As traduções são geradas por tradução automática. Em caso de conflito entre o conteúdo da tradução e da versão original em inglês, a versão em inglês prevalecerá.
# Fórmula de SIMS
**nota**
Todas as fórmulas RELATED\$1ITEMS usam dados de interações. Escolha SIMS se quiser configurar mais hiperparâmetros para o modelo. Escolha [Fórmula de itens semelhantes](native-recipe-similar-items.md) se você tem metadados de itens e quer que o Amazon Personalize use esses metadados para encontrar itens semelhantes.
A receita de Item-to-item semelhanças (SIMS) usa filtragem colaborativa para recomendar itens que são mais parecidos com um item que você especifica ao receber recomendações. A SIMS usa o conjunto de dados de interações com itens, não metadados de itens, como cor ou preço, para determinar a similaridade. O SIMS identifica a ocorrência simultânea do item nos históricos do usuário em seu conjunto de dados de interações para recomendar itens semelhantes. Por exemplo, com SIMS, o Amazon Personalize poderia recomendar itens de cafeteria que os clientes frequentemente compravam juntos ou filmes que diversos usuários também assistiam.
Ao obter recomendações de itens semelhantes, você pode filtrar os itens com base em um atributo do item especificado na sua solicitação. Para isso, adicione um elemento `CurrentItem`.`attribute` ao seu filtro. Para ver um exemplo, consulte [item data filter examples](item-recommendation-filter-examples.md#item-examples).
Para usar a SIMS, é necessário criar um conjunto de dados de interações com itens com, pelo menos, mil interações históricas e com eventos exclusivas (combinadas). A SIMS não usa dados em um conjunto de dados de itens ou de usuários ao gerar recomendações. Você ainda pode filtrar recomendações com base nos dados desses conjuntos de dados. Para obter mais informações, consulte [Como filtrar recomendações e segmentos de usuários](filter.md).
Se não houver dados de comportamento do usuário suficientes para um item ou se o ID do item fornecido não for encontrado, a SIMS recomenda itens populares. Depois de criar uma versão da solução, mantenha a versão e os dados da solução atualizados. Com a SIMS, você deve criar manualmente uma nova versão da solução (treinar o modelo novamente) para o Amazon Personalize considerar novos itens para as recomendações e atualizar o modelo com o comportamento mais recente do seu usuário. Em seguida, será necessário atualizar qualquer campanha usando a versão da solução. Para obter mais informações, consulte [Manter a relevância da recomendação](maintaining-relevance.md).
A fórmula de SIMS tem as seguintes propriedades:
+ **Nome**: `aws-sims`
+ **Fórmula nome do recurso da Amazon (ARN)** – `arn:aws:personalize:::recipe/aws-sims`
+ **ARN do algoritmo** – `arn:aws:personalize:::algorithm/aws-sims`
+ **ARN de transformação de atributos** – `arn:aws:personalize:::feature-transformation/sims`
+ **Tipo de fórmula** – `RELATED_ITEMS`
A tabela a seguir descreve os hiperparâmetros da fórmula de SIMS. Um *hiperparâmetro* é um parâmetro de algoritmo que pode ser ajustado para melhorar o desempenho do modelo. Os hiperparâmetros do algoritmo controlam o desempenho do modelo. Os hiperparâmetros de caracterização controlam como filtrar os dados a serem usados no treinamento. O processo de escolher o melhor valor para um hiperparâmetro é chamado de otimização de hiperparâmetros (HPO). Para obter mais informações, consulte [Hiperparâmetros e HPO](customizing-solution-config-hpo.md).
A tabela também fornece as seguintes informações para cada hiperparâmetro:
+ **Intervalo**: [limite inferior, limite superior]
+ **Tipo de valor**: inteiro, contínuo (float), categórico (booliano, lista, string)
+ **HPO tunable (HPO ajustável)**: o parâmetro pode participar da otimização do hiperparâmetro (HPO)?
| Name (Nome) | Description |
| --- | --- |
| Hiperparâmetros de algoritmo |
| popularity\$1discount\$1factor | Configure como a popularidade influencia as recomendações. Especifique um valor mais próximo de zero para incluir itens mais populares. Especifique um valor mais próximo de um para dar menos ênfase à popularidade. Valor padrão: 0.5 Intervalo: [0,0, 1,0] Tipo de valor: flutuante Ajustável de HPO: sim |
| min\$1cointeraction\$1count | O número mínimo de cointerações de que você precisa para calcular a semelhança entre um par de itens. Por exemplo, um valor de `3` significa que você precisa de três ou mais usuários que interagiram com os dois itens para que o algoritmo calcule a semelhança entre eles. Valor padrão: 3 Intervalo: [0, 10] Tipo de valor: inteiro Ajustável de HPO: sim |
| Hiperparâmetros de caracterização |
| min\$1user\$1history\$1length\$1percentile | O percentil mínimo dos comprimentos dos históricos de usuários para incluir no treinamento do modelo. O *comprimento do histórico* é a quantidade total de dados disponíveis de um usuário. Use `min_user_history_length_percentile` para excluir uma porcentagem de usuários com históricos breves. Os usuários com um histórico breve geralmente mostram padrões baseados na popularidade dos itens em vez das necessidades ou dos desejos pessoais do usuário. Removê-los pode treinar modelos com mais foco nos padrões subjacentes nos dados. Escolha um valor apropriado depois de revisar os comprimentos de histórico dos usuários usando um histograma ou uma ferramenta semelhante. Recomendamos definir um valor que retenha a maioria dos usuários, mas remova os casos de borda. Valor padrão: 0.005 Intervalo: [0,0, 1,0] Tipo de valor: flutuante HPO ajustável: não |
| max\$1user\$1history\$1length\$1percentile | O percentil máximo dos comprimentos dos históricos de usuários a ser incluído no treinamento do modelo. O comprimento do histórico é a quantidade total de dados disponíveis de um usuário. Use `max_user_history_length_percentile` para excluir uma porcentagem de usuários com históricos longos. Usuários com um histórico longo tendem a conter ruído. Por exemplo, um robô pode ter uma longa lista de interações automatizadas. A remoção desses usuários limita o ruído no treinamento. Escolha um valor apropriado depois de revisar os comprimentos de histórico dos usuários usando um histograma ou uma ferramenta semelhante. Recomendamos definir um valor que retenha a maioria dos usuários, mas remova os casos de borda. Por exemplo, `min_hist_length_percentile = 0.05` e `max_hist_length_percentile = 0.95` incluem todos os usuários, exceto aqueles com comprimentos de histórico nos 5% inferiores ou superiores. Valor padrão: 0,995 Intervalo: [0,0, 1,0] Tipo de valor: flutuante HPO ajustável: não |
| min\$1item\$1interaction\$1count\$1percentile | O percentil mínimo de contagens de interações com itens para inclusão no treinamento do modelo. Use `min_item_interaction_count_percentile` para excluir uma porcentagem de itens com histórico breve de interações. Itens com um histórico breve geralmente são itens novos. A remoção deles pode produzir um treinamento de modelos com mais foco em itens com um histórico conhecido. Escolha um valor apropriado depois de revisar os comprimentos de histórico dos usuários usando um histograma ou uma ferramenta semelhante. Recomendamos definir um valor que retenha a maioria dos itens, mas remova os casos de borda. Valor padrão: 0,01 Intervalo: [0,0, 1,0] Tipo de valor: flutuante HPO ajustável: não |
| max\$1item\$1interaction\$1count\$1percentile | O percentil máximo de contagens de interações com itens para incluir no treinamento do modelo. Use `max_item_interaction_count_percentile` para excluir uma porcentagem de itens com histórico longo de interações. Itens com um histórico longo tendem a ser mais antigos e podem estar desatualizados. Por exemplo, o lançamento de um filme que está fora de circulação. Com a remoção desses itens, é possível se concentrar em itens mais relevantes. Escolha um valor apropriado depois de revisar os comprimentos de histórico dos usuários usando um histograma ou uma ferramenta semelhante. Recomendamos definir um valor que retenha a maioria dos itens, mas remova os casos de borda. Por exemplo, `min_item_interaction_count_percentile = 0.05` e `max_item_interaction_count_percentile = 0.95` incluem todos os itens, exceto aqueles com uma contagem de interações nos 5% inferiores ou superiores. Valor padrão: 0.9 Intervalo: [0,0, 1,0] Tipo de valor: flutuante HPO ajustável: não |
## Exemplo de bloco de notas de SIMS
Para ver um exemplo de bloco de anotações Jupyter que mostre como usar a fórmula SIMS, consulte [Finding similar items \$1 HPO](https://github.com/aws-samples/amazon-personalize-samples/blob/master/next_steps/core_use_cases/related_items/personalize_sims_example.ipynb).