakan dimensi yang lebih tersembunyi membutuhkan dataset yang lebih besar dan lebih banyak waktu untuk diproses. Untuk memutuskan nilai optimal, gunakan HPO. Untuk menggunakan HPO, atur `performHPO` ke `true` saat Anda memanggil [CreateSolution](API_CreateSolution.md) dan [CreateSolutionVersion](API_CreateSolutionVersion.md) operasi. Nilai default: 43 Rentang: [32, 256] Jenis nilai: Integer HPO dapat disetel: Ya |
| bptt | Menentukan apakah akan menggunakan teknik propagasi balik melalui waktu. *Propagasi balik melalui waktu* adalah teknik yang memperbarui bobot dalam algoritme berbasis jaringan saraf berulang. Gunakan kredit jangka panjang `bptt` untuk menghubungkan hadiah yang tertunda ke acara awal. Misalnya, hadiah yang tertunda dapat berupa pembelian yang dilakukan setelah beberapa klik. Acara awal bisa menjadi klik awal. Bahkan dalam jenis acara yang sama, seperti klik, ada baiknya untuk mempertimbangkan efek jangka panjang dan memaksimalkan total hadiah. Untuk mempertimbangkan efek jangka panjang, gunakan `bptt` nilai yang lebih besar. Menggunakan `bptt` nilai yang lebih besar membutuhkan kumpulan data yang lebih besar dan lebih banyak waktu untuk diproses. Nilai default: 32 Rentang: [2, 32] Jenis nilai: Integer HPO dapat disetel: Ya |
| recency\$1mask | Menentukan apakah model harus mempertimbangkan tren popularitas terbaru dalam kumpulan data interaksi Item. Tren popularitas terbaru mungkin termasuk perubahan mendadak dalam pola yang mendasari peristiwa interaksi. Untuk melatih model yang memberi bobot lebih pada peristiwa baru-baru ini, atur `recency_mask` ke`true`. Untuk melatih model yang sama-sama menimbang semua interaksi masa lalu, atur `recency_mask` ke`false`. Untuk mendapatkan rekomendasi yang baik menggunakan bobot yang sama, Anda mungkin memerlukan kumpulan data pelatihan yang lebih besar. Nilai default: `True` Rentang: `True` atau `False` Jenis nilai: Boolean HPO dapat disetel: Ya |
| Hiperparameter featurisasi |
| min\$1user\$1history\$1length\$1percentile | Persentil minimum panjang riwayat pengguna untuk dimasukkan dalam pelatihan model. *Panjang riwayat* adalah jumlah total data tentang pengguna. Gunakan `min_user_history_length_percentile` untuk mengecualikan persentase pengguna dengan panjang riwayat pendek. Pengguna dengan riwayat singkat sering menunjukkan pola berdasarkan popularitas item, bukan kebutuhan atau keinginan pribadi pengguna. Menghapusnya dapat melatih model dengan lebih fokus pada pola yang mendasarinya dalam data Anda. Pilih nilai yang sesuai setelah Anda meninjau panjang riwayat pengguna, menggunakan histogram atau alat serupa. Kami merekomendasikan untuk menetapkan nilai yang mempertahankan mayoritas pengguna, tetapi menghapus kasus tepi. Misalnya, menyetel `min__user_history_length_percentile to 0.05` dan `max_user_history_length_percentile to 0.95` menyertakan semua pengguna kecuali yang memiliki panjang riwayat di bagian bawah atau atas 5%. Nilai default: 0.0 Rentang: [0.0, 1.0] Jenis nilai: Float HPO dapat disetel: Tidak |
| max\$1user\$1history\$1length\$1percentile | Persentil maksimum panjang riwayat pengguna untuk dimasukkan dalam pelatihan model. *Panjang riwayat* adalah jumlah total data tentang pengguna. Gunakan `max_user_history_length_percentile` untuk mengecualikan persentase pengguna dengan panjang sejarah panjang karena data untuk pengguna ini cenderung mengandung noise. Misalnya, robot mungkin memiliki daftar panjang interaksi otomatis. Menghapus pengguna ini membatasi kebisingan dalam pelatihan. Pilih nilai yang sesuai setelah Anda meninjau panjang riwayat pengguna menggunakan histogram atau alat serupa. Kami merekomendasikan untuk menyetel nilai yang mempertahankan mayoritas pengguna tetapi menghapus kasus tepi. Misalnya, menyetel `min__user_history_length_percentile to 0.05` dan `max_user_history_length_percentile to 0.95` menyertakan semua pengguna kecuali yang memiliki panjang riwayat di bagian bawah atau atas 5%. Nilai default: 0,99 Rentang: [0.0, 1.0] Jenis nilai: Float HPO dapat disetel: Tidak |
# Resep HRNN-ColdStart (warisan)
**catatan**
Resep HRNN Legacy tidak lagi tersedia. Dokumentasi ini untuk tujuan referensi.
Kami merekomendasikan penggunaan resep aws-user-personalizaton (User-Personalization) di atas resep HRNN warisan. Personalisasi Pengguna meningkatkan dan menyatukan fungsionalitas yang ditawarkan oleh resep HRNN. Untuk informasi selengkapnya, lihat [Resep Personalisasi Pengguna](native-recipe-new-item-USER_PERSONALIZATION.md).
Gunakan resep HRNN-ColdStart untuk memprediksi item yang akan berinteraksi dengan pengguna saat Anda sering menambahkan item dan interaksi baru dan ingin segera mendapatkan rekomendasi untuk item tersebut. Resep HRNN-ColdStart mirip dengan [Metadata HRNN](native-recipe-hrnn-metadata.md) resepnya, tetapi memungkinkan Anda mendapatkan rekomendasi untuk item baru.
Selain itu, Anda dapat menggunakan resep HRNNN-ColdStart ketika Anda ingin mengecualikan dari item pelatihan yang memiliki daftar panjang interaksi baik karena tren popularitas baru-baru ini atau karena interaksi mungkin sangat tidak biasa dan menimbulkan kebisingan dalam pelatihan. Dengan HRNN-ColdStart, Anda dapat memfilter item yang kurang relevan untuk membuat subset untuk pelatihan. Subset item, yang disebut item *dingin*, adalah item yang memiliki peristiwa interaksi terkait dalam kumpulan data interaksi Item. Item dianggap sebagai item dingin jika memiliki yang berikut:
+ Interaksi lebih sedikit daripada jumlah interaksi maksimum yang ditentukan. Anda menentukan nilai ini dalam `cold_start_max_interactions` hyperparameter resep.
+ Durasi relatif yang lebih pendek dari durasi maksimum. Anda menentukan nilai ini dalam `cold_start_max_duration` hyperparameter resep.
Untuk mengurangi jumlah item dingin, tetapkan nilai yang lebih rendah untuk `cold_start_max_interactions` atau`cold_start_max_duration`. Untuk menambah jumlah item dingin, tetapkan nilai yang lebih besar untuk `cold_start_max_interactions` atau`cold_start_max_duration`.
HRNN-ColdStart memiliki batas item dingin berikut:
+ `Maximum cold start items`: 80.000
+ `Minimum cold start items`: 100
Jika jumlah item dingin berada di luar kisaran ini, upaya untuk membuat solusi akan gagal.
Resep HRNN-ColdStart memiliki sifat-sifat berikut:
+ **Nama** – `aws-hrnn-coldstart`
+ **Resep Nama Sumber Daya Amazon (ARN**) — `arn:aws:personalize:::recipe/aws-hrnn-coldstart`
+ **Algoritma ARN** — `arn:aws:personalize:::algorithm/aws-hrnn-coldstart`
+ **Transformasi fitur ARN** — `arn:aws:personalize:::feature-transformation/featurize_coldstart`
+ **Jenis resep** — `USER_PERSONALIZATION`
Untuk informasi selengkapnya, lihat [Memilih resep](working-with-predefined-recipes.md).
Tabel berikut menjelaskan hyperparameters untuk resep HRNN-ColdStart. *Hyperparameter adalah parameter* algoritma yang dapat Anda sesuaikan untuk meningkatkan kinerja model. Algoritma hyperparameters mengontrol bagaimana kinerja model. Hyperparameter featurisasi mengontrol cara memfilter data yang akan digunakan dalam pelatihan. Proses memilih nilai terbaik untuk hyperparameter disebut optimasi hyperparameter (HPO). Untuk informasi selengkapnya, lihat [Hyperparameters dan HPO](customizing-solution-config-hpo.md).
Tabel ini juga menyediakan informasi berikut untuk setiap hyperparameter:
+ **Rentang**: [batas bawah, batas atas]
+ **Jenis nilai**: Integer, Continuous (float), Kategoris (Boolean, daftar, string)
+ **HPO tunable**: Dapatkah parameter berpartisipasi dalam HPO?
| Nama | Penjelasan |
| --- | --- |
| Hiperparameter algoritma |
| hidden\$1dimension | Jumlah variabel tersembunyi yang digunakan dalam model. *Variabel tersembunyi* membuat ulang riwayat pembelian pengguna dan statistik item untuk menghasilkan skor peringkat. Tentukan lebih banyak dimensi tersembunyi saat kumpulan data interaksi Item Anda menyertakan pola yang lebih rumit. Menggunakan dimensi yang lebih tersembunyi membutuhkan dataset yang lebih besar dan lebih banyak waktu untuk diproses. Untuk memutuskan nilai optimal, gunakan HPO. Untuk menggunakan HPO, atur `performHPO` ke `true` saat Anda memanggil [CreateSolution](API_CreateSolution.md) dan [CreateSolutionVersion](API_CreateSolutionVersion.md) operasi. Nilai default: 149 Rentang: [32, 256] Jenis nilai: Integer HPO dapat disetel: Ya |
| bptt | Menentukan apakah akan menggunakan teknik propagasi balik melalui waktu. *Propagasi balik melalui waktu* adalah teknik yang memperbarui bobot dalam algoritme berbasis jaringan saraf berulang. Gunakan kredit jangka panjang `bptt` untuk menghubungkan hadiah yang tertunda ke acara awal. Misalnya, hadiah yang tertunda dapat berupa pembelian yang dilakukan setelah beberapa klik. Acara awal bisa menjadi klik awal. Bahkan dalam jenis acara yang sama, seperti klik, ada baiknya untuk mempertimbangkan efek jangka panjang dan memaksimalkan total hadiah. Untuk mempertimbangkan efek jangka panjang, gunakan `bptt` nilai yang lebih besar. Menggunakan `bptt` nilai yang lebih besar membutuhkan kumpulan data yang lebih besar dan lebih banyak waktu untuk diproses. Nilai default: 32 Rentang: [2, 32] Jenis nilai: Integer HPO dapat disetel: Ya |
| recency\$1mask | Menentukan apakah model harus mempertimbangkan tren popularitas terbaru dalam kumpulan data interaksi Item. Tren popularitas terbaru mungkin termasuk perubahan mendadak dalam pola yang mendasari peristiwa interaksi. Untuk melatih model yang memberi bobot lebih pada peristiwa baru-baru ini, atur `recency_mask` ke`true`. Untuk melatih model yang sama-sama menimbang semua interaksi masa lalu, atur `recency_mask` ke`false`. Untuk mendapatkan rekomendasi yang baik menggunakan bobot yang sama, Anda mungkin memerlukan kumpulan data pelatihan yang lebih besar. Nilai default: `True` Rentang: `True` atau `False` Jenis nilai: Boolean HPO dapat disetel: Ya |
| Hiperparameter featurisasi |
| cold\$1start\$1max\$1interactions | Jumlah maksimum interaksi item-pengguna suatu item harus dianggap sebagai item dingin. Nilai default: 15 Rentang: Bilangan bulat positif Jenis nilai: Integer HPO dapat disetel: Tidak |
| cold\$1start\$1max\$1duration | Durasi maksimum dalam beberapa hari relatif terhadap titik awal untuk interaksi item pengguna dianggap sebagai item awal yang dingin. Untuk mengatur titik awal interaksi user-item, atur hyperparameter. `cold_start_relative_from` Nilai default: 5.0 Rentang: Pelampung positif Jenis nilai: Float HPO dapat disetel: Tidak |
| cold\$1start\$1relative\$1from | Menentukan titik awal untuk resep HRNN-ColdStart untuk dihitung. `cold_start_max_duration` Untuk menghitung dari waktu saat ini, pilih`currentTime`. Untuk menghitung `cold_start_max_duration` dari stempel waktu item terbaru di Kumpulan data interaksi item, pilih. `latestItem` Pengaturan ini berguna jika Anda sering menambahkan item baru. Nilai default: `latestItem` Rentang:`currentTime`, `latestItem` Jenis nilai: String HPO dapat disetel: Tidak |
| min\$1user\$1history\$1length\$1percentile | Persentil minimum panjang riwayat pengguna untuk dimasukkan dalam pelatihan model. *Panjang riwayat* adalah jumlah total data tentang pengguna. Gunakan `min_user_history_length_percentile` untuk mengecualikan persentase pengguna dengan panjang riwayat pendek. Pengguna dengan riwayat singkat sering menunjukkan pola berdasarkan popularitas item, bukan kebutuhan atau keinginan pribadi pengguna. Menghapusnya dapat melatih model dengan lebih fokus pada pola yang mendasarinya dalam data Anda. Pilih nilai yang sesuai setelah Anda meninjau panjang riwayat pengguna, menggunakan histogram atau alat serupa. Kami merekomendasikan untuk menyetel nilai yang mempertahankan mayoritas pengguna, tetapi menghapus kasus tepi. Misalnya, menyetel `min__user_history_length_percentile to 0.05` dan `max_user_history_length_percentile to 0.95` menyertakan semua pengguna kecuali yang memiliki panjang riwayat di bagian bawah atau atas 5%. Nilai default: 0.0 Rentang: [0.0, 1.0] Jenis nilai: Float HPO dapat disetel: Tidak |
| max\$1user\$1history\$1length\$1percentile | Persentil maksimum panjang riwayat pengguna untuk dimasukkan dalam pelatihan model. *Panjang riwayat* adalah jumlah total data tentang pengguna. Gunakan `max_user_history_length_percentile` untuk mengecualikan persentase pengguna dengan panjang sejarah panjang karena data untuk pengguna ini cenderung mengandung noise. Misalnya, robot mungkin memiliki daftar panjang interaksi otomatis. Menghapus pengguna ini membatasi kebisingan dalam pelatihan. Pilih nilai yang sesuai setelah Anda meninjau panjang riwayat pengguna menggunakan histogram atau alat serupa. Kami merekomendasikan untuk menyetel nilai yang mempertahankan mayoritas pengguna tetapi menghapus kasus tepi. Misalnya, menyetel `min__user_history_length_percentile to 0.05` dan `max_user_history_length_percentile to 0.95` menyertakan semua pengguna kecuali yang memiliki panjang riwayat di bagian bawah atau atas 5%. Nilai default: 0,99 Rentang: [0.0, 1.0] Jenis nilai: Float HPO dapat disetel: Tidak |