翻訳は機械翻訳により提供されています。提供された翻訳内容と英語版の間で齟齬、不一致または矛盾がある場合、英語版が優先します。 # Similar-Items レシピ **注記** RELATED\_ITEMS レシピはすべてインタラクションデータを使用します。商品のメタデータもあり、Amazon Personalize で類似商品を検索できるようにしたい場合は、[Similar-Items ] を選択してください。または、モデルにさらにハイパーパラメータを設定したい場合は [SIMS の recipe](native-recipe-sims.md) を選択してください。 Similar-Items (aws-similar-items) レシピは、指定したアイテムに類似するアイテムのレコメンデーションを生成します。Similar-Items を使用すると、顧客が以前の行動や商品メタデータに基づいてカタログ内の新しい商品を見つけやすくなります。類似アイテムを推奨することで、アプリケーションのユーザーエンゲージメント、クリックスルー率、およびコンバージョン率を高めることができます。 Similar-Items は、インタラクションデータとユーザーが提供するアイテムメタデータに基づいて類似度を計算します。インタラクションデータセットのユーザー履歴でアイテムの共起と、アイテムメタデータの類似性が考慮されます。例えば、Similar-Items を使用すると、Amazon Personalize は、顧客が類似のスタイル ([カテゴリ別メタデータ](items-datasets.md#item-categorical-data)) で頻繁に併せて購入するアイテムや、別のユーザーも視聴し、かつ、説明が類似する映画をレコメンドできます。 Similar-Items を使用して、[GetRecommendations](API_RS_GetRecommendations.md) 操作 (または Amazon Personalize コンソール) でアイテム ID を指定すると、Amazon Personalize は類似アイテムのリストを返します。または、バッチワークフローを使用して、在庫内のすべてのアイテムについて類似アイテムを取得できます (「[バッチアイテムのレコメンデーションの取得](getting-batch-recommendations.md)」を参照)。類似のアイテムが見つかったら、リクエストで指定したアイテムの属性に基づいてアイテムをフィルタリングできます。そのためには、`CurrentItem`.`attribute` 要素をフィルターに追加します。例については、[item data filter examples](item-recommendation-filter-examples.md#item-examples)を参照してください。 Similar-Items を使用するには、少なくとも 1000 の一意の履歴インタラクションとイベントインタラクション (組み合わせ) を含むアイテムインタラクションデータセットを作成する必要があります。より正確な予測を行うには、アイテムデータセットを作成し、カタログ内のアイテムに関するメタデータをインポートすることもお勧めします。Similar-Items は、レコメンデーションを生成する際にユーザーデータセットのデータを使用しません。ユーザーデータセットのデータに基づいてレコメンデーションをフィルタリングすることはできます。詳細については、「[レコメンデーションとユーザーセグメントのフィルタリング](filter.md)」を参照してください。 テキストデータとアイテムタイトルデータを含むアイテムデータセットがある場合は、関連するアイテムのテーマをバッチレコメンデーションで生成できます。詳細については、[Content Generator のテーマ付きバッチレコメンデーション](themed-batch-recommendations.md)を参照してください。 コールドアイテム (インタラクションが 5 個未満のアイテム) に類似したアイテムについてのレコメンデーションを取得できます。Amazon Personalize がレコメンデーションリクエストまたはバッチ入力ファイルで指定したアイテム ID を見つけられない場合、レシピは人気のあるアイテムをレコメンデーションとして返します。 ソリューションバージョンを作成した後は、必ずソリューションバージョンとデータを最新の状態に保ってください。Similar-Items では、Amazon Personalize の新しいソリューションバージョンを手動で作成 (モデルを再トレーニング) して、新しいアイテムをレコメンデーションの対象として考慮し、ユーザーの最新の行動でモデルを更新する必要があります。次に、ソリューションバージョンを使用してキャンペーンを更新する必要があります。詳細については、「[レコメンデーションの関連性の維持](maintaining-relevance.md)」を参照してください。 ## プロパティおよびハイパーパラメータ Similar-Items レシピには、次のプロパティがあります。 + **名前** – `aws-similar-items` + **レシピ Amazon リソースネーム (ARN)** – `arn:aws:personalize:::recipe/aws-similar-items` + **アルゴリズム ARN** – `arn:aws:personalize:::algorithm/aws-similar-items` 詳細については、「[レシピの選択](working-with-predefined-recipes.md)」を参照してください。 以下の表では、Similar-Items レシピのハイパーパラメータを示しています。*ハイパーパラメータは*、モデルパフォーマンスを向上させるために調整できるアルゴリズムパラメータです。アルゴリズムのハイパーパラメータは、モデルの実行方法を制御します。ハイパーパラメータに最適な値を選択するプロセスは、ハイパーパラメータの最適化 (HPO) と呼ばれます。詳細については、「[ハイパーパラメータおよび HPO](customizing-solution-config-hpo.md)」を参照してください。 このテーブルには、各ハイパーパラメータに関する以下の情報も含まれています。 + **範囲**: [下限、上限] + **値のタイプ**: 整数、連続 (浮動小数点)、カテゴリ別 (ブール値、リスト、文字列) + **HPO 調整可能**: パラメータが HPO に参加できますか?
名前説明
アルゴリズムのハイパーパラメータ
popularity\_discount\_factor 人気がレコメンデーションにどのように影響するかを設定します。人気の高い商品を多く含めるには、0 に近い値を指定します。1 に近い値を指定すると、人気度があまり重視されなくなります。
デフォルト値: 0.0
範囲: [0.0, 1.0]
値の型: 浮動小数点
HPO 調整可能: いいえ
item\_id\_hidden\_dimインタラクションデータに基づいてアイテム ID の埋め込みをモデル化するために Amazon Personalize が使用する隠れた変数の数。*非表示の変数*は、ユーザーの購入履歴と商品統計を再作成して、ランキングスコアを生成します。`item_id_hidden_dim` を使用するには、HPO を使用し、最小範囲と最大範囲の値を指定する必要があります。Amazon Personalize は、HPO を使用して、指定した範囲内で最適な値を見つけます。アイテムインタラクションデータセットが大きい場合は、より大きな最大値を指定します。最大値を大きくすると、処理に時間がかかります。
HPO を使用するには、[CreateSolution](API_CreateSolution.md) 操作を呼び出すときにに `performHPO` および `true` を設定します。
デフォルト値: 100
範囲: [30, 200]
値の型: 整数
HPO 調整可能: はい
item\_metadata\_hidden\_dimAmazon Personalize がアイテムメタデータをモデル化するために使用する隠れた変数の数。`item_metadata_hidden_dim` を使用するには、HPO を使用し、最小範囲と最大範囲の値を指定する必要があります。Amazon Personalize は、HPO を使用して、指定した範囲内で最適な値を見つけます。アイテムインタラクションデータセットが大きい場合は、より大きな最大値を指定します。最大値を大きくすると、処理に時間がかかります。
HPO を使用するには、[CreateSolution](API_CreateSolution.md) 操作を呼び出すときにに `performHPO` および `true` を設定します。
デフォルト値: 100
範囲: [30, 200]
値の型: 整数
HPO 調整可能: はい