Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris.
# Memilih resep
Saat Anda membuat solusi khusus, Anda menentukan resep dan mengonfigurasi parameter pelatihan. *Resep* adalah algoritma Amazon Personalisasi yang disiapkan untuk kasus penggunaan tertentu. Amazon Personalize menyediakan resep, berdasarkan kasus penggunaan umum, untuk model pelatihan. Saat Anda membuat versi solusi untuk solusi tersebut, Amazon Personalize melatih model yang mendukung versi solusi berdasarkan resep dan konfigurasi pelatihan.
Amazon Personalisasi resep gunakan yang berikut ini selama pelatihan:
+ Atribut yang telah ditentukan sebelumnya dari data Anda
+ Transformasi fitur yang telah ditentukan
+ Algoritma yang telah ditentukan
+ Pengaturan parameter awal untuk algoritme
Untuk mengoptimalkan model Anda, Anda dapat mengganti banyak parameter ini saat Anda membuat solusi. Untuk informasi selengkapnya, lihat [Hyperparameters dan HPO](customizing-solution-config-hpo.md).
**Topics**
+ [
## Amazon Personalisasi jenis resep berdasarkan kasus penggunaan
](#use-cases)
+ [
## Amazon Personalisasi resep
](#recipe-categories)
+ [
## Melihat resep Amazon Personalize yang tersedia
](#listing-recipes)
+ [
# Resep personalisasi-v2 pengguna
](native-recipe-user-personalization-v2.md)
+ [
# Resep Personalisasi Pengguna
](native-recipe-new-item-USER_PERSONALIZATION.md)
+ [
# Resep Trend-Now
](native-recipe-trending-now.md)
+ [
# Resep Hitung Popularitas
](native-recipe-popularity.md)
+ [
# Resep peringkat-v2 yang dipersonalisasi
](native-recipe-personalized-ranking-v2.md)
+ [
# Resep Peringkat yang Dipersonalisasi
](native-recipe-search.md)
+ [
# Resep Semantik-Kesamaan
](native-recipe-semantic-similarity.md)
+ [
# Resep Barang Serupa
](native-recipe-similar-items.md)
+ [
# Resep SIMS
](native-recipe-sims.md)
+ [
# Next-Best-Action resep
](native-recipe-next-best-action.md)
+ [
# Resep item-Affinity
](item-affinity-recipe.md)
+ [
# Item-Attribute-Affinity resep
](item-attribute-affinity-recipe.md)
+ [
# Resep HRNN Legacy
](legacy-user-personalization-recipes.md)
## Amazon Personalisasi jenis resep berdasarkan kasus penggunaan
Untuk memilih resep Anda, pertama-tama pilih kasus penggunaan Anda dari yang berikut ini dan perhatikan jenis resep yang sesuai.
+ Merekomendasikan item untuk pengguna (resep USER\$1PERSONALIZATION)
Untuk memberikan rekomendasi yang dipersonalisasi bagi pengguna Anda, latih model Anda dengan resep USER\$1PERSONALIZATION. Rekomendasi yang dipersonalisasi membantu mendorong keterlibatan dan konversi yang lebih baik.
+ Item peringkat untuk pengguna (resep PERSONALIZED\$1RANKING)
Untuk mempersonalisasi urutan daftar kurasi atau hasil penelusuran untuk pengguna Anda, latih model Anda dengan resep PERSONALIZED\$1RANKING. Resep PERSONALIZED\$1RANKING membuat daftar yang dipersonalisasi dengan memberi peringkat ulang kumpulan item masukan berdasarkan tingkat minat yang diprediksi untuk pengguna tertentu. Daftar yang dipersonalisasi meningkatkan pengalaman pelanggan dan meningkatkan loyalitas dan keterlibatan pelanggan.
+ Merekomendasikan item yang sedang tren atau populer (resep POPULAR\$1ITEMS)
Untuk merekomendasikan item yang sedang tren atau populer gunakan resep POPULAR\$1ITEMS. Anda dapat menggunakan POPULAR\$1ITEMS jika pelanggan Anda sangat menghargai apa yang berinteraksi dengan pengguna lain. Penggunaan umum termasuk merekomendasikan konten media sosial viral, artikel berita terbaru, atau video olahraga terbaru.
+ Merekomendasikan item serupa (resep RELATED\$1ITEMS)
Untuk merekomendasikan item serupa, seperti item yang sering dibeli bersama atau film yang juga ditonton pengguna lain, Anda harus menggunakan resep RELATED\$1ITEMS. Merekomendasikan item serupa dapat membantu pelanggan Anda menemukan item dan dapat meningkatkan tingkat konversi pengguna.
+ Merekomendasikan tindakan terbaik berikutnya (resep PERSONALIZED\$1ACTIONS)
Untuk merekomendasikan tindakan terbaik berikutnya bagi pengguna Anda secara real time, seperti mendaftar untuk program loyalitas Anda atau mengajukan permohonan kartu kredit, Anda harus menggunakan resep PERSONALIZED\$1ACTIONS. Merekomendasikan tindakan terbaik berikutnya dapat meningkatkan loyalitas pelanggan, menghasilkan lebih banyak pendapatan, dan meningkatkan pengalaman pengguna Anda.
+ Mendapatkan segmen pengguna (resep USER\$1SEGMENTATION)
Untuk mendapatkan segmen pengguna berdasarkan data input item, seperti pengguna yang kemungkinan besar akan berinteraksi dengan item dengan atribut tertentu, Anda harus menggunakan resep USER\$1SEGMENTATION. Mendapatkan segmen pengguna dapat membantu Anda membuat kampanye pemasaran lanjutan yang mempromosikan item yang berbeda ke segmen pengguna yang berbeda berdasarkan kemungkinan mereka akan mengambil tindakan.
## Amazon Personalisasi resep
Amazon Personalize menyediakan jenis resep berikut. Selain perbedaan perilaku, masing-masing jenis memiliki persyaratan yang berbeda untuk mendapatkan rekomendasi, seperti yang ditunjukkan pada tabel berikut.
| Jenis resep | Resep | API | Persyaratan API |
| --- | --- | --- | --- |
| USER\$1PERSONALISASI | [Personalisasi pengguna-v2](native-recipe-user-personalization-v2.md) [Personalisasi Pengguna](native-recipe-new-item-USER_PERSONALIZATION.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) | [GetRecommendations](API_RS_GetRecommendations.md) | `userId`: Diperlukan `itemId`: Tidak digunakan `inputList`: NA |
| POPULER\$1ITEM | [Trend-Sekarang](native-recipe-trending-now.md) [Hitungan Popularitas](native-recipe-popularity.md) | [GetRecommendations](API_RS_GetRecommendations.md) | `userId`: Diperlukan hanya jika Anda menerapkan filter yang membutuhkannya `itemId`: Tidak digunakan `inputList`: NA |
| PERSONALIZED\$1RANKING | [Personalisasi-peringkat-v2](native-recipe-personalized-ranking-v2.md) [Peringkat yang Dipersonalisasi](native-recipe-search.md) | [GetPersonalizedRanking](API_RS_GetPersonalizedRanking.md) | `userId`: Diperlukan `itemId`: NA `inputList`: daftar ItemId |
| RELATED\$1ITEMS | [Barang Serupa](native-recipe-similar-items.md) [SIMS](native-recipe-sims.md) [Resep Semantik-Kesamaan](native-recipe-semantic-similarity.md) | [GetRecommendations](API_RS_GetRecommendations.md) | `userId`: Diperlukan hanya jika Anda menerapkan filter yang membutuhkannya `itemId`: Diperlukan `inputList`: NA |
| PERSONALIZED\$1ACTIONS | [Tindakan Terbaik Berikutnya-](native-recipe-next-best-action.md) | [GetActionRecommendations](API_RS_GetActionRecommendations.md) | `userId`: Diperlukan `actionId`: Tidak digunakan `itemId`: Tidak digunakan `inputList`: NA |
| USER\$1SEGMENTATION | [Barang-Afinitas](item-affinity-recipe.md) [Item-Atribusi-Afinitas](item-attribute-affinity-recipe.md) | [CreateBatchSegmentJob](API_CreateBatchSegmentJob.md) | Untuk persyaratan alur kerja batch, lihat[Mendapatkan segmen pengguna dengan pekerjaan segmen batch](creating-batch-seg-job.md). |
## Melihat resep Amazon Personalize yang tersedia
Untuk melihat daftar resep yang tersedia:
+ Di konsol Amazon Personalize, pilih grup kumpulan data. Dari panel navigasi, pilih **Solusi dan resep**, dan pilih tab **Resep**.
+ Dengan AWS SDK untuk Python (Boto3), panggil [ListRecipes](API_ListRecipes.md) API.
+ Dengan AWS CLI, gunakan perintah berikut.
```
aws personalize list-recipes
```
Untuk mendapatkan informasi tentang resep menggunakan SDK for Python (Boto3), hubungi API. [DescribeRecipe](API_DescribeRecipe.md) Untuk mendapatkan informasi tentang resep menggunakan AWS CLI, gunakan perintah berikut.
```
aws personalize describe-recipe --recipe-arn recipe_arn
```
# Resep personalisasi-v2 pengguna
Resep User-Personalization-v 2 (aws-user-personalization-v2) merekomendasikan item yang akan berinteraksi dengan pengguna berdasarkan preferensi mereka. Misalnya, Anda dapat menggunakan User-Personalization-v 2 untuk menghasilkan rekomendasi film yang dipersonalisasi untuk aplikasi streaming, atau rekomendasi produk yang dipersonalisasi untuk aplikasi ritel. Kasus penggunaan lainnya termasuk membuat rekomendasi real-time untuk situs berita atau rekomendasi batch untuk kampanye pemasaran yang dipersonalisasi.
User-Personalization-v2 dapat melatih hingga 5 juta item dari interaksi Item dan kumpulan data Item. Dan itu menghasilkan rekomendasi yang lebih relevan dengan latensi lebih rendah daripada[Personalisasi Pengguna](native-recipe-new-item-USER_PERSONALIZATION.md).
Karena User-Personalization-v 2 merekomendasikan item yang paling relevan kepada pengguna berdasarkan data Anda, lebih sering merekomendasikan item yang ada dengan data interaksi. Untuk memastikan rekomendasi menyertakan item baru, Anda dapat menggunakan promosi yang menyertakan beberapa item berdasarkan stempel waktu pembuatan. Untuk informasi lebih lanjut tentang promosi, lihat[Mempromosikan item dalam rekomendasi waktu nyata](promoting-items.md).
Resep ini menggunakan arsitektur berbasis transformer untuk melatih model yang mempelajari konteks dan melacak hubungan dan pola dalam data Anda. *Transformer* adalah jenis arsitektur jaringan saraf yang mengubah atau mengubah urutan input menjadi urutan output. Untuk Amazon Personalize, urutan input adalah riwayat interaksi item pengguna dalam data Anda. Urutan output adalah rekomendasi pribadi mereka. Untuk informasi lebih lanjut tentang transformer, lihat [Apa Itu Transformer Dalam Kecerdasan Buatan?](https://aws.amazon.com/what-is/transformers-in-artificial-intelligence/) di Hub Konsep Komputasi AWS Awan.
User-personalization-v2 menggunakan model harga yang berbeda dari resep lainnya. Untuk informasi selengkapnya tentang harga, lihat Harga [Amazon Personalisasi](https://aws.amazon.com/personalize/pricing/).
**Topics**
+ [
## Fitur resep
](#user-personalization-v2-features)
+ [
## Kumpulan data yang diperlukan dan opsional
](#user-personalization-v2-datasets)
+ [
## Properti dan hiperparameter
](#user-personalization-v2-hyperparameters)
## Fitur resep
User-personalization-v2 menggunakan fitur resep Amazon Personalize berikut saat membuat rekomendasi item:
+ Personalisasi waktu nyata - Dengan personalisasi waktu nyata, Amazon Personalisasi pembaruan dan menyesuaikan rekomendasi item sesuai dengan minat pengguna yang terus berkembang. Untuk informasi selengkapnya, lihat [Personalisasi waktu nyata](use-case-recipe-features.md#about-real-time-personalization).
+ Eksplorasi — Dengan eksplorasi, rekomendasi mencakup item dengan data interaksi yang lebih sedikit atau relevansi dengan pengguna. Dengan User-Personalization-v 2, Amazon Personalize menangani konfigurasi eksplorasi untuk Anda. Untuk memastikan rekomendasi menyertakan item baru, Anda dapat menggunakan promosi untuk menyertakan item baru berdasarkan stempel waktu pembuatannya. Untuk informasi lebih lanjut tentang promosi, lihat[Mempromosikan item dalam rekomendasi waktu nyata](promoting-items.md).
+ Pembaruan otomatis - Dengan pembaruan otomatis, Amazon Personalize secara otomatis memperbarui model terbaru (versi solusi) setiap dua jam untuk mempertimbangkan item baru untuk rekomendasi. Untuk informasi selengkapnya, lihat [Pembaruan otomatis](use-case-recipe-features.md#automatic-updates).
+ Metadata dengan rekomendasi — Dengan resep User-Personalization-v 2, jika Anda memiliki kumpulan data Item dengan minimal satu kolom metadata, kampanye secara otomatis memiliki opsi untuk menyertakan metadata item dengan hasil rekomendasi. Anda tidak mengaktifkan metadata secara manual untuk kampanye Anda. Anda dapat menggunakan metadata untuk memperkaya rekomendasi di antarmuka pengguna, seperti menambahkan genre film ke komidi putar. Untuk informasi selengkapnya, lihat [Metadata item dalam rekomendasi](campaigns.md#create-campaign-return-metadata).
## Kumpulan data yang diperlukan dan opsional
Untuk menggunakan User-Personalization-v 2, Anda harus membuat kumpulan data interaksi Item dan mengimpor minimal 1000 interaksi item. Amazon Personalize menghasilkan rekomendasi terutama berdasarkan data interaksi item. Untuk informasi lebih lanjut, lihat[Data interaksi item](interactions-datasets.md). User-Personalization-v2 dapat melatih hingga 5 juta item di seluruh interaksi Item dan kumpulan data Item.
Dengan User-Personalization-v 2, Amazon Personalize dapat menggunakan data interaksi Item yang mencakup hal-hal berikut:
+ Jenis peristiwa dan data nilai peristiwa - Amazon Personalize menggunakan data tipe peristiwa, seperti jenis peristiwa klik atau tonton, untuk mengidentifikasi maksud dan minat pengguna melalui pola apa pun dalam perilaku mereka. Selain itu, Anda dapat menggunakan jenis peristiwa dan data nilai acara untuk memfilter catatan sebelum pelatihan. Untuk informasi selengkapnya, lihat [Jenis peristiwa dan data nilai acara](interactions-datasets.md#event-type-and-event-value-data).
**catatan**
Dengan User-Personalization-v 2, biaya pelatihan Anda didasarkan pada data interaksi Anda sebelum memfilter berdasarkan jenis atau nilai acara. Untuk informasi selengkapnya tentang harga, lihat Harga [Amazon Personalisasi](https://aws.amazon.com/personalize/pricing/).
+ Metadata kontekstual — Metadata kontekstual adalah data interaksi yang Anda kumpulkan di lingkungan pengguna pada saat kejadian, seperti lokasi atau jenis perangkat mereka. Untuk informasi selengkapnya, lihat [Metadata kontekstual](interactions-datasets.md#interactions-contextual-metadata).
Kumpulan data berikut bersifat opsional dan dapat meningkatkan rekomendasi:
+ Kumpulan data pengguna — Amazon Personalize dapat menggunakan data dalam kumpulan data Pengguna Anda untuk lebih memahami pengguna Anda dan minat mereka. Anda juga dapat menggunakan data dalam kumpulan data Pengguna untuk memfilter rekomendasi. Untuk informasi tentang data pengguna yang dapat Anda impor, lihat[Metadata pengguna](users-datasets.md).
+ Kumpulan data item — Amazon Personalize dapat menggunakan data dalam kumpulan data Item Anda untuk mengidentifikasi koneksi dan pola dalam perilakunya. Ini membantu Amazon Personalisasi memahami pengguna Anda dan minat mereka. Anda juga dapat menggunakan data dalam kumpulan data Item untuk memfilter rekomendasi. Untuk informasi tentang data item yang dapat Anda impor, lihat[Metadata barang](items-datasets.md).
## Properti dan hiperparameter
Resep User-Personalization-v 2 memiliki sifat sebagai berikut:
+ **Nama** – `aws-user-personalization-v2`
+ **Resep Nama Sumber Daya Amazon (ARN**) — `arn:aws:personalize:::recipe/aws-user-personalization-v2`
+ **Algoritma ARN** — `arn:aws:personalize:::algorithm/aws-user-personalization-v2`
Untuk informasi selengkapnya, lihat [Memilih resep](working-with-predefined-recipes.md).
Tabel berikut menjelaskan hiperparameter untuk resep User-Personalization-v 2. *Hyperparameter adalah parameter* algoritma yang dapat Anda sesuaikan untuk meningkatkan kinerja model. Algoritma hyperparameters mengontrol bagaimana kinerja model. Proses memilih nilai terbaik untuk hyperparameter disebut optimasi hyperparameter (HPO). Dengan User-Personalization-v 2, jika Anda mengaktifkan pelatihan otomatis, Amazon Personalize secara otomatis melakukan HPO setiap 90 hari. Tanpa pelatihan otomatis, tidak ada HPO yang terjadi.
Tabel memberikan informasi berikut untuk setiap hyperparameter:
+ **Rentang**: [batas bawah, batas atas]
+ **Jenis nilai**: Integer, Continuous (float), Kategoris (Boolean, daftar, string)
| Nama | Penjelasan |
| --- | --- |
| Hiperparameter algoritma |
| apply\$1recency\$1bias | Menentukan apakah model harus memberi bobot lebih pada data interaksi item terbaru dalam kumpulan data interaksi Item Anda. Data interaksi terbaru mungkin mencakup perubahan mendadak dalam pola yang mendasari peristiwa interaksi. Untuk melatih model yang memberi bobot lebih pada peristiwa baru-baru ini, atur `apply_recency_bias` ke`true`. Untuk melatih model yang sama-sama menimbang semua interaksi masa lalu, atur `apply_recency_bias` ke`false`. Nilai default: `true` Rentang: `true` atau `false` Jenis nilai: Boolean HPO dapat disetel: Tidak |
# Resep Personalisasi Pengguna
**penting**
Kami merekomendasikan menggunakan resep [User-personalisasi-v2](native-recipe-user-personalization-v2.md). Ini dapat mempertimbangkan hingga 5 juta item dengan pelatihan yang lebih cepat, dan menghasilkan rekomendasi yang lebih relevan dengan latensi yang lebih rendah.
Resep User-Personalization (aws-user-personalization) dioptimalkan untuk semua skenario rekomendasi yang dipersonalisasi. Ini memprediksi item yang kemungkinan besar akan berinteraksi dengan pengguna. Anda dapat menggunakan Personalisasi Pengguna untuk menghasilkan rekomendasi film yang dipersonalisasi untuk aplikasi streaming atau rekomendasi produk yang dipersonalisasi untuk aplikasi ritel.
Dengan Personalisasi Pengguna, Amazon Personalize menghasilkan rekomendasi terutama berdasarkan data interaksi item pengguna dalam kumpulan data interaksi Item. Itu juga dapat menggunakan item dan metadata pengguna apa pun di kumpulan data Item dan Pengguna Anda. Untuk informasi selengkapnya tentang data yang digunakannya, lihat[Kumpulan data yang diperlukan dan opsional](#user-personalization-datasets).
**Topics**
+ [
## Fitur resep
](#user-personalization-features)
+ [
## Kumpulan data yang diperlukan dan opsional
](#user-personalization-datasets)
+ [
## Properti dan hiperparameter
](#bandit-hyperparameters)
+ [
## Pelatihan dengan resep Personalisasi Pengguna (konsol)
](#training-user-personalization-recipe-console)
+ [
## Pelatihan dengan resep User-Personalization (Python SDK)
](#training-user-personalization-recipe)
+ [
## Mendapatkan rekomendasi dan merekam tayangan (SDK for Python (Boto3))
](#user-personalization-get-recommendations-recording-impressions)
+ [
## Contoh notebook Jupyter
](#bandits-sample-notebooks)
## Fitur resep
Personalisasi Pengguna menggunakan fitur resep Amazon Personalize berikut saat membuat rekomendasi item:
+ Personalisasi waktu nyata - Dengan personalisasi waktu nyata, Amazon Personalisasi pembaruan dan menyesuaikan rekomendasi item sesuai dengan minat pengguna yang terus berkembang. Untuk informasi selengkapnya, lihat [Personalisasi waktu nyata](use-case-recipe-features.md#about-real-time-personalization).
+ Eksplorasi — Dengan eksplorasi, rekomendasi mencakup item atau item baru dengan data interaksi yang lebih sedikit. Ini meningkatkan penemuan dan keterlibatan item saat Anda memiliki katalog yang berubah dengan cepat, atau ketika item baru, seperti artikel berita atau promosi, lebih relevan bagi pengguna saat baru. Untuk informasi lebih lanjut tentang eksplorasi, lihat[Eksplorasi](use-case-recipe-features.md#about-exploration).
+ Pembaruan otomatis - Dengan pembaruan otomatis, Amazon Personalize secara otomatis memperbarui model terbaru (versi solusi) setiap dua jam untuk mempertimbangkan item baru untuk rekomendasi. Untuk informasi selengkapnya, lihat [Pembaruan otomatis](use-case-recipe-features.md#automatic-updates).
## Kumpulan data yang diperlukan dan opsional
Untuk menggunakan Personalisasi Pengguna, Anda harus membuat [kumpulan data interaksi Item](interactions-datasets.md) dan mengimpor minimal 1000 interaksi item. Amazon Personalize menghasilkan rekomendasi terutama berdasarkan data interaksi item.
Dengan Personalisasi Pengguna, Amazon Personalize dapat menggunakan data interaksi Item yang mencakup hal-hal berikut:
+ Jenis peristiwa dan data nilai peristiwa - Amazon Personalize menggunakan data tipe peristiwa, seperti jenis peristiwa klik atau tonton, untuk mengidentifikasi maksud dan minat pengguna melalui pola apa pun dalam perilaku mereka. Selain itu, Anda dapat menggunakan jenis peristiwa dan data nilai acara untuk memfilter catatan sebelum pelatihan. Untuk informasi selengkapnya, lihat [Jenis peristiwa dan data nilai acara](interactions-datasets.md#event-type-and-event-value-data).
+ Metadata kontekstual — Metadata kontekstual adalah data interaksi yang Anda kumpulkan di lingkungan pengguna pada saat kejadian, seperti lokasi atau jenis perangkat mereka. Untuk informasi selengkapnya, lihat [Metadata kontekstual](interactions-datasets.md#interactions-contextual-metadata).
+ Data tayangan — Tayangan adalah daftar item yang terlihat oleh pengguna saat berinteraksi dengan (diklik, ditonton, dibeli, dan sebagainya) item tertentu. Untuk informasi selengkapnya, lihat [Data tayangan](interactions-datasets.md#interactions-impressions-data).
Kumpulan data berikut bersifat opsional dan dapat meningkatkan rekomendasi:
+ Kumpulan data pengguna — Amazon Personalize dapat menggunakan data dalam kumpulan data Pengguna Anda untuk lebih memahami pengguna Anda dan minat mereka. Anda juga dapat menggunakan data dalam kumpulan data Pengguna untuk memfilter rekomendasi. Untuk informasi tentang data pengguna yang dapat Anda impor, lihat[Metadata pengguna](users-datasets.md).
+ Kumpulan data item — Amazon Personalize dapat menggunakan data dalam kumpulan data Item Anda untuk mengidentifikasi koneksi dan pola dalam perilakunya. Ini membantu Amazon Personalisasi memahami pengguna Anda dan minat mereka. Anda juga dapat menggunakan data dalam kumpulan data Item untuk memfilter rekomendasi. Untuk informasi tentang data item yang dapat Anda impor, lihat[Metadata barang](items-datasets.md).
## Properti dan hiperparameter
Resep User-Personalization memiliki properti berikut:
+ **Nama** – `aws-user-personalization`
+ **Resep Nama Sumber Daya Amazon (ARN**) — `arn:aws:personalize:::recipe/aws-user-personalization`
+ **Algoritma ARN** — `arn:aws:personalize:::algorithm/aws-user-personalization`
Untuk informasi selengkapnya, lihat [Memilih resep](working-with-predefined-recipes.md).
Tabel berikut menjelaskan hyperparameters untuk resep User-Personalization. *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 memberikan 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 | Deskripsi |
| --- | --- |
| 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 menentukan nilai terbaik, 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 |
| 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 |
| Hiperparameter konfigurasi kampanye eksplorasi item |
| exploration\$1weight | Menentukan seberapa sering rekomendasi menyertakan item dengan data interaksi item yang lebih sedikit atau relevansi. Semakin dekat nilainya ke 1,0, semakin banyak eksplorasi. Pada nol, tidak ada eksplorasi terjadi dan rekomendasi didasarkan pada data saat ini (relevansi). Untuk mengetahui informasi selengkapnya, lihat [CampaignConfig](API_CampaignConfig.md). Nilai default: 0,3 Rentang: [0.0, 1.0] Jenis nilai: Float HPO dapat disetel: Tidak |
| exploration\$1item\$1age\$1cut\$1off | Tentukan usia item maksimum dalam beberapa hari sejak interaksi terbaru di semua item di Kumpulan data interaksi item. Ini mendefinisikan ruang lingkup eksplorasi item berdasarkan usia item. Amazon Personalize menentukan usia item berdasarkan stempel waktu pembuatannya atau, jika data stempel waktu pembuatan tidak ada, data interaksi item. Untuk informasi selengkapnya cara Amazon Personalize menentukan usia item, lihat. [Data stempel waktu pembuatan](items-datasets.md#creation-timestamp-data) Untuk meningkatkan item yang dipertimbangkan Amazon Personalize selama eksplorasi, masukkan nilai yang lebih besar. Minimal adalah 1 hari dan defaultnya adalah 30 hari. Rekomendasi mungkin mencakup item yang lebih tua dari potongan usia item yang Anda tentukan. Ini karena item ini relevan dengan pengguna dan eksplorasi tidak mengidentifikasinya. Nilai default: 30,0 Rentang: Pelampung positif Jenis nilai: Float HPO dapat disetel: Tidak |
## Pelatihan dengan resep Personalisasi Pengguna (konsol)
Untuk menggunakan resep User-Personalization untuk menghasilkan rekomendasi di konsol, pertama-tama latih versi solusi baru menggunakan resep. Kemudian terapkan kampanye menggunakan versi solusi dan gunakan kampanye untuk mendapatkan rekomendasi.
**Melatih versi solusi baru dengan resep User-Personalization (konsol)**
1. Buka konsol Amazon Personalize di [https://console.aws.amazon.com/personalize/rumah](https://console.aws.amazon.com/personalize/home) dan masuk ke akun Anda.
1. Buat grup kumpulan data khusus dengan skema baru dan unggah kumpulan data Anda dengan data tayangan. Secara opsional sertakan [CREATION\$1TIMESTAMP]() dan [Metadata teks tidak terstruktur](items-datasets.md#text-data) data dalam kumpulan data Item Anda sehingga Amazon Personalize dapat menghitung usia item dengan lebih akurat dan mengidentifikasi item dingin.
Untuk informasi selengkapnya tentang mengimpor data, lihat[Mengimpor data pelatihan ke Amazon Personalize dataset](import-data.md).
1. Pada halaman **grup Dataset, pilih grup kumpulan** data baru yang berisi kumpulan data atau kumpulan data dengan data tayangan.
1. Di panel navigasi, pilih **Solusi dan resep dan** pilih **Buat solusi**.
1. Pada halaman **Buat solusi**, untuk **nama Solusi**, masukkan nama solusi baru Anda.
1. Untuk **tipe Solusi**, pilih **Rekomendasi item** untuk mendapatkan rekomendasi item bagi pengguna Anda.
1. Untuk **Resep**, pilih **aws-user-personalization**. Bagian **konfigurasi Solusi** muncul menyediakan beberapa opsi konfigurasi.
1. Dalam **konfigurasi Peristiwa**, jika kumpulan data interaksi Item Anda memiliki EVENT\$1TYPE atau kolom EVENT\$1TYPE dan EVENT\$1VALUE, gunakan kolom Tipe peristiwa dan ambang nilai **Peristiwa** secara opsional **untuk memilih data interaksi item yang digunakan Amazon Personalize** saat melatih model. Untuk informasi selengkapnya, lihat [Memilih data interaksi item yang digunakan untuk pelatihan](event-values-types.md).
Jika Anda memiliki beberapa jenis acara dan menggunakan resep User-Personalization-v 2 atau Personalized-Ranking-v 2 resep, Anda juga dapat menentukan bobot yang berbeda untuk jenis yang berbeda. Misalnya, Anda dapat mengonfigurasi solusi untuk memberikan bobot lebih untuk membeli acara daripada peristiwa klik. Untuk informasi selengkapnya, lihat [Mengoptimalkan solusi dengan konfigurasi peristiwa](optimizing-solution-events-config.md).
1. Konfigurasikan hyperparameters secara opsional untuk solusi Anda. Untuk daftar properti resep Personalisasi Pengguna dan hiperparameter, lihat. [Properti dan hiperparameter](#bandit-hyperparameters)
1. Pilih **Buat dan latih solusi** untuk memulai pelatihan. Halaman **Dashboard** ditampilkan.
Anda dapat menavigasi ke halaman detail solusi untuk melacak kemajuan pelatihan di bagian **Versi solusi**. Saat pelatihan selesai, statusnya **Aktif**.
**Membuat kampanye dan mendapatkan rekomendasi (konsol)**
Ketika status versi solusi Anda **Aktif**, Anda siap untuk membuat kampanye dan mendapatkan rekomendasi sebagai berikut:
1. Di halaman detail solusi atau halaman **Kampanye**, pilih **Buat kampanye baru**.
1. Pada halaman **Buat kampanye baru**, untuk **detail Kampanye**, berikan informasi berikut:
+ **Nama kampanye:** Masukkan nama kampanye. Teks yang Anda masukkan di sini muncul di dasbor Kampanye dan halaman detail.
+ **Solusi:** Pilih solusi yang baru saja Anda buat.
+ **ID versi solusi:** Pilih ID versi solusi yang baru saja Anda buat.
+ Transaksi **minimum yang disediakan per detik: Tetapkan transaksi** minimum yang disediakan per detik yang didukung Amazon Personalize. Untuk informasi lebih lanjut, lihat [CreateCampaign](API_CreateCampaign.md) operasi.
1. Untuk **konfigurasi Kampanye**, berikan informasi berikut:
+ **Bobot eksplorasi:** Konfigurasikan berapa banyak yang harus dijelajahi, di mana rekomendasi menyertakan item dengan data interaksi item yang lebih sedikit atau relevansi lebih sering, semakin banyak eksplorasi yang Anda tentukan. Semakin dekat nilainya ke 1, semakin banyak eksplorasi. Pada nol, tidak ada eksplorasi terjadi dan rekomendasi didasarkan pada data saat ini (relevansi).
+ **Pemotongan usia item eksplorasi**: Masukkan usia item maksimum, dalam beberapa hari sejak interaksi terbaru, untuk menentukan ruang lingkup eksplorasi item. Untuk menambah jumlah item yang dipertimbangkan Amazon Personalize selama eksplorasi, masukkan nilai yang lebih besar.
Misalnya, jika Anda memasukkan 10, hanya item dengan data interaksi item dari 10 hari sejak interaksi terbaru dalam kumpulan data yang dipertimbangkan selama eksplorasi.
**catatan**
Rekomendasi mungkin termasuk item tanpa data interaksi item dari luar kerangka waktu ini. Ini karena item ini relevan dengan minat pengguna, dan eksplorasi tidak diperlukan untuk mengidentifikasi mereka.
1. Pilih **Buat kampanye**.
1. Pada halaman detail kampanye, ketika status kampanye **Aktif**, Anda dapat menggunakan kampanye untuk mendapatkan rekomendasi dan merekam tayangan. Untuk informasi selengkapnya, lihat [Langkah 5: Dapatkan rekomendasi](getting-started-console.md#getting-started-console-get-recommendations) di “Memulai.”
Amazon Personalize secara otomatis memperbarui versi solusi terbaru Anda setiap dua jam untuk menyertakan data baru. Kampanye Anda secara otomatis menggunakan versi solusi yang diperbarui. Untuk informasi selengkapnya, lihat [Pembaruan otomatis](use-case-recipe-features.md#automatic-updates).
Untuk memperbarui kampanye secara manual, pertama-tama Anda membuat dan melatih versi solusi baru menggunakan konsol atau [CreateSolutionVersion](API_CreateSolutionVersion.md) operasi, dengan `trainingMode` disetel ke`update`. Anda kemudian memperbarui kampanye secara manual di halaman **Kampanye** konsol atau dengan menggunakan [UpdateCampaign](API_UpdateCampaign.md) operasi.
**catatan**
Amazon Personalize tidak secara otomatis memperbarui versi solusi yang Anda buat sebelum 17 November 2020.
## Pelatihan dengan resep User-Personalization (Python SDK)
Ketika Anda telah membuat grup kumpulan data dan mengunggah kumpulan data Anda dengan data tayangan, Anda dapat melatih solusi dengan resep Personalisasi Pengguna. Secara opsional sertakan [CREATION\$1TIMESTAMP]() dan [Metadata teks tidak terstruktur](items-datasets.md#text-data) data dalam kumpulan data Item Anda sehingga Amazon Personalize dapat menghitung usia item dengan lebih akurat dan mengidentifikasi item dingin. Untuk informasi selengkapnya tentang membuat grup kumpulan data dan mengunggah data pelatihan, lihat. [Membuat file JSON skema untuk skema Amazon Personalize](how-it-works-dataset-schema.md)
**Untuk melatih solusi dengan resep User-Personalization menggunakan SDK AWS**
1. Buat solusi baru menggunakan `create_solution` metode ini.
Ganti `solution name` dengan nama solusi Anda dan `dataset group arn` dengan Amazon Resource Name (ARN) grup dataset Anda.
```
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)
```
Untuk daftar properti aws-user-personalization resep dan hiperparameter, lihat[Properti dan hiperparameter](#bandit-hyperparameters).
1. Buat *versi solusi* baru dengan data pelatihan yang diperbarui dan atur `trainingMode` untuk `FULL` menggunakan cuplikan kode berikut. Ganti `solution arn` dengan ARN solusi Anda.
```
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. Setelah Amazon Personalize selesai membuat versi solusi, buat kampanye dengan parameter berikut:
+ Berikan yang baru `campaign name` dan yang `solution version arn` dihasilkan pada langkah 2.
+ Ubah hyperparameter konfigurasi eksplorasi `explorationWeight` item untuk mengonfigurasi berapa banyak yang harus dijelajahi. Item dengan data interaksi item yang lebih sedikit atau relevansi direkomendasikan lebih sering semakin dekat nilainya ke 1.0. Nilai defaultnya adalah 0,3.
+ Ubah parameter hyperparameter konfigurasi eksplorasi `explorationItemAgeCutOff` item untuk memberikan durasi maksimum, dalam beberapa hari relatif terhadap interaksi terbaru, yang itemnya harus dieksplorasi. Semakin besar nilainya, semakin banyak item yang dipertimbangkan selama eksplorasi.
Gunakan cuplikan Python berikut untuk membuat kampanye baru dengan penekanan pada eksplorasi dengan cut-off eksplorasi pada 30 hari. Membuat kampanye biasanya memakan waktu beberapa menit tetapi dapat memakan waktu lebih dari satu jam.
```
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)
```
Dengan Personalisasi Pengguna, Amazon Personalize secara otomatis memperbarui versi solusi Anda setiap dua jam untuk menyertakan data baru. Kampanye Anda secara otomatis menggunakan versi solusi yang diperbarui. Untuk informasi selengkapnya, lihat [Pembaruan otomatis](use-case-recipe-features.md#automatic-updates).
Untuk memperbarui kampanye secara manual, pertama-tama Anda membuat dan melatih versi solusi baru menggunakan konsol atau [CreateSolutionVersion](API_CreateSolutionVersion.md) operasi, dengan `trainingMode` disetel ke`update`. Anda kemudian memperbarui kampanye secara manual di halaman **Kampanye** konsol atau dengan menggunakan [UpdateCampaign](API_UpdateCampaign.md) operasi.
**catatan**
Amazon Personalize tidak secara otomatis memperbarui versi solusi yang Anda buat sebelum 17 November 2020.
## Mendapatkan rekomendasi dan merekam tayangan (SDK for Python (Boto3))
Saat kampanye dibuat, Anda dapat menggunakannya untuk mendapatkan rekomendasi bagi pengguna dan merekam tayangan. Untuk informasi tentang mendapatkan rekomendasi batch menggunakan AWS SDKs lihat[Membuat pekerjaan inferensi batch ()AWS SDKs](creating-batch-inference-job.md#batch-sdk).
**Untuk mendapatkan rekomendasi dan merekam tayangan**
1. Panggil metode `get_recommendations`. Ubah `campaign arn` ke ARN kampanye baru Anda dan `user id` ke userID pengguna.
```
import boto3
rec_response = personalize_runtime.get_recommendations(campaignArn = 'campaign arn', userId = 'user id')
print(rec_response['recommendationId'])
```
1. Buat pelacak acara baru untuk mengirim PutEvents permintaan. Ganti `event tracker name` dengan nama pelacak acara Anda dan `dataset group arn` dengan ARN grup dataset Anda.
```
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. Gunakan `recommendationId` dari langkah 1 dan `event tracking id` dari langkah 2 untuk membuat `PutEvents` permintaan baru. Permintaan ini mencatat data tayangan baru dari sesi pengguna. Ubah `user id` ke ID pengguna.
```
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']],
}]
)
```
## Contoh notebook Jupyter
[Untuk contoh buku catatan Jupyter yang menunjukkan cara menggunakan resep Personalisasi Pengguna, lihat Personalisasi Pengguna dengan Eksplorasi.](https://github.com/aws-samples/amazon-personalize-samples/blob/master/next_steps/core_use_cases/user_personalization/user-personalization-with-exploration.ipynb)
# Resep Trend-Now
Resep Trending-Now (aws-trending-now) menghasilkan rekomendasi untuk item yang dengan cepat menjadi lebih populer di kalangan pengguna Anda. Anda dapat menggunakan resep Trending-Now jika item yang semakin populer lebih relevan bagi pelanggan Anda. Misalnya, pelanggan Anda mungkin sangat menghargai apa yang berinteraksi dengan pengguna lain. Penggunaan umum termasuk merekomendasikan konten media sosial viral, artikel berita terbaru, atau video olahraga terbaru.
Trending-Now secara otomatis mengidentifikasi item tren teratas dengan menghitung peningkatan interaksi yang dimiliki setiap item selama interval waktu yang dapat dikonfigurasi. Item dengan tingkat kenaikan tertinggi dianggap sebagai item yang sedang tren. Waktu didasarkan pada data stempel waktu dalam kumpulan data interaksi Item Anda. Item yang dipertimbangkan berasal dari data interaksi yang Anda impor secara massal dan bertahap. Anda tidak perlu membuat versi solusi baru secara manual untuk Trending-Now untuk mempertimbangkan item baru dalam data interaksi.
Anda dapat menentukan interval waktu dengan memberikan `Trend discovery frequency` ketika Anda membuat solusi Anda. Misalnya, jika Anda menentukan `30 minutes` untuk`Trend discovery frequency`, untuk setiap 30 menit data, Amazon Personalize mengidentifikasi item dengan tingkat peningkatan interaksi terbesar sejak evaluasi terakhir. Frekuensi yang mungkin termasuk 30 menit, 1 jam, 3 jam, dan 1 hari. Pilih frekuensi yang selaras dengan distribusi data interaksi Anda. Data yang hilang selama interval yang Anda pilih dapat mengurangi akurasi rekomendasi. Jika Anda mengimpor nol interaksi selama dua interval waktu terakhir, Amazon Personalize hanya merekomendasikan item populer, bukan item yang sedang tren.
Dengan Trending-Now, Anda memanggil [GetRecommendations](API_RS_GetRecommendations.md) operasi atau mendapatkan rekomendasi di halaman **kampanye Uji di konsol** Amazon Personalize. Amazon Personalize mengembalikan item tren teratas. Anda lulus `userId` dalam permintaan Anda hanya jika Anda menerapkan filter yang membutuhkannya. Dengan GetRecommendations API, Anda dapat mengonfigurasi jumlah item yang sedang tren yang dikembalikan dengan `numResults` parameter. Anda tidak bisa mendapatkan rekomendasi batch dengan resep Trending-Now.
Untuk menggunakan Trending-Now, Anda harus membuat kumpulan data interaksi Item dengan setidaknya 1000 interaksi historis dan peristiwa unik yang digabungkan (setelah difilter oleh EventType dan, jika disediakan). eventValueThreshold Saat membuat rekomendasi item yang sedang tren, Trending-Now tidak menggunakan data dalam kumpulan data Item atau Pengguna. Namun, Anda masih dapat memfilter rekomendasi berdasarkan data dalam kumpulan data ini. Untuk informasi selengkapnya, lihat [Memfilter rekomendasi dan segmen pengguna](filter.md).
**Topics**
+ [
## Properti dan hiperparameter
](#trending-now-hyperparameters)
+ [
## Membuat solusi (SDK untuk Python (Boto3))
](#trending-now-python)
+ [
## Contoh notebook Jupyter
](#trending-now-sample-notebooks)
## Properti dan hiperparameter
Resep Trending-Now memiliki sifat-sifat berikut:
+ **Nama** – `aws-trending-now`
+ **Resep Nama Sumber Daya Amazon (ARN**) — `arn:aws:personalize:::recipe/aws-trending-now`
+ **Algoritma ARN** — `arn:aws:personalize:::algorithm/aws-trending-now-custom`
Untuk informasi selengkapnya, lihat [Memilih resep](working-with-predefined-recipes.md).
Tabel berikut menjelaskan hyperparameters untuk resep Trending-Now. *Hyperparameter adalah parameter* algoritma yang dapat Anda sesuaikan untuk meningkatkan kinerja model. Algoritma hyperparameters mengontrol bagaimana kinerja model. 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 | Deskripsi |
| --- | --- |
| Hiperparameter transformasi fitur |
| Trend discovery frequency | Tentukan seberapa sering Amazon Personalize mengevaluasi data interaksi Anda dan mengidentifikasi item yang sedang tren. Misalnya, jika Anda menentukan `30 minutes``Trend discovery frequency`, setiap 30 menit Amazon Personalize mengidentifikasi item dengan tingkat peningkatan interaksi terbesar selama interval 30 menit. Frekuensi yang tersedia meliputi 30 menit, 1 jam, 2 jam, 3 jam, dan 1 hari. Pilih frekuensi yang selaras dengan distribusi data interaksi Anda. Data yang hilang selama interval yang Anda pilih dapat mengurangi akurasi rekomendasi. Jika Anda menggunakan operasi CreateSolution API dan tidak menentukan nilai, defaultnya adalah setiap 2 jam. Untuk nilai parameter apa pun yang lebih besar dari 2 jam, Amazon Personalize secara otomatis menyegarkan rekomendasi item yang sedang tren setiap 2 jam untuk memperhitungkan interaksi baru dan item baru. Nilai default: 2 jam Nilai yang mungkin: 30 menit, 1 jam, 2 jam, 3 jam, dan 1 hari. Jenis nilai: String HPO dapat disetel: Tidak |
## Membuat solusi (SDK untuk Python (Boto3))
Kode berikut menunjukkan cara membuat solusi dengan resep Trending-Now menggunakan SDK for Python (Boto3). Nilai yang mungkin untuk `trend_discovery_frequency` adalah`30 minutes`,`1 hour`,`3 hours`, dan`1 day`. Untuk informasi tentang membuat solusi dengan konsol, lihat[Membuat solusi (konsol)](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'])
```
## Contoh notebook Jupyter
Untuk contoh notebook Jupyter yang menunjukkan cara menggunakan resep Trending-Now, lihat [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) di repositori Amazon Personalize samples. GitHub
# Resep Hitung Popularitas
Popularity-Count merekomendasikan item paling populer berdasarkan data interaksi Anda. Item yang paling populer adalah item dengan data interaksi terbanyak dari pengguna unik. Resep mengembalikan item populer yang sama untuk semua pengguna. Popularity-Count adalah dasar yang baik untuk membandingkan dengan resep lain menggunakan metrik evaluasi yang dihasilkan Amazon Personalize saat Anda membuat versi solusi. Untuk informasi selengkapnya, lihat [Mengevaluasi versi solusi Amazon Personalize dengan metrik](working-with-training-metrics.md).
Setelah Anda membuat versi solusi, pastikan Anda selalu memperbarui versi dan data solusi Anda. Dengan Popularity-Count, Anda harus secara manual membuat versi solusi baru (melatih ulang model) untuk Amazon Personalize untuk mempertimbangkan item baru untuk rekomendasi dan memperbarui model dengan perilaku terbaru pengguna Anda. Maka Anda harus memperbarui kampanye apa pun menggunakan versi solusi. Untuk informasi selengkapnya, lihat [Mempertahankan relevansi rekomendasi](maintaining-relevance.md).
Resep yang telah ditentukan ini memiliki sifat-sifat berikut:
+ **Nama** – `aws-popularity-count`
+ **Resep ARN** — `arn:aws:personalize:::recipe/aws-popularity-count`
+ **Algoritma ARN** — `arn:aws:personalize:::algorithm/aws-popularity-count`
+ **Transformasi fitur ARN** — `arn:aws:personalize:::feature-transformation/sims`
+ **Jenis resep** — `USER_PERSONALIZATION`
Popularity-Count tidak memiliki hiperparameter yang terbuka.
# Resep peringkat-v2 yang dipersonalisasi
Resep Personalized-Ranking-v 2 menghasilkan peringkat item yang dipersonalisasi. *Peringkat yang dipersonalisasi* adalah daftar item yang direkomendasikan yang diberi peringkat ulang berdasarkan relevansi untuk pengguna tertentu. Ini berguna jika Anda memiliki koleksi item yang dipesan, seperti hasil penelusuran, promosi, atau daftar kurasi, dan Anda ingin memberikan peringkat ulang yang dipersonalisasi untuk setiap pengguna Anda.
Personalized-Ranking-v2 dapat melatih hingga 5 juta item dari interaksi Item dan kumpulan data Item. Dan itu menghasilkan peringkat yang lebih akurat dengan latensi yang lebih rendah daripada. [Peringkat yang Dipersonalisasi](native-recipe-search.md)
Saat Anda menggunakan Personalized-Ranking-v 2, Anda menentukan item yang akan diberi peringkat dalam operasi [GetPersonalizedRanking](API_RS_GetPersonalizedRanking.md) API. Jika Anda menentukan item tanpa data interaksi, Amazon Personalize akan mengembalikan item ini tanpa skor rekomendasi dalam respons GetPersonalizedRanking API.
Resep ini menggunakan arsitektur berbasis transformer untuk melatih model yang mempelajari konteks dan melacak hubungan dan pola dalam data Anda. *Transformer* adalah jenis arsitektur jaringan saraf yang mengubah atau mengubah urutan input menjadi urutan output. Untuk Amazon Personalize, urutan input adalah riwayat interaksi item pengguna dalam data Anda. Urutan output adalah rekomendasi pribadi mereka. Untuk informasi lebih lanjut tentang transformer, lihat [Apa Itu Transformer Dalam Kecerdasan Buatan?](https://aws.amazon.com/what-is/transformers-in-artificial-intelligence/) di Hub Konsep Komputasi AWS Awan.
Personalized-ranking-v2 menggunakan model harga yang berbeda dari resep lainnya. Untuk informasi selengkapnya tentang harga, lihat Harga [Amazon Personalisasi](https://aws.amazon.com/personalize/pricing/).
**Topics**
+ [
## Fitur resep
](#personalized-ranking-v2-features)
+ [
## Kumpulan data yang diperlukan dan opsional
](#personalized-ranking-v2-datasets)
+ [
## Properti dan hiperparameter
](#personalized-ranking-v2-hyperparameters)
## Fitur resep
Personalized-ranking-v2 menggunakan fitur resep Amazon Personalize berikut saat memberi peringkat item:
+ Personalisasi waktu nyata - Dengan personalisasi waktu nyata, Amazon Personalisasi pembaruan dan menyesuaikan rekomendasi item sesuai dengan minat pengguna yang terus berkembang. Untuk informasi selengkapnya, lihat [Personalisasi waktu nyata](use-case-recipe-features.md#about-real-time-personalization).
+ Metadata dengan rekomendasi — Dengan resep Personalized-Ranking-v 2, jika Anda memiliki kumpulan data Item dengan minimal satu kolom metadata, kampanye secara otomatis memiliki opsi untuk menyertakan metadata item dengan hasil rekomendasi. Anda tidak mengaktifkan metadata secara manual untuk kampanye Anda. Anda dapat menggunakan metadata untuk memperkaya rekomendasi di antarmuka pengguna, seperti menambahkan genre film ke komidi putar. Untuk informasi selengkapnya, lihat [Metadata item dalam rekomendasi](campaigns.md#create-campaign-return-metadata).
## Kumpulan data yang diperlukan dan opsional
Untuk menggunakan Personalized-Ranking-v 2, Anda harus membuat kumpulan data interaksi Item dan mengimpor minimal 1000 interaksi item. Amazon Personalize menghasilkan peringkat terutama berdasarkan data interaksi item. Untuk informasi lebih lanjut, lihat[Data interaksi item](interactions-datasets.md). Personalized-Ranking-v2 dapat melatih hingga 5 juta item di seluruh interaksi Item dan kumpulan data Item.
Dengan Personalized-Ranking-v 2, Amazon Personalize dapat menggunakan data interaksi Item yang mencakup hal-hal berikut:
+ Jenis peristiwa dan data nilai peristiwa — Amazon Personalize menggunakan data tipe peristiwa, seperti jenis peristiwa klik atau tonton, untuk mengidentifikasi maksud dan minat pengguna melalui pola apa pun dalam perilaku mereka. Selain itu, Anda dapat menggunakan jenis peristiwa dan data nilai acara untuk memfilter catatan sebelum pelatihan. Untuk informasi selengkapnya, lihat [Jenis peristiwa dan data nilai acara](interactions-datasets.md#event-type-and-event-value-data).
**catatan**
Dengan Personalized-Ranking-v 2, biaya pelatihan Anda didasarkan pada data interaksi Anda sebelum memfilter berdasarkan jenis atau nilai acara. Untuk informasi selengkapnya tentang harga, lihat Harga [Amazon Personalisasi](https://aws.amazon.com/personalize/pricing/).
+ Metadata kontekstual — Metadata kontekstual adalah data interaksi yang Anda kumpulkan di lingkungan pengguna pada saat kejadian, seperti lokasi atau jenis perangkat mereka. Untuk informasi selengkapnya, lihat [Metadata kontekstual](interactions-datasets.md#interactions-contextual-metadata).
Kumpulan data berikut bersifat opsional dan dapat meningkatkan rekomendasi:
+ Kumpulan data pengguna — Amazon Personalize dapat menggunakan data dalam kumpulan data Pengguna Anda untuk lebih memahami pengguna Anda dan minat mereka. Anda juga dapat menggunakan data dalam kumpulan data Pengguna untuk memfilter rekomendasi. Untuk informasi tentang data pengguna yang dapat Anda impor, lihat[Metadata pengguna](users-datasets.md).
+ Kumpulan data item — Amazon Personalize dapat menggunakan data dalam kumpulan data Item Anda untuk mengidentifikasi koneksi dan pola dalam perilakunya. Ini membantu Amazon Personalisasi memahami pengguna Anda dan minat mereka. Anda juga dapat menggunakan data dalam kumpulan data Item untuk memfilter rekomendasi. Untuk informasi tentang data item yang dapat Anda impor, lihat[Metadata barang](items-datasets.md).
## Properti dan hiperparameter
Resep Personalized-Ranking-v 2 memiliki sifat sebagai berikut:
+ **Nama** – `aws-personalized-ranking-v2`
+ **Resep Nama Sumber Daya Amazon (ARN**) — `arn:aws:personalize:::recipe/aws-personalized-ranking-v2`
+ **Algoritma ARN** — `arn:aws:personalize:::algorithm/aws-personalized-ranking-v2`
Untuk informasi selengkapnya, lihat [Memilih resep](working-with-predefined-recipes.md).
Tabel berikut menjelaskan hiperparameter untuk resep Personalized-Ranking-v 2. *Hyperparameter adalah parameter* algoritma yang dapat Anda sesuaikan untuk meningkatkan kinerja model. Algoritma hyperparameters mengontrol bagaimana kinerja model. Proses memilih nilai terbaik untuk hyperparameter disebut optimasi hyperparameter (HPO). Dengan Personalized-Ranking-v 2, jika Anda mengaktifkan pelatihan otomatis, Amazon Personalize secara otomatis melakukan HPO setiap 90 hari. Tanpa pelatihan otomatis, tidak ada HPO yang terjadi.
Tabel memberikan informasi berikut untuk setiap hyperparameter:
+ **Rentang**: [batas bawah, batas atas]
+ **Jenis nilai**: Integer, Continuous (float), Kategoris (Boolean, daftar, string)
| Nama | Penjelasan |
| --- | --- |
| Hiperparameter algoritma |
| apply\$1recency\$1bias | Menentukan apakah model harus memberi bobot lebih pada data interaksi item terbaru dalam kumpulan data interaksi Item Anda. Data interaksi terbaru mungkin mencakup perubahan mendadak dalam pola yang mendasari peristiwa interaksi. Untuk melatih model yang memberi bobot lebih pada peristiwa baru-baru ini, atur `apply_recency_bias` ke`true`. Untuk melatih model yang sama-sama menimbang semua interaksi masa lalu, atur `apply_recency_bias` ke`false`. Nilai default: `true` Rentang: `true` atau `false` Jenis nilai: Boolean HPO dapat disetel: Tidak |
# Resep Peringkat yang Dipersonalisasi
**penting**
Kami merekomendasikan menggunakan resep [Personalized-ranking-v2](native-recipe-personalized-ranking-v2.md). Ini dapat mempertimbangkan hingga 5 juta item dengan pelatihan yang lebih cepat, dan menghasilkan peringkat yang lebih akurat dengan latensi yang lebih rendah.
Resep Personalized-Ranking menghasilkan peringkat item yang dipersonalisasi. *Peringkat yang dipersonalisasi* adalah daftar item yang direkomendasikan yang diberi peringkat ulang untuk pengguna tertentu. Ini berguna jika Anda memiliki koleksi item yang dipesan, seperti hasil penelusuran, promosi, atau daftar kurasi, dan Anda ingin memberikan peringkat ulang yang dipersonalisasi untuk setiap pengguna Anda. Misalnya, dengan Personalized-Ranking, Amazon Personalize dapat memberi peringkat ulang hasil penelusuran yang Anda hasilkan. [OpenSearch](personalize-opensearch.md)
Untuk melatih model, resep Peringkat yang Dipersonalisasi menggunakan data dalam kumpulan data interaksi Item Anda, dan jika Anda membuatnya, kumpulan data Item dan kumpulan data Pengguna di grup kumpulan data Anda (kumpulan data ini opsional). Dengan Personalized-Ranking, dataset Item Anda dapat disertakan [Metadata teks tidak terstruktur](items-datasets.md#text-data) dan kumpulan data interaksi Item dapat disertakan. [Metadata kontekstual](interactions-datasets.md#interactions-contextual-metadata) Untuk mendapatkan peringkat yang dipersonalisasi, gunakan [GetPersonalizedRanking](API_RS_GetPersonalizedRanking.md) API.
Setelah Anda membuat versi solusi, pastikan Anda selalu memperbarui versi dan data solusi Anda. Dengan Personalized-Ranking, Anda harus secara manual membuat versi solusi baru (melatih ulang model) untuk Amazon Personalize untuk mempertimbangkan item baru untuk rekomendasi dan memperbarui model dengan perilaku terbaru pengguna Anda. Maka Anda harus memperbarui kampanye apa pun menggunakan versi solusi. Untuk informasi selengkapnya, lihat [Mempertahankan relevansi rekomendasi](maintaining-relevance.md).
**catatan**
Jika Anda memberikan item tanpa data interaksi untuk peringkat, Amazon Personalize akan mengembalikan item ini tanpa skor rekomendasi dalam respons GetPersonalizedRanking API.
Resep ini memiliki sifat sebagai berikut:
+ **Nama** – `aws-personalized-ranking`
+ **Resep Nama Sumber Daya Amazon (ARN**) — `arn:aws:personalize:::recipe/aws-personalized-ranking`
+ **Algoritma ARN** — `arn:aws:personalize:::algorithm/aws-personalized-ranking`
+ **Transformasi fitur ARN** — `arn:aws:personalize:::feature-transformation/JSON-percentile-filtering`
+ **Jenis resep** — `PERSONALIZED_RANKING`
## Hyperparameter
Tabel berikut menjelaskan hyperparameters untuk resep Personalize-Ranking. *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 |
| --- | --- |
| 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. 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 |
## Notebook sampel Peringkat yang Dipersonalisasi
[Untuk contoh buku catatan Jupyter yang menunjukkan cara menggunakan resep Personalized-Ranking, lihat Personalisasi Contoh Peringkat.](https://github.com/aws-samples/amazon-personalize-samples/blob/master/next_steps/core_use_cases/personalized_ranking/personalize_ranking_example.ipynb)
# Resep Semantik-Kesamaan
Resep Semantic-Similarity (aws-semantic-similarity) menghasilkan rekomendasi untuk item yang secara semantik mirip dengan item tertentu berdasarkan konten tekstual. Tidak seperti resep kesamaan tradisional yang mengandalkan interaksi item pengguna, resep ini menganalisis deskripsi tekstual dan atribut item untuk menghasilkan embeddings dan mengidentifikasi item yang serupa secara semantik
Resep ini sangat ideal untuk skenario di mana Anda ingin merekomendasikan item berdasarkan kesamaan konten, seperti merekomendasikan buku dengan tema serupa, artikel tentang topik terkait, atau produk dengan deskripsi serupa. Ini bekerja sangat baik untuk item baru dengan riwayat interaksi terbatas (skenario awal dingin) dan untuk katalog di mana hubungan semantik lebih penting daripada pola kejadian bersama.
Dengan Semantic-Similarity, Anda memberikan ID item dalam [GetRecommendations](https://docs.aws.amazon.com/personalize/latest/dg/API_RS_GetRecommendations.html)operasi (atau konsol Amazon Personalize) dan Amazon Personalize mengembalikan daftar item serupa. Atau Anda dapat menggunakan alur kerja batch untuk mendapatkan item serupa untuk semua item dalam inventaris Anda (lihat [Mendapatkan rekomendasi item batch](https://docs.aws.amazon.com/personalize/latest/dg/getting-batch-recommendations.html)).
**Topics**
+ [
## Fitur resep
](#semantic-similarity-features)
+ [
## Kumpulan data yang diperlukan dan opsional
](#semantic-similarity-datasets)
+ [
## Properti dan hiperparameter
](#semantic-similarity-hyperparameters)
## Fitur resep
Semantic-Similarity menggunakan fitur resep Amazon Personalize berikut saat membuat rekomendasi item:
+ Personalisasi waktu nyata - Dengan resep Semantic-Similarity, Amazon Personalize secara otomatis membuat katalog item Anda tetap up to date. Saat Anda menambahkan item baru ke kumpulan data Item atau memperbarui metadata item yang ada, perubahan ini tercermin dalam rekomendasi Anda dalam waktu sekitar 30 menit saat menggunakan pelatihan tambahan. Ini memastikan bahwa pelanggan Anda selalu melihat item terbaru yang tersedia di katalog Anda tanpa memerlukan intervensi manual atau menunggu siklus pelatihan ulang penuh. Ini sangat berharga untuk katalog yang sering berubah, seperti artikel berita, posting blog, atau penawaran produk musiman. Untuk mengaktifkan pembaruan tambahan, pelanggan harus:
+ Setel `performIncrementalUpdate` ke `true` solusi di API
+ Pilih opsi “Pelatihan Penuh dan Inkremental” atau “Pelatihan tambahan” di bawah Metode Pelatihan di UI
Perhatikan bahwa mengaktifkan pembaruan tambahan akan dikenakan biaya tambahan setiap kali pembaruan dilakukan.
+ Metadata dengan rekomendasi — Dengan resep Semantic-Similarity, kampanye secara otomatis memiliki opsi untuk menyertakan metadata item dengan hasil rekomendasi. Anda tidak mengaktifkan metadata secara manual untuk kampanye Anda. Anda dapat menggunakan metadata untuk memperkaya rekomendasi di antarmuka pengguna, seperti menambahkan genre film ke komidi putar. Untuk informasi selengkapnya, lihat [Metadata item dalam rekomendasi](https://docs.aws.amazon.com/personalize/latest/dg/campaigns.html#create-campaign-return-metadata).
## Kumpulan data yang diperlukan dan opsional
Untuk menggunakan resep Semantic-Similarity, Anda harus membuat dataset Item. Amazon Personalize menghasilkan rekomendasi berdasarkan arti semantik metadata item. Untuk informasi selengkapnya, lihat [Metadata item](https://docs.aws.amazon.com/personalize/latest/dg/items-datasets.html). Semantic-Similarity dapat melatih hingga 10 juta item dalam kumpulan data Item Anda.
Dengan Semantic-Similarity, Amazon Personalize memerlukan data Item yang mencakup hal-hal berikut
+ ItemName field - Satu bidang `itemName` string dengan set ke. `true` Bidang ini harus berisi judul atau nama item.
+ Bidang deskripsi tekstual - Setidaknya satu bidang string ditandai sebagai `textual` yang berisi deskripsi item. Ini harus menjadi bidang yang paling menggambarkan dan mewakili item.
Amazon Personalize menggunakan bidang ini untuk menghasilkan embeddings semantik yang menangkap makna dan konten item Anda.
Selain itu, bidang CREATION\$1TIMESTAMP yang dicadangkan harus disetel jika Anda ingin menggunakan peringkat berbasis kesegaran. Untuk informasi selengkapnya, lihat [Properti dan hiperparameter](#semantic-similarity-hyperparameters).
Kumpulan data berikut bersifat opsional dan dapat meningkatkan rekomendasi:
+ Kumpulan data interaksi- Amazon Personalize dapat menggunakan data dalam kumpulan data Interaksi Anda untuk menghitung skor popularitas berdasarkan keterlibatan pengguna dengan item. Anda dapat menggunakan skor popularitas untuk memberi peringkat item serupa berdasarkan seberapa populer mereka di kalangan pengguna. Anda harus menyediakan kumpulan data Interaksi jika Anda ingin menggunakan peringkat berbasis popularitas. Anda juga dapat menggunakan data dalam kumpulan data Interaksi untuk memfilter rekomendasi. Untuk informasi tentang data interaksi yang dapat Anda impor, lihat [Data interaksi item](https://docs.aws.amazon.com/personalize/latest/dg/interactions-datasets.html)
## Properti dan hiperparameter
Resep Semantic-Similarity memiliki sifat-sifat berikut:
+ **Nama** – `aws-semantic-similarity`
+ **Resep Nama Sumber Daya Amazon (ARN**) — `arn:aws:personalize:::recipe/aws-semantic-similarity`
+ **Algoritma ARN** — `arn:aws:personalize:::algorithm/aws-semantic-similarity`
+ **Transformasi fitur ARN** — `arn:aws:personalize:::feature-transformation/aws-semantic-similarity`
+ **Jenis resep** — `RELATED_ITEMS`
Untuk informasi selengkapnya, lihat [Memilih resep](working-with-predefined-recipes.md).
Resep Semantic-Similarity tidak memiliki hiperparameter yang terbuka tetapi Anda dapat mengonfigurasi faktor popularitas dan kesegaran saat membuat kampanye untuk memengaruhi peringkat item serupa.
Tabel memberikan informasi berikut untuk setiap faktor:
+ **Rentang**: [batas bawah, batas atas]
+ **Jenis nilai**: Integer, Continuous (float), Kategoris (Boolean, daftar, string)
| Nama | Deskripsi |
| --- | --- |
| Kesegaran | Faktor kesegaran mewakili seberapa baru suatu item. Kesegaran dihitung dengan menormalkan usia item berdasarkan CREATION\$1TIMESTAMP-nya. Untuk menggunakan faktor kesegaran, Anda harus menyertakan bidang CREATION\$1TIMESTAMP dalam skema kumpulan data Item Anda. Nilai faktor kesegaran yang lebih tinggi akan memprioritaskan item yang lebih baru di antara rekomendasi yang serupa secara semantik Nilai default: `0.0` Rentang: ` [0.0, 1.0]` Jenis nilai: Ganda |
| Popularitas | Faktor popularitas mewakili seberapa populer suatu item didasarkan pada interaksi pengguna. Popularitas dihitung dengan menormalkan jumlah interaksi setiap item yang diterima. Untuk menggunakan faktor popularitas, Anda harus menyertakan kumpulan data Interaksi saat membuat grup kumpulan data Anda. Nilai faktor popularitas yang lebih tinggi memprioritaskan item dengan lebih banyak interaksi pelanggan di antara rekomendasi yang serupa secara semantik. Nilai default: `0.0` Rentang: ` [0.0, 1.0]` Jenis nilai: Ganda |
Perhatikan bahwa skor kesegaran dan popularitas dihitung pada pelatihan dan pembaruan tambahan tidak akan memperbarui skor popularitas dan kesegaran. Untuk faktor popularitas dan kesegaran terbaru yang memengaruhi peringkat item yang direkomendasikan, gunakan pelatihan ulang otomatis atau latih ulang solusi secara manual dan perbarui kampanye dengan versi solusi baru.
# Resep Barang Serupa
**catatan**
Semua resep RELATED\$1ITEMS menggunakan data interaksi. Pilih Item Serupa jika Anda juga memiliki metadata item dan ingin Amazon Personalize menggunakannya untuk menemukan item serupa. Atau pilih [Resep SIMS](native-recipe-sims.md) jika Anda ingin mengkonfigurasi lebih banyak hyperparameters untuk model.
Resep Similar-Items (aws-similar-items) menghasilkan rekomendasi untuk item yang mirip dengan item yang Anda tentukan. Gunakan Item Serupa untuk membantu pelanggan menemukan item baru di katalog Anda berdasarkan perilaku dan metadata item mereka sebelumnya. Merekomendasikan item serupa dapat meningkatkan keterlibatan pengguna, rasio klik-tayang, dan rasio konversi untuk aplikasi Anda.
Item Serupa menghitung kesamaan berdasarkan data interaksi dan metadata item apa pun yang Anda berikan. Ini memperhitungkan kemunculan bersama item dalam riwayat pengguna di kumpulan data Interaksi Anda, dan kesamaan metadata item apa pun. Misalnya, dengan Similar-Items, Amazon Personalize dapat merekomendasikan item yang sering dibeli pelanggan bersama dengan style [Metadata kategoris](items-datasets.md#item-categorical-data) () yang serupa, atau film yang juga ditonton pengguna lain dengan deskripsi serupa (). [Metadata teks tidak terstruktur](items-datasets.md#text-data)
Dengan Item Serupa, Anda memberikan ID item dalam [GetRecommendations](API_RS_GetRecommendations.md) operasi (atau konsol Amazon Personalize) dan Amazon Personalize mengembalikan daftar item serupa. Atau Anda dapat menggunakan alur kerja batch untuk mendapatkan item serupa untuk semua item dalam inventaris Anda (lihat[Mendapatkan rekomendasi item batch](getting-batch-recommendations.md)). Saat Anda mendapatkan item serupa, Anda dapat memfilter item berdasarkan atribut item yang Anda tentukan dalam permintaan Anda. Anda melakukan ini dengan menambahkan`CurrentItem`. `attribute`elemen ke filter Anda. Sebagai contoh, lihat [item data filter examples](item-recommendation-filter-examples.md#item-examples).
Untuk menggunakan Item Serupa, Anda harus membuat kumpulan data interaksi Item dengan setidaknya 1000 interaksi historis dan peristiwa unik (gabungan). Untuk prediksi yang lebih akurat, sebaiknya Anda juga membuat kumpulan data Item dan mengimpor metadata tentang item di katalog Anda. Item serupa tidak menggunakan data dalam kumpulan data Pengguna saat membuat rekomendasi. Anda masih dapat memfilter rekomendasi berdasarkan data dalam kumpulan data Pengguna. Untuk informasi selengkapnya, lihat [Memfilter rekomendasi dan segmen pengguna](filter.md).
Jika Anda memiliki kumpulan data Item dengan data tekstual dan data judul item, Anda dapat membuat tema untuk item terkait dalam rekomendasi batch. Untuk informasi selengkapnya, lihat [Rekomendasi Batch dengan tema dari Content Generator](themed-batch-recommendations.md)
Anda bisa mendapatkan rekomendasi untuk item yang mirip dengan item dingin (item dengan interaksi kurang dari lima). Jika Amazon Personalize tidak dapat menemukan ID item yang Anda tentukan dalam permintaan rekomendasi atau file input batch, resep akan mengembalikan item populer sebagai rekomendasi.
Setelah Anda membuat versi solusi, pastikan Anda selalu memperbarui versi dan data solusi Anda. Dengan Similar-Items, Anda harus secara manual membuat versi solusi baru (melatih ulang model) untuk Amazon Personalize untuk mempertimbangkan item baru untuk rekomendasi dan memperbarui model dengan perilaku terbaru pengguna Anda. Maka Anda harus memperbarui kampanye apa pun menggunakan versi solusi. Untuk informasi selengkapnya, lihat [Mempertahankan relevansi rekomendasi](maintaining-relevance.md).
## Properti dan hiperparameter
Resep Similar-Items memiliki sifat-sifat berikut:
+ **Nama** – `aws-similar-items`
+ **Resep Nama Sumber Daya Amazon (ARN**) — `arn:aws:personalize:::recipe/aws-similar-items`
+ **Algoritma ARN** — `arn:aws:personalize:::algorithm/aws-similar-items`
Untuk informasi selengkapnya, lihat [Memilih resep](working-with-predefined-recipes.md).
Tabel berikut menjelaskan hiperparameter untuk resep Item Serupa. *Hyperparameter adalah parameter* algoritma yang dapat Anda sesuaikan untuk meningkatkan kinerja model. Algoritma hyperparameters mengontrol bagaimana kinerja model. 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 | Deskripsi |
| --- | --- |
| Hiperparameter algoritma |
| popularity\$1discount\$1factor | Konfigurasikan bagaimana popularitas memengaruhi rekomendasi. Tentukan nilai yang mendekati nol untuk memasukkan item yang lebih populer. Tentukan nilai yang lebih dekat dengan nilai untuk kurang menekankan pada popularitas. Nilai default: 0.0 Rentang: [0.0, 1.0] Jenis nilai: Float HPO dapat disetel: Tidak |
| item\$1id\$1hidden\$1dim | Jumlah variabel tersembunyi yang digunakan Amazon Personalize untuk memodelkan embeddings ID item berdasarkan data interaksi. *Variabel tersembunyi* membuat ulang riwayat pembelian pengguna dan statistik item untuk menghasilkan skor peringkat. Untuk menggunakannya`item_id_hidden_dim`, Anda harus menggunakan HPO dan memberikan nilai rentang minimum dan maksimum. Amazon Personalize menggunakan HPO untuk menemukan nilai terbaik dalam rentang yang Anda tentukan. Tentukan nilai maksimum yang lebih besar saat Anda memiliki kumpulan data interaksi Item yang besar. Menggunakan nilai maksimum yang lebih besar membutuhkan lebih banyak waktu untuk memproses. Untuk menggunakan HPO, atur `performHPO` ke `true` saat Anda memanggil [CreateSolution](API_CreateSolution.md) operasi. Nilai default: 100 Rentang: [30, 200] Jenis nilai: Integer HPO dapat disetel: Ya |
| item\$1metadata\$1hidden\$1dim | Jumlah variabel tersembunyi yang digunakan Amazon Personalize untuk memodelkan metadata item. Untuk menggunakannya`item_metadata_hidden_dim`, Anda harus menggunakan HPO dan memberikan nilai rentang minimum dan maksimum. Amazon Personalize menggunakan HPO untuk menemukan nilai terbaik dalam rentang yang Anda tentukan. Tentukan nilai maksimum yang lebih besar saat Anda memiliki kumpulan data interaksi Item yang besar. Menggunakan maksimum yang lebih besar membutuhkan lebih banyak waktu untuk memproses. Untuk menggunakan HPO, atur `performHPO` ke `true` saat Anda memanggil [CreateSolution](API_CreateSolution.md) operasi. Nilai default: 100 Rentang: [30, 200] Jenis nilai: Integer HPO dapat disetel: Ya |
# Resep SIMS
**catatan**
Semua resep RELATED\$1ITEMS menggunakan data interaksi. Pilih SIMS jika Anda ingin mengonfigurasi lebih banyak hyperparameters untuk model. Pilih metadata item [Resep Barang Serupa](native-recipe-similar-items.md) jika Anda memiliki dan ingin Amazon Personalize menggunakannya untuk menemukan item serupa.
Resep Item-to-item persamaan (SIMS) menggunakan pemfilteran kolaboratif untuk merekomendasikan item yang paling mirip dengan item yang Anda tentukan saat Anda mendapatkan rekomendasi. SIMS menggunakan kumpulan data interaksi Item Anda, bukan metadata item seperti warna atau harga, untuk menentukan kesamaan. SIMS mengidentifikasi kemunculan bersama item dalam riwayat pengguna di kumpulan data Interaksi Anda untuk merekomendasikan item serupa. Misalnya, dengan SIMS Amazon Personalize dapat merekomendasikan item kedai kopi yang sering dibeli pelanggan bersama atau film yang juga ditonton pengguna yang berbeda.
Saat Anda mendapatkan rekomendasi item serupa, Anda dapat memfilter item berdasarkan atribut item yang Anda tentukan dalam permintaan Anda. Anda melakukan ini dengan menambahkan`CurrentItem`. `attribute`elemen ke filter Anda. Sebagai contoh, lihat [item data filter examples](item-recommendation-filter-examples.md#item-examples).
Untuk menggunakan SIMS, Anda harus membuat kumpulan data interaksi Item dengan setidaknya 1000 interaksi historis dan peristiwa unik (gabungan). SIMS tidak menggunakan data dalam kumpulan data Pengguna atau Item saat membuat rekomendasi. Anda masih dapat memfilter rekomendasi berdasarkan data dalam kumpulan data ini. Untuk informasi selengkapnya, lihat [Memfilter rekomendasi dan segmen pengguna](filter.md).
Jika tidak ada data perilaku pengguna yang cukup untuk item atau ID item yang Anda berikan tidak ditemukan, SIMS merekomendasikan item populer. Setelah Anda membuat versi solusi, pastikan Anda selalu memperbarui versi dan data solusi Anda. Dengan SIMS, Anda harus secara manual membuat versi solusi baru (melatih ulang model) untuk Amazon Personalize untuk mempertimbangkan item baru untuk rekomendasi dan memperbarui model dengan perilaku terbaru pengguna Anda. Maka Anda harus memperbarui kampanye apa pun menggunakan versi solusi. Untuk informasi selengkapnya, lihat [Mempertahankan relevansi rekomendasi](maintaining-relevance.md).
Resep SIMS memiliki sifat-sifat berikut:
+ **Nama** – `aws-sims`
+ **Resep Nama Sumber Daya Amazon (ARN**) — `arn:aws:personalize:::recipe/aws-sims`
+ **Algoritma ARN** — `arn:aws:personalize:::algorithm/aws-sims`
+ **Transformasi fitur ARN** — `arn:aws:personalize:::feature-transformation/sims`
+ **Jenis resep** — `RELATED_ITEMS`
Tabel berikut menjelaskan hiperparameter untuk resep SIMS. *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 | Deskripsi |
| --- | --- |
| Hiperparameter algoritma |
| popularity\$1discount\$1factor | Konfigurasikan bagaimana popularitas memengaruhi rekomendasi. Tentukan nilai yang mendekati nol untuk memasukkan item yang lebih populer. Tentukan nilai yang lebih dekat dengan nilai untuk kurang menekankan pada popularitas. Nilai default: 0,5 Rentang: [0.0, 1.0] Jenis nilai: Float HPO dapat disetel: Ya |
| min\$1cointeraction\$1count | Jumlah minimum interaksi bersama yang Anda butuhkan untuk menghitung kesamaan antara sepasang item. Misalnya, nilai `3` berarti Anda memerlukan tiga atau lebih pengguna yang berinteraksi dengan kedua item agar algoritme menghitung kesamaannya. Nilai default: 3 Rentang: [0, 10] Jenis nilai: Integer 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 yang tersedia pada 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. Nilai default: 0,005 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 yang tersedia pada pengguna. Gunakan `max_user_history_length_percentile` untuk mengecualikan persentase pengguna dengan panjang sejarah panjang. Pengguna dengan sejarah panjang cenderung mengandung kebisingan. 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, `min_hist_length_percentile = 0.05` dan `max_hist_length_percentile = 0.95` mencakup semua pengguna kecuali yang memiliki panjang riwayat di bagian bawah atau atas 5%. Nilai default: 0,995 Rentang: [0.0, 1.0] Jenis nilai: Float HPO dapat disetel: Tidak |
| min\$1item\$1interaction\$1count\$1percentile | Persentil minimum interaksi item diperhitungkan untuk dimasukkan dalam pelatihan model. Gunakan `min_item_interaction_count_percentile` untuk mengecualikan persentase item dengan riwayat interaksi singkat. Item dengan sejarah singkat sering kali merupakan item baru. Menghapusnya dapat melatih model dengan lebih fokus pada item dengan riwayat yang diketahui. Pilih nilai yang sesuai setelah Anda meninjau panjang riwayat pengguna, menggunakan histogram atau alat serupa. Kami merekomendasikan untuk menyetel nilai yang mempertahankan sebagian besar item, tetapi menghapus kasus tepi. Nilai default: 0,01 Rentang: [0.0, 1.0] Jenis nilai: Float HPO dapat disetel: Tidak |
| max\$1item\$1interaction\$1count\$1percentile | Persentil maksimum interaksi item diperhitungkan untuk dimasukkan dalam pelatihan model. Gunakan `max_item_interaction_count_percentile` untuk mengecualikan persentase item dengan riwayat interaksi yang panjang. Item dengan sejarah panjang cenderung lebih tua dan mungkin sudah ketinggalan zaman. Misalnya, rilis film yang tidak dicetak. Menghapus item ini dapat fokus pada item yang lebih relevan. Pilih nilai yang sesuai setelah Anda meninjau panjang riwayat pengguna menggunakan histogram atau alat serupa. Kami merekomendasikan untuk menetapkan nilai yang mempertahankan sebagian besar item tetapi menghapus kasus tepi. Misalnya, `min_item_interaction_count_percentile = 0.05` dan `max_item_interaction_count_percentile = 0.95` mencakup semua item kecuali yang memiliki jumlah interaksi di bagian bawah atau atas 5%. Nilai default: 0,9 Rentang: [0.0, 1.0] Jenis nilai: Float HPO dapat disetel: Tidak |
## Notebook sampel SIMS
Untuk contoh buku catatan Jupyter yang menunjukkan cara menggunakan resep SIMS, lihat [Menemukan item serupa\$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 resep
Resep Next-Best-Action (aws-next-best-action) menghasilkan rekomendasi waktu nyata untuk tindakan terbaik berikutnya bagi pengguna Anda. Tindakan terbaik berikutnya untuk pengguna adalah tindakan yang kemungkinan besar akan mereka ambil. Misalnya, mendaftar di program loyalitas Anda, mengunduh aplikasi Anda, atau mengajukan permohonan kartu kredit.
Dengan Next-Best-Action, Anda dapat memberikan rekomendasi tindakan yang dipersonalisasi untuk pengguna Anda saat mereka menggunakan aplikasi Anda. Menyarankan tindakan yang tepat untuk pengguna dapat mengakibatkan lebih banyak pengguna mengambil tindakan Anda. Bergantung pada tindakan yang ingin Anda rekomendasikan, Anda dapat meningkatkan loyalitas pelanggan, menghasilkan lebih banyak pendapatan, dan meningkatkan pengalaman pengguna aplikasi Anda. Untuk contoh kasus penggunaan yang menjelaskan bagaimana rekomendasi tindakan yang dipersonalisasi dapat bermanfaat bagi aplikasi e-commerce, lihat[Contoh kasus penggunaan](#nba-use-case-example).
Amazon Personalize memprediksi tindakan terbaik berikutnya dari tindakan yang Anda impor ke kumpulan data Tindakan. Ini mengidentifikasi tindakan yang kemungkinan besar akan diambil pengguna berdasarkan interaksi mereka dengan tindakan dan item. Jika data tindakan Anda menyertakan nilai tindakan, Amazon Personalize akan memperhitungkan nilai tindakan tersebut. Jika pengguna memiliki kemungkinan yang sama untuk mengambil dua tindakan berbeda, Amazon Personalize memberi peringkat tindakan dengan nilai yang lebih besar lebih tinggi.
Saat Anda mendapatkan rekomendasi tindakan real-time untuk pengguna, Amazon Personalize menampilkan daftar tindakan yang kemungkinan besar akan dilakukan pengguna dalam periode waktu yang dapat dikonfigurasi (the). `action optimization period` Misalnya, tindakan yang kemungkinan besar akan mereka ambil dalam 14 hari ke depan. Daftar ini diurutkan dalam urutan menurun berdasarkan skor kecenderungan. Skor ini mewakili kemungkinan bahwa pengguna akan mengambil tindakan.
Hingga Anda mengimpor data interaksi tindakan, Amazon Personalize merekomendasikan tindakan tanpa personalisasi, dan skor kecenderungan adalah 0,0. Suatu tindakan akan memiliki skor setelah tindakan memiliki yang berikut:
+ Setidaknya 50 interaksi aksi dengan tipe acara TAKEN.
+ Setidaknya 50 interaksi tindakan dengan jenis acara NOT\$1TAKEN atau VIEWED.
Interaksi aksi ini harus ada pada pelatihan versi solusi terbaru, dan harus terjadi dalam rentang waktu 6 minggu dari stempel waktu interaksi terbaru dalam kumpulan data interaksi Tindakan.
Untuk informasi selengkapnya tentang data yang digunakan Next-Best-Action resep, lihat[Kumpulan data yang diperlukan dan opsional](#nba-datasets).
Saat membuat solusi dengan Next-Best-Action resep, Anda dapat mengonfigurasi jendela waktu yang digunakan Amazon Personalize saat memprediksi tindakan dengan menggunakan hyperparameter featurisasi. `action optimization period` Untuk informasi selengkapnya, lihat [Properti dan hiperparameter](#nba-hyperparameters).
**Topics**
+ [
## Contoh kasus penggunaan
](#nba-use-case-example)
+ [
## Fitur resep
](#nba-recipe-features)
+ [
## Kumpulan data yang diperlukan dan opsional
](#nba-datasets)
+ [
## Properti dan hiperparameter
](#nba-hyperparameters)
## Contoh kasus penggunaan
Menyarankan tindakan yang tepat untuk pengguna dapat mengakibatkan lebih banyak pengguna mengambil tindakan Anda. Bergantung pada tindakan yang ingin Anda rekomendasikan, Anda berpotensi meningkatkan loyalitas pelanggan, menghasilkan lebih banyak pendapatan, dan meningkatkan pengalaman pengguna aplikasi Anda.
Misalnya, Anda mungkin memiliki aplikasi e-commerce yang menyarankan tindakan berbeda berikut:
+ Berlangganan program loyalitas
+ Unduh aplikasi seluler
+ Pembelian dalam kategori *Perhiasan*
+ Pembelian dalam *kategori Kecantikan dan perawatan*
Anda mungkin memiliki pengguna yang sering berbelanja di situs Anda dan telah berulang kali mengambil tindakan pembelian *Perhiasan* *dan Kecantikan dan perawatan*. Untuk pengguna ini, rekomendasi tindakan Amazon Personalisasi dan skornya mungkin termasuk yang berikut:
+ Berlangganan program loyalitas
Skor kecenderungan - 1.00
+ Pembelian dalam kategori *Perhiasan*
Skor kecenderungan — 0.86
+ Pembelian dalam *kategori Kecantikan dan perawatan*
Skor kecenderungan — 0.85
Dengan rekomendasi tindakan ini, Anda tahu untuk meminta pengguna untuk mendaftar di program loyalitas Anda. Tindakan ini memiliki skor kecenderungan tertinggi dan itu adalah tindakan yang kemungkinan besar akan diambil pengguna. Ini karena pengguna sering berbelanja di toko Anda dan cenderung terlibat dengan manfaat dari program loyalitas Anda.
## Fitur resep
Next-Best-ActionResepnya menggunakan fitur resep Amazon Personalize berikut saat membuat rekomendasi tindakan:
+ Personalisasi waktu nyata: Amazon Personalize menggunakan personalisasi waktu nyata untuk memperbarui dan mengadaptasi rekomendasi tindakan sesuai dengan minat pengguna yang terus berkembang. Untuk informasi selengkapnya, lihat [Personalisasi waktu nyata](use-case-recipe-features.md#about-real-time-personalization).
+ Eksplorasi: Dengan eksplorasi, rekomendasi mencakup tindakan atau tindakan baru dengan data interaksi yang lebih sedikit. Untuk informasi lebih lanjut tentang eksplorasi, lihat[Eksplorasi](use-case-recipe-features.md#about-exploration).
+ Pembaruan otomatis: Dengan pembaruan otomatis, Amazon Personalize secara otomatis memperbarui model terbaru (versi solusi) setiap dua jam untuk memasukkan tindakan baru dalam rekomendasi melalui eksplorasi. Untuk informasi selengkapnya, lihat [Pembaruan otomatis](use-case-recipe-features.md#automatic-updates).
## Kumpulan data yang diperlukan dan opsional
Untuk menggunakan Next-Best-Action resep, Anda harus membuat kumpulan data berikut:
+ Tindakan: Anda mengimpor data tentang tindakan Anda, seperti nilainya, ke dalam kumpulan data Amazon Personalize Actions.
Dalam data tindakan, Anda dapat memberikan EXPIRATION\$1TIMESTAMP untuk setiap tindakan. Jika suatu tindakan telah kedaluwarsa, Amazon Personalize tidak akan memasukkannya ke dalam rekomendasi. Anda juga dapat memberikan REPEAT\$1FREQUENCY untuk setiap tindakan. Ini menunjukkan berapa lama Amazon Personalize harus menunggu sebelum merekomendasikan tindakan lagi setelah pengguna berinteraksi dengannya. Untuk informasi tentang data yang dapat disimpan oleh kumpulan data Tindakan, lihat[Metadata aksi](actions-datasets.md).
+ Interaksi item: Kumpulan data interaksi Item Anda harus memiliki minimal 1000 interaksi item. Amazon Personalize menggunakan interaksi item untuk memahami status pengguna Anda saat ini dan minat mereka. Untuk informasi tentang data interaksi item, lihat[Data interaksi item](interactions-datasets.md).
Kumpulan data berikut adalah opsional:
+ Kumpulan data interaksi tindakan: *Interaksi tindakan* adalah interaksi yang melibatkan pengguna dan tindakan dalam kumpulan data Tindakan Anda. Anda dapat mengimpor interaksi tindakan yang diambil, tidak diambil, dan dilihat. Meskipun data ini opsional, kami menyarankan Anda mengimpor data interaksi tindakan untuk rekomendasi kualitas. Jika Anda tidak memiliki data interaksi tindakan, Anda dapat membuat kumpulan data interaksi Tindakan kosong dan merekam interaksi pelanggan Anda dengan tindakan menggunakan operasi [PutActionInteractions](API_UBS_PutActionInteractions.md) API.
Hingga Anda mengimpor data interaksi tindakan, Amazon Personalize merekomendasikan tindakan tanpa personalisasi, dan skor kecenderungan adalah 0,0. Suatu tindakan akan memiliki skor setelah tindakan memiliki yang berikut:
+ Setidaknya 50 interaksi aksi dengan tipe acara TAKEN.
+ Setidaknya 50 interaksi tindakan dengan jenis acara NOT\$1TAKEN atau VIEWED.
Interaksi aksi ini harus ada pada pelatihan versi solusi terbaru, dan harus terjadi dalam rentang waktu 6 minggu dari stempel waktu interaksi terbaru dalam kumpulan data interaksi Tindakan.
Untuk informasi tentang data interaksi tindakan yang dapat Anda impor, lihat[Data interaksi aksi](action-interactions-datasets.md). Untuk informasi tentang merekam peristiwa interaksi tindakan, lihat[Merekam peristiwa interaksi aksi waktu nyataMerekam peristiwa interaksi aksi](recording-action-interaction-events.md).
**catatan**
Dengan Next-Best-Action, Amazon Personalize tidak menggunakan data tayangan atau metadata kontekstual dalam kumpulan data interaksi Tindakan.
+ Pengguna: Amazon Personalize menggunakan data apa pun dalam kumpulan data Pengguna Anda untuk lebih memahami pengguna Anda dan minat mereka. Anda juga dapat menggunakan data dalam kumpulan data Pengguna untuk memfilter rekomendasi tindakan. Untuk informasi tentang data pengguna yang dapat Anda impor, lihat[Metadata pengguna](users-datasets.md).
+ Items: Amazon Personalize menggunakan data apa pun dalam kumpulan data Item beserta kumpulan data interaksi Item untuk mengidentifikasi koneksi dan pola dalam perilakunya. Ini membantu Amazon Personalisasi memahami pengguna Anda dan minat mereka. Untuk informasi tentang data item yang dapat Anda impor, lihat[Metadata barang](items-datasets.md).
## Properti dan hiperparameter
Next-Best-ActionResepnya tidak mendukung optimasi hyperparameter. Next-Best-ActionResepnya memiliki sifat-sifat berikut:
+ **Nama** – `aws-next-best-action`
+ **Resep Nama Sumber Daya Amazon (ARN**) — `arn:aws:personalize:::recipe/aws-next-best-action`
+ **Algoritma ARN** — `arn:aws:personalize:::algorithm/aws-next-best-action`
Tabel berikut menjelaskan hiperparameter featurisasi untuk resep. aws-next-best-action *Hyperparameter adalah parameter* algoritma yang dapat Anda sesuaikan untuk meningkatkan kinerja model. Hyperparameter featurisasi mengontrol cara memfilter data yang akan digunakan dalam pelatihan.
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**: Apakah parameter dapat berpartisipasi dalam HPO
| Nama | Penjelasan |
| --- | --- |
| Hiperparameter featurisasi |
| action\$1optimization\$1period | Jendela waktu yang digunakan Amazon Personalize saat memprediksi tindakan terbaik berikutnya untuk pengguna. Misalnya, tindakan yang kemungkinan besar akan dilakukan pengguna dalam 14 hari ke depan. Jika Anda tidak memiliki banyak data interaksi tindakan, tentukan nilai yang lebih besar. Jika Anda tidak yakin nilai apa yang akan ditentukan, gunakan default. Nilai default: 14 Rentang: [7, 28] Jenis nilai: Integer HPO dapat disetel: Tidak |
# Resep item-Affinity
Resep Item-Affinity (aws-item-affinity) adalah resep USER\$1SEGMENTATION yang membuat segmen pengguna (grup pengguna) untuk setiap item yang Anda tentukan. Ini adalah pengguna Amazon Personalize memprediksi kemungkinan besar akan berinteraksi dengan setiap item. Gunakan Item-Affinity untuk mempelajari lebih lanjut tentang pengguna Anda dan mengambil tindakan berdasarkan segmen pengguna masing-masing.
Misalnya, Anda mungkin ingin membuat kampanye pemasaran untuk aplikasi ritel Anda berdasarkan preferensi pengguna untuk item di katalog Anda. Item-Affinity akan membuat segmen pengguna untuk setiap item berdasarkan data dalam kumpulan data Interaksi dan Item Anda. Anda dapat menggunakan ini untuk mempromosikan item yang berbeda ke segmen pengguna yang berbeda berdasarkan kemungkinan mereka akan mengambil tindakan (misalnya, mengklik item atau membeli item). Penggunaan lain mungkin termasuk produk penjualan silang ke berbagai pengguna atau mengidentifikasi calon pelamar kerja.
[Untuk mendapatkan segmen pengguna berdasarkan item, Anda membuat solusi dan versi solusi dengan resep Item-Affinity, lalu tambahkan daftar item dalam format JSON ke bucket Amazon S3 dan buat pekerjaan segmen batch.](creating-batch-seg-job.md) Amazon Personalisasi menghasilkan segmen pengguna untuk setiap item ke lokasi keluaran Anda di Amazon S3. Data masukan Anda dapat memiliki maksimum 500 item untuk mendapatkan segmen pengguna. Untuk informasi tentang menyiapkan data masukan untuk pekerjaan segmen batch, lihat[Mempersiapkan data input untuk rekomendasi batch](batch-data-upload.md).
Anda harus memiliki kumpulan data interaksi Item untuk menggunakan Item-Affinity. Item dan kumpulan data Pengguna bersifat opsional. Anda bisa mendapatkan segmen pengguna dengan pekerjaan segmen batch. Untuk informasi selengkapnya, lihat [Mendapatkan segmen pengguna batch](getting-user-segments.md).
Setelah Anda membuat versi solusi, pastikan Anda selalu memperbarui versi dan data solusi Anda. Dengan Item-Affinity, Anda harus membuat versi solusi baru untuk Amazon Personalize untuk mempertimbangkan pengguna baru untuk segmen pengguna dan memperbarui model dengan perilaku terbaru pengguna Anda. Untuk mendapatkan segmen pengguna untuk suatu item, item tersebut harus ada saat Anda membuat versi solusi.
Resep Item-Affinity memiliki sifat-sifat berikut:
+ **Nama** – `aws-item-affinity`
+ **Resep Nama Sumber Daya Amazon (ARN**) — `arn:aws:personalize:::recipe/aws-item-affinity`
+ **Algoritma ARN** — `arn:aws:personalize:::algorithm/aws-item-affinity`
+ **Transformasi fitur ARN** — `arn:aws:personalize:::feature-transformation/item-affinity`
+ **Jenis resep** — `USER_SEGMENTATION`
Tabel berikut menjelaskan hiperparameter untuk resep Item-Affinity. *Hyperparameter adalah parameter* algoritma yang Anda sesuaikan untuk meningkatkan kinerja model. Algoritma hyperparameters mengontrol bagaimana kinerja model. Anda tidak dapat menggunakan optimasi hyperparameter (HPO) dengan resep Item-Affinity.
Tabel ini juga menyediakan informasi berikut untuk setiap hyperparameter:
+ **Rentang**: [batas bawah, batas atas]
+ **Jenis nilai**: Integer, Continuous (float), Kategoris (Boolean, daftar, string)
| 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 Anda menyertakan pola yang lebih rumit. Menggunakan dimensi yang lebih tersembunyi membutuhkan dataset yang lebih besar dan lebih banyak waktu untuk diproses. Nilai default: 149 Rentang: [32, 256] Jenis nilai: Integer |
# Item-Attribute-Affinity resep
Resep Item-Attribute-Affinity (aws-item-attribute-affinity) adalah resep USER\$1SEGMENTATION yang membuat segmen pengguna (grup pengguna) untuk setiap atribut item yang Anda tentukan. Ini adalah pengguna Amazon Personalize memprediksi kemungkinan besar akan berinteraksi dengan item dengan atribut tertentu. Gunakan Item-Attribute-Affinity untuk mempelajari lebih lanjut tentang pengguna Anda dan mengambil tindakan berdasarkan segmen pengguna masing-masing.
Misalnya, Anda mungkin ingin membuat kampanye pemasaran untuk aplikasi ritel Anda berdasarkan preferensi pengguna untuk jenis sepatu di katalog Anda. Item-Attribute-Affinityakan membuat segmen pengguna untuk setiap data berbasis tipe sepatu di kumpulan data Interaksi dan Item Anda. Anda dapat menggunakan ini untuk mempromosikan sepatu yang berbeda ke segmen pengguna yang berbeda berdasarkan kemungkinan mereka akan mengambil tindakan (misalnya, mengklik sepatu atau membeli sepatu). Penggunaan lain mungkin termasuk mempromosikan genre film yang berbeda ke pengguna yang berbeda atau mengidentifikasi calon pelamar pekerjaan berdasarkan jenis pekerjaan.
Untuk mendapatkan segmen pengguna berdasarkan atribut item, Anda membuat solusi dan versi solusi dengan Item-Attribute-Affinity resep, lalu menambahkan daftar atribut item dalam format JSON ke bucket Amazon S3 dan [membuat pekerjaan segmen batch](creating-batch-seg-job.md). Amazon Personalisasi menghasilkan segmen pengguna untuk setiap item ke lokasi keluaran Anda di Amazon S3. Data masukan Anda dapat memiliki maksimal 10 kueri, di mana setiap kueri adalah satu atau lebih atribut item. Untuk informasi tentang menyiapkan data masukan untuk pekerjaan segmen batch, lihat[Mempersiapkan data input untuk rekomendasi batch](batch-data-upload.md).
Anda harus memiliki kumpulan data interaksi Item dan kumpulan data Item untuk digunakan. Item-Attribute-Affinity Kumpulan data Item Anda harus memiliki setidaknya satu kolom yang merupakan kolom metadata non-tekstual dan tidak dicadangkan. Anda bisa mendapatkan segmen pengguna dengan pekerjaan segmen batch. Untuk informasi selengkapnya, lihat [Mendapatkan segmen pengguna batch dengan sumber daya khusus](getting-user-segments.md).
Setelah Anda membuat versi solusi, pastikan Anda selalu memperbarui versi dan data solusi Anda. Dengan Item-Attribute-Affinity, Anda harus membuat versi solusi baru untuk Amazon Personalize untuk mempertimbangkan pengguna baru untuk segmen pengguna dan memperbarui model dengan perilaku terbaru pengguna Anda. Untuk mendapatkan segmen pengguna untuk atribut item, atribut item harus ada saat Anda membuat versi solusi.
Item-Attribute-AffinityResepnya memiliki sifat-sifat berikut:
+ **Nama** – `aws-item-attribute-affinity`
+ **Resep Nama Sumber Daya Amazon (ARN**) — `arn:aws:personalize:::recipe/aws-item-attribute-affinity`
+ **Algoritma ARN** — `arn:aws:personalize:::algorithm/aws-item-attribute-affinity`
+ **Transformasi fitur ARN** — `arn:aws:personalize:::feature-transformation/item-attribute-affinity`
+ **Jenis resep** — `USER_SEGMENTATION`
Tabel berikut menjelaskan hiperparameter untuk Item-Attribute-Affinity resep. *Hyperparameter adalah parameter* algoritma yang dapat Anda sesuaikan untuk meningkatkan kinerja model. Algoritma hyperparameters mengontrol bagaimana kinerja model. Anda tidak dapat menggunakan optimasi hyperparameter (HPO) dengan resepnya. Item-Attribute-Affinity
Tabel ini juga menyediakan informasi berikut untuk setiap hyperparameter:
+ **Rentang**: [batas bawah, batas atas]
+ **Jenis nilai**: Integer, Continuous (float), Kategoris (Boolean, daftar, string)
| 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 Anda menyertakan pola yang lebih rumit. Menggunakan dimensi yang lebih tersembunyi membutuhkan dataset yang lebih besar dan lebih banyak waktu untuk diproses. Nilai default: 149 Rentang: [32, 256] Jenis nilai: Integer |
# 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 |