Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris. # 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 |