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.
# Escolher uma fórmula
Ao criar uma solução personalizada, especifique uma fórmula e configure os parâmetros de treinamento. As *fórmulas* são algoritmos do Amazon Personalize preparados para casos de uso específicos. O Amazon Personalize fornece fórmulas, com base em casos de uso comuns, para modelos de treinamento. Quando você cria uma versão da solução, o Amazon Personalize treina os modelos que apoiam a versão da solução com base na fórmula e na configuração do treinamento.
As fórmulas do Amazon Personalize usam o seguinte durante o treinamento:
+ Atributos predefinidos de seus dados
+ Transformações de recursos predefinidas
+ Algoritmos predefinidos
+ Configurações de parâmetros iniciais para os algoritmos
Para otimizar o modelo, você pode substituir muitos desses parâmetros ao criar uma solução. Para obter mais informações, consulte [Hiperparâmetros e HPO](customizing-solution-config-hpo.md).
**Topics**
+ [Tipos de fórmulas do Amazon Personalize por caso de uso](#use-cases)
+ [Fórmulas do Amazon Personalize](#recipe-categories)
+ [Visualizar fórmulas disponíveis do Amazon Personalize](#listing-recipes)
+ [Fórmula User-Personalization-v2](native-recipe-user-personalization-v2.md)
+ [Fórmula User-Personalization](native-recipe-new-item-USER_PERSONALIZATION.md)
+ [Fórmula Trending-Now](native-recipe-trending-now.md)
+ [Fórmula de contagem de popularidade](native-recipe-popularity.md)
+ [Fórmula Personalized-Ranking-v2](native-recipe-personalized-ranking-v2.md)
+ [Fórmulas de classificações personalizadas](native-recipe-search.md)
+ [Receita de similaridade semântica](native-recipe-semantic-similarity.md)
+ [Fórmula de itens semelhantes](native-recipe-similar-items.md)
+ [Fórmula de SIMS](native-recipe-sims.md)
+ [Fórmula Next-Best-Action](native-recipe-next-best-action.md)
+ [Fórmula de Item-Affinity](item-affinity-recipe.md)
+ [Fórmula Item-Attribute-Affinity](item-attribute-affinity-recipe.md)
+ [Fórmulas legadas do HRNN](legacy-user-personalization-recipes.md)
## Tipos de fórmulas do Amazon Personalize por caso de uso
Para escolher sua fórmula, primeiro escolha o caso de uso a seguir e anote o tipo de fórmula correspondente.
+ Recomendar itens para usuários (fórmulas USER\$1PERSONALIZATION)
Para fornecer recomendações personalizadas para seus usuários, treine seu modelo com uma fórmula USER\$1PERSONALIZATION. Recomendações personalizadas ajudam a promover um melhor engajamento e conversão.
+ Classificar itens para um usuário (fórmulas PERSONALIZED\$1RANKING)
Para personalizar a ordem das listas selecionadas ou dos resultados de pesquisa para seus usuários, treine seu modelo com uma fórmula PERSONALIZED\$1RANKING. As fórmulas PERSONALIZED\$1RANKING criam uma lista personalizada ao reclassificar uma coleção de itens de entrada com base no nível de interesse previsto para um determinado usuário. Listas personalizadas melhoram a experiência do cliente e aumentam a fidelidade e o engajamento do cliente.
+ Recomendar itens populares ou em alta (fórmulas POPULAR\$1ITEMS)
Para recomendar itens populares ou em alta, use uma fórmula POPULAR\$1ITEMS. Você pode usar POPULAR\$1ITEMS se seus clientes valorizarem muito com o que os outros usuários estão interagindo. Os usos comuns incluem recomendar conteúdo viral de mídia social, artigos com as últimas notícias ou vídeos esportivos recentes.
+ Recomendar itens semelhantes (fórmulas RELATED\$1ITEMS)
Para recomendar itens semelhantes, como itens comprados juntos frequentemente ou filmes aos quais outros usuários também assistiram, você deve usar uma fórmula RELATED\$1ITEMS. A recomendação de itens semelhantes pode ajudar seus clientes a descobrir itens e aumentar a taxa de conversão do usuário.
+ Recomendar a próxima melhor ação (fórmulas PERSONALIZED\$1ACTIONS)
Para recomendar a próxima melhor ação para os usuários em tempo real, como inscrever-se no programa de fidelidade ou solicitar um cartão de crédito, é necessário usar uma fórmula PERSONALIZED\$1ACTIONS. Recomendar a próxima melhor ação pode aumentar a fidelidade do cliente, gerar mais receita e melhorar a experiência dos usuários.
+ Obter segmentos de usuários (fórmulas USER\$1SEGMENTATION)
Para obter segmentos de usuários com base nos dados de entrada do item, como usuários que provavelmente vão interagir com itens com um determinado atributo, você deve usar uma fórmula USER\$1SEGMENTATION. Obter segmentos de usuários pode ajudar você a criar campanhas de marketing avançadas que promovem itens diferentes para diferentes segmentos de usuários com base na probabilidade de eles realizarem uma ação.
## Fórmulas do Amazon Personalize
O Amazon Personalize fornece os seguintes tipos de fórmulas. Além de diferenças comportamentais, cada tipo tem diferentes requisitos para obter recomendações, conforme mostrado na tabela a seguir.
| Tipo de fórmula | Fórmulas | solicitações de | Requisitos da API |
| --- | --- | --- | --- |
| USER\$1PERSONALIZATION | [User-Personalization-v2](native-recipe-user-personalization-v2.md) [User-Personalization](native-recipe-new-item-USER_PERSONALIZATION.md) [Fórmula HRNN (legada)](native-recipe-hrnn.md) [Fórmula HRNN-Metadata (legada)](native-recipe-hrnn-metadata.md) [Fórmula HRNN-Coldstart (legada)](native-recipe-hrnn-coldstart.md) | [GetRecommendations](API_RS_GetRecommendations.md) | `userId`: obrigatório `itemId`: não usado `inputList`: n/d |
| POPULAR\$1ITEMS | [Trending-Now](native-recipe-trending-now.md) [Contagem de popularidade](native-recipe-popularity.md) | [GetRecommendations](API_RS_GetRecommendations.md) | `userId`: obrigatório somente se você aplicar um filtro que o exija `itemId`: não usado `inputList`: n/d |
| PERSONALIZED\$1RANKING | [Personalized-Ranking-v2](native-recipe-personalized-ranking-v2.md) [Classificações personalizadas](native-recipe-search.md) | [GetPersonalizedRanking](API_RS_GetPersonalizedRanking.md) | `userId`: obrigatório `itemId`: n/d `inputList`: lista de itemIds |
| RELATED\$1ITEMS | [Itens semelhantes](native-recipe-similar-items.md) [SIMS](native-recipe-sims.md) [Receita de similaridade semântica](native-recipe-semantic-similarity.md) | [GetRecommendations](API_RS_GetRecommendations.md) | `userId`: obrigatório somente se você aplicar um filtro que o exija `itemId`: obrigatório `inputList`: n/d |
| PERSONALIZED\$1ACTIONS | [Next-Best-Action](native-recipe-next-best-action.md) | [GetActionRecommendations](API_RS_GetActionRecommendations.md) | `userId`: obrigatório `actionId`: não usado `itemId`: não usado `inputList`: n/d |
| USER\$1SEGMENTATION | [Item-Affinity](item-affinity-recipe.md) [Item-Attribute-Affinity](item-attribute-affinity-recipe.md) | [CreateBatchSegmentJob](API_CreateBatchSegmentJob.md) | Para requisitos de fluxo de trabalho em lote, consulte [Obter segmentos do usuário com um trabalho de segmento em lote](creating-batch-seg-job.md). |
## Visualizar fórmulas disponíveis do Amazon Personalize
Para ver uma lista de fórmulas disponíveis:
+ No console do Amazon Personalize, escolha um grupo de conjuntos de dados. No painel de navegação, escolha **Soluções e fórmulas** e escolha a guia **Fórmulas**.
+ Com o AWS SDK para Python (Boto3), chame a [ListRecipes](API_ListRecipes.md) API.
+ Com o AWS CLI, use o comando a seguir.
```
aws personalize list-recipes
```
Para obter informações sobre uma fórmula usando o SDK para Python (Boto3), chame a API [DescribeRecipe](API_DescribeRecipe.md). Para obter informações sobre uma receita usando o AWS CLI, use o comando a seguir.
```
aws personalize describe-recipe --recipe-arn recipe_arn
```
# Fórmula User-Personalization-v2
A fórmula User-Personalization-v2 (aws-user-personalization-v2) recomenda itens com os quais o usuário vai interagir com base nas dele preferências. Por exemplo, você pode usar a User-Personalization-v2 para gerar recomendações personalizadas de filmes para um aplicativo de streaming ou recomendações personalizadas de produtos para um aplicativo de varejo. Outros casos de uso incluem a geração de recomendações em tempo real para um site de notícias ou recomendações em lote para uma campanha de marketing personalizada.
A User-Personalization-v2 pode treinar em até 5 milhões de itens de interações com itens e conjuntos de dados de itens. E gera recomendações mais relevantes com menor latência do que [User-Personalization](native-recipe-new-item-USER_PERSONALIZATION.md).
Como o User-Personalization-v2 recomenda os itens mais relevantes aos usuários com base em seus dados, ele recomenda com mais frequência itens existentes com dados de interações. Para garantir que as recomendações incluam novos itens, você pode usar uma promoção que inclua alguns itens com base na data e hora da criação. Para obter mais informações sobre promoções, consulte [Promover itens nas recomendações em tempo real](promoting-items.md).
Essa formula usa uma arquitetura baseada em transformadores para treinar um modelo que aprende o contexto e rastreia relacionamentos e padrões em seus dados. *Transformadores* são um tipo de arquitetura de rede neural que transforma ou altera uma sequência de entrada em uma sequência de saída. Para o Amazon Personalize, a sequência de entrada é o histórico de interações com itens do usuário em seus dados. A sequência de saída são suas recomendações personalizadas. Para obter mais informações sobre transformadores, consulte [O que são transformadores em inteligência artificial?](https://aws.amazon.com/what-is/transformers-in-artificial-intelligence/) no AWS Cloud Computing Concepts Hub.
A User-Personalization-v2 usa um modelo de preços diferente de outras fórmulas. Para obter mais informações, consulte os [preços do Amazon Personalize](https://aws.amazon.com/personalize/pricing/).
**Topics**
+ [Recursos da fórmula](#user-personalization-v2-features)
+ [Conjuntos de dados obrigatórios e opcionais](#user-personalization-v2-datasets)
+ [Propriedades e hiperparâmetros](#user-personalization-v2-hyperparameters)
## Recursos da fórmula
O User-Personalization-v2 usa os seguintes recursos da fórmula do Amazon Personalize ao gerar recomendações de itens:
+ Personalização em tempo real: o Amazon Personalize usa personalização em tempo real para atualizar e adaptar as recomendações de ações de acordo com a evolução do interesse do usuário. Para obter mais informações, consulte [Personalização em tempo real](use-case-recipe-features.md#about-real-time-personalization).
+ Exploração: com a exploração, as recomendações incluem itens com menos dados de interações ou relevância para o usuário. Com a User-Personalization-v2, o Amazon Personalize gerencia a configuração de exploração para você. Para garantir que as recomendações incluam novos itens, você pode usar promoções para incluir novos itens com base na data e hora de criação. Para obter mais informações sobre promoções, consulte [Promover itens nas recomendações em tempo real](promoting-items.md).
+ Atualizações automáticas: com as atualizações automáticas, o Amazon Personalize atualiza automaticamente o modelo mais recente (versão da solução) a cada duas horas para incluir novas ações nas recomendações. Para obter mais informações, consulte [Atualizações automáticas](use-case-recipe-features.md#automatic-updates).
+ Metadados com recomendações: com a fórmula User-Personalization-v2, se você tiver um conjunto de dados de itens com pelo menos uma coluna de metadados, as campanhas terão automaticamente a opção de incluir metadados do item nos resultados das recomendações. Você não precisa habilitar manualmente os metadados da sua campanha. É possível usar metadados para aprimorar as recomendações na interface de usuário, como adicionar gêneros de filmes a carrosséis. Para obter mais informações, consulte [Habilitar metadados nas recomendações](campaigns.md#create-campaign-return-metadata).
## Conjuntos de dados obrigatórios e opcionais
Para usar a User-Personalization-v2, é necessário criar um conjunto de dados de interações com itens e importar, pelo menos, 1.000 interações com itens. O Amazon Personalize gera recomendações com base principalmente em dados de interações. Para obter mais informações, consulte [Dados de interações com itens](interactions-datasets.md). O User-Personalization-v2 pode treinar em até 5 milhões de itens em interações com itens e conjuntos de dados de itens.
Com o User-Personalization-v2, o Amazon Personalize pode usar dados de interações com itens que incluem o seguinte:
+ Dados de tipo e valor do evento: o Amazon Personalize usa dados de tipos de evento, como tipos de evento de clique ou exibição, para identificar a intenção e o interesse do usuário por meio de padrões de comportamento. Além disso, é possível usar dados de tipo e valor do evento para filtrar registros antes do treinamento. Para obter mais informações, consulte [Tipo de evento e dados de valor do evento](interactions-datasets.md#event-type-and-event-value-data).
**nota**
Com a User-Personalization-v2, seu custo de treinamento é baseado em seus dados de interações antes de filtrar por tipo ou valor do evento. Para obter mais informações, consulte os [preços do Amazon Personalize](https://aws.amazon.com/personalize/pricing/).
+ Metadados contextuais: são dados de interações que você coleta no ambiente do usuário no momento de um evento, como sua localização ou tipo de dispositivo. Para obter mais informações, consulte [Metadados contextuais](interactions-datasets.md#interactions-contextual-metadata).
Os seguintes conjuntos de dados são opcionais e podem melhorar as recomendações:
+ Conjunto de dados de usuários: o Amazon Personalize usa todos os dados do conjunto de dados para entender melhor os usuários e seus interesses. Também é possível usar dados em um conjunto de dados de usuários para filtrar recomendações. Para obter informações sobre os dados de usuários que podem ser importados, consulte [Metadados do usuário](users-datasets.md).
+ Conjunto de dados de itens: o Amazon Personalize pode usar todos os dados do conjunto de dados dos itens para identificar conexões e padrões no comportamento. Isso ajuda o Amazon Personalize a entender os usuários e os respectivos interesses. Também é possível usar dados em um conjunto de dados de itens para filtrar as recomendações. Para obter informações sobre os dados de itens que podem ser importados, consulte [Metadados de itens](items-datasets.md).
## Propriedades e hiperparâmetros
A fórmula User-Personalization-v2 tem as seguintes propriedades:
+ **Nome** – `aws-user-personalization-v2`
+ **Fórmula nome do recurso da Amazon (ARN)** – `arn:aws:personalize:::recipe/aws-user-personalization-v2`
+ **ARN do algoritmo** – `arn:aws:personalize:::algorithm/aws-user-personalization-v2`
Para obter mais informações, consulte [Escolher uma fórmula](working-with-predefined-recipes.md).
A tabela a seguir descreve os hiperparâmetros da fórmula User-Personalization-v2. 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. O processo de escolher o melhor valor para um hiperparâmetro é chamado de otimização de hiperparâmetros (HPO). Com a User-Personalization-v2, se você ativar o treinamento automático, o Amazon Personalize executará automaticamente o HPO a cada 90 dias. Sem treinamento automático, não ocorre nenhum HPO.
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)
| Nome | Descrição |
| --- | --- |
| Hiperparâmetros de algoritmo |
| apply\$1recency\$1bias | Determina se o modelo deve dar mais peso aos dados mais recentes de interações com itens em seu conjunto de dados de interações com itens. Os dados de interações mais recentes podem incluir mudanças repentinas nos padrões subjacentes dos eventos de interação. Para treinar um modelo que posiciona mais peso sobre eventos recentes, defina `apply_recency_bias` como `true`. Para treinar um modelo que pese igualmente todas as interações passadas, defina `apply_recency_bias` como `false`. Valor padrão: `true` Intervalo: `true` ou `false` Tipo de valor: booliano HPO ajustável: não |
# Fórmula User-Personalization
**Importante**
Recomendamos usar a fórmula [User-Personalization-v2](native-recipe-user-personalization-v2.md). Ela pode considerar até 5 milhões de itens com um treinamento mais rápido e gerar recomendações mais relevantes com menor latência.
A receita User-Personalization (aws-user-personalization) é otimizada para todos os cenários de recomendação personalizada. Ela prevê os itens com os quais um usuário tem mais probabilidade de interagir. Por exemplo, você pode usar a User-Personalization para gerar recomendações personalizadas de filmes para um aplicativo de streaming ou recomendações personalizadas de produtos para um aplicativo de varejo.
Com a User-Personalization, o Amazon Personalize gera recomendações com base principalmente em dados de interações com itens em um conjunto de dados de interações com itens. Ele também pode usar qualquer item e metadados de usuário em seus conjuntos de dados de itens e usuários. Para obter mais informações sobre os dados que ele usa, consulte [Conjuntos de dados obrigatórios e opcionais](#user-personalization-datasets).
**Topics**
+ [Recursos da fórmula](#user-personalization-features)
+ [Conjuntos de dados obrigatórios e opcionais](#user-personalization-datasets)
+ [Propriedades e hiperparâmetros](#bandit-hyperparameters)
+ [Treinamento com a fórmula User-Personalization (console)](#training-user-personalization-recipe-console)
+ [Treinamento com a fórmula User-Personalization (SDK do Python)](#training-user-personalization-recipe)
+ [Obter recomendações e gravar impressões (SDK para Python (Boto3))](#user-personalization-get-recommendations-recording-impressions)
+ [Exemplo de caderno Jupyter](#bandits-sample-notebooks)
## Recursos da fórmula
A User-Personalization usa os seguintes recursos da fórmula do Amazon Personalize ao gerar recomendações de itens:
+ Personalização em tempo real: o Amazon Personalize usa personalização em tempo real para atualizar e adaptar as recomendações de ações de acordo com a evolução do interesse do usuário. Para obter mais informações, consulte [Personalização em tempo real](use-case-recipe-features.md#about-real-time-personalization).
+ Exploração: com a exploração, as recomendações incluem novos itens ou itens com menos dados de interações. Isso melhora a descoberta e o engajamento de itens quando você tem um catálogo que muda rapidamente ou quando novos itens, como artigos de notícias ou promoções, são mais relevantes para os usuários quando são novos. Para obter mais informações sobre exploração, consulte [Exploration (Exploração)](use-case-recipe-features.md#about-exploration).
+ Atualizações automáticas: com as atualizações automáticas, o Amazon Personalize atualiza automaticamente o modelo mais recente (versão da solução) a cada duas horas para incluir novas ações nas recomendações. Para obter mais informações, consulte [Atualizações automáticas](use-case-recipe-features.md#automatic-updates).
## Conjuntos de dados obrigatórios e opcionais
Para usar a User-Personalization, você deve criar um [conjunto de dados de interações com itens](interactions-datasets.md) e importar no mínimo 1.000 interações. O Amazon Personalize gera recomendações com base principalmente em dados de interações.
Com a User-Personalization, o Amazon Personalize pode usar dados de interações com itens que incluem o seguinte:
+ Dados de tipo e valor do evento: o Amazon Personalize usa dados de tipos de evento, como tipos de evento de clique ou exibição, para identificar a intenção e o interesse do usuário por meio de padrões de comportamento. Além disso, é possível usar dados de tipo e valor do evento para filtrar registros antes do treinamento. Para obter mais informações, consulte [Tipo de evento e dados de valor do evento](interactions-datasets.md#event-type-and-event-value-data).
+ Metadados contextuais: são dados de interações que você coleta no ambiente do usuário no momento de um evento, como sua localização ou tipo de dispositivo. Para obter mais informações, consulte [Metadados contextuais](interactions-datasets.md#interactions-contextual-metadata).
+ Dados de impressões: impressões são listas de itens que estavam visíveis para um usuário durante a interação dele (clicar, assistir, comprar e assim por diante) com um determinado item. Para obter mais informações, consulte [Dados de impressões](interactions-datasets.md#interactions-impressions-data).
Os seguintes conjuntos de dados são opcionais e podem melhorar as recomendações:
+ Conjunto de dados de usuários: o Amazon Personalize usa todos os dados do conjunto de dados para entender melhor os usuários e seus interesses. Também é possível usar dados em um conjunto de dados de usuários para filtrar recomendações. Para obter informações sobre os dados de usuários que podem ser importados, consulte [Metadados do usuário](users-datasets.md).
+ Conjunto de dados de itens: o Amazon Personalize pode usar todos os dados do conjunto de dados dos itens para identificar conexões e padrões no comportamento. Isso ajuda o Amazon Personalize a entender os usuários e os respectivos interesses. Também é possível usar dados em um conjunto de dados de itens para filtrar as recomendações. Para obter informações sobre os dados de itens que podem ser importados, consulte [Metadados de itens](items-datasets.md).
## Propriedades e hiperparâmetros
A fórmula User-Personalization tem as seguintes propriedades:
+ **Nome**: `aws-user-personalization`
+ **Fórmula nome do recurso da Amazon (ARN)** – `arn:aws:personalize:::recipe/aws-user-personalization`
+ **ARN do algoritmo** – `arn:aws:personalize:::algorithm/aws-user-personalization`
Para obter mais informações, consulte [Escolher uma fórmula](working-with-predefined-recipes.md).
A tabela a seguir descreve os hiperparâmetros da fórmula User-Personalization. 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 ajustável**: o parâmetro pode participar da HPO?
| Nome | Description |
| --- | --- |
| Hiperparâmetros de algoritmo |
| hidden\$1dimension | O número de variáveis ocultas usadas no modelo. *Variáveis ocultas* recriam o histórico de compras dos usuários e as estatísticas de itens para gerar pontuações de classificação. Especifique um número maior de dimensões ocultas quando o conjunto de dados de interações com itens incluir padrões mais complicados. Usar mais dimensões ocultas requer um conjunto de dados maior e mais tempo para processamento. Para decidir sobre o valor ideal, use HPO. Para usar a HPO, defina `performHPO` `true` ao chamar as operações [CreateSolution](API_CreateSolution.md) e [CreateSolutionVersion](API_CreateSolutionVersion.md). Valor padrão: 149 Intervalo: [32, 256] Tipo de valor: inteiro Ajustável de HPO: sim |
| bptt | Determina se é necessário usar a técnica de propagação retroativa ao longo do tempo. A *propagação retroativa ao longo do tempo* é uma técnica que atualiza pesos em algoritmos baseados em rede neural recorrente. Use o `bptt` para créditos de longo prazo a fim de conectar prêmios atrasados a eventos iniciais. Por exemplo, um prêmio atrasado pode ser uma compra feita após vários cliques. Um evento inicial pode ser um clique inicial. Mesmo dentro dos mesmos tipos de evento, como um clique, é uma boa ideia considerar efeitos de longo prazo e maximizar os prêmios totais. Para considerar efeitos de longo prazo, use valores `bptt` maiores. O uso de um valor `bptt` maior exige conjuntos de dados maiores e mais tempo para processamento. Valor padrão: 32 Intervalo: [2, 32] Tipo de valor: inteiro Ajustável de HPO: sim |
| recency\$1mask | Determina se o modelo deve utilizar as tendências de popularidade mais recentes no conjunto de dados de interações com itens. As tendências de popularidade mais recentes podem incluir mudanças repentinas nos padrões subjacentes de eventos de interação. Para treinar um modelo que posiciona mais peso sobre eventos recentes, defina `recency_mask` como `true`. Para treinar um modelo que pese igualmente todas as interações passadas, defina `recency_mask` como `false`. Para obter boas recomendações usando um peso igual, talvez seja necessário um conjunto de dados de treinamento maior. Valor padrão: `True` Intervalo: `True` ou `False` Tipo de valor: booliano 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. *Tamanho do histórico* é a quantidade total de dados sobre 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. Por exemplo, a definição de `min_user_history_length_percentile to 0.05` e `max_user_history_length_percentile to 0.95` inclui todos os usuários, exceto aqueles com comprimentos de histórico nos 5% inferiores ou superiores. Valor padrão: 0.0 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. *Tamanho do histórico* é a quantidade total de dados sobre um usuário. Use `max_user_history_length_percentile` para excluir uma porcentagem de usuários com históricos longos, pois os dados desses usuários 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, a definição de `min_user_history_length_percentile to 0.05` e `max_user_history_length_percentile to 0.95` inclui todos os usuários, exceto aqueles com comprimentos de histórico nos 5% inferiores ou superiores. Valor padrão: 0.99 Intervalo: [0,0, 1,0] Tipo de valor: flutuante HPO ajustável: não |
| Hiperparâmetros de configuração da campanha de exploração de itens |
| exploration\$1weight | Determina com que frequência as recomendações incluem itens com menos dados de interações com itens ou menor relevância. Quanto mais próximo o valor estiver de 1,0, maior será a exploração. Em zero, nenhuma exploração ocorre, e as recomendações são baseadas nos dados atuais (relevância). Para obter mais informações, consulte [CampaignConfig](API_CampaignConfig.md). Valor padrão: 0.3 Intervalo: [0,0, 1,0] Tipo de valor: flutuante HPO ajustável: não |
| exploration\$1item\$1age\$1cut\$1off | Especifique a idade máxima do item em dias desde a última interação em todos os itens no conjunto de dados de interações com itens. Isso define o escopo da exploração do item com base na idade do item. O Amazon Personalize determina a idade do item com base no carimbo de data e hora de criação ou, caso esses dados não existam, nos dados das interações com itens. Para obter mais informações sobre como o Amazon Personalize determina a idade do item, consulte [Dados de carimbo de data e hora de criação](items-datasets.md#creation-timestamp-data). Para aumentar os itens que o Amazon Personalize considera durante a exploração, insira um valor maior. O mínimo é 1 dia e o padrão é 30 dias. As recomendações podem incluir itens mais antigos do que o limite de idade do item especificado. Isso ocorre porque esses itens são relevantes para o usuário, e a exploração não os identificou. Valor padrão: 30.0 Intervalo: flutuantes positivos Tipo de valor: flutuante HPO ajustável: não |
## Treinamento com a fórmula User-Personalization (console)
Para usar a fórmula User-Personalization para gerar recomendações no console, primeiro treine uma nova versão da solução usando a fórmula. Em seguida, implante uma campanha usando a versão da solução e use a campanha para obter recomendações.
**Treinar uma nova versão da solução com a fórmula User-Personalization (console)**
1. Abra o console Amazon Personalize em [https://console.aws.amazon.com/personalize/casa](https://console.aws.amazon.com/personalize/home) e faça login na sua conta.
1. Crie um grupo de conjuntos de dados personalizados com um novo esquema e carregue seu conjunto de dados com dados de impressões. Opcionalmente, inclua [CREATION\$1TIMESTAMP]() e dados de [Metadados de texto não estruturados](items-datasets.md#text-data) no conjunto de dados de itens para que o Amazon Personalize possa calcular com mais precisão a idade de um item e identificar itens frios.
Para obter mais informações sobre como importar dados, consulte [Importar dados de treinamento para os conjuntos de dados do Amazon Personalize](import-data.md).
1. Na página **Grupos de conjuntos de dados**, escolha o novo grupo de conjuntos de dados que contém o conjunto de dados ou conjuntos de dados com dados de impressões.
1. No painel de navegação, escolha **Soluções e fórmulas** e escolha **Criar solução**.
1. Na página **Criar solução**, em **Nome da solução**, insira o nome da sua nova solução.
1. Em **Tipo de solução**, escolha **Recomendação de item** para obter recomendações de itens para seus usuários.
1. Para **Receita**, escolha **aws-user-personalization**. A seção **Configuração da solução** aparece com várias opções de configuração.
1. Em **Configuração de evento**, se o conjunto de dados de interações com itens tiver as colunas EVENT\$1TYPE ou EVENT\$1TYPE e EVENT\$1VALUE, use os campos **Tipo de evento** e **Limite de valor do evento** para escolher os dados de interações com itens que o Amazon Personalize utiliza ao treinar o modelo. Para obter mais informações, consulte [Selecionar os dados de interações com itens utilizados para treinamento](event-values-types.md).
Se você tiver vários tipos de eventos e usar a receita User-Personalization-v Personalized-Ranking-v 2 ou a receita 2, também poderá especificar pesos diferentes para tipos diferentes. Por exemplo, você pode configurar uma solução para dar mais peso aos eventos de compra do que aos eventos de clique. Para obter mais informações, consulte [Otimização de uma solução com configuração de eventos](optimizing-solution-events-config.md).
1. Opcionalmente, configure hiperparâmetros para sua solução. Para obter uma lista das propriedades e hiperparâmetros da fórmula User-Personalization, consulte [Propriedades e hiperparâmetros](#bandit-hyperparameters).
1. Escolha **Criar e treinar a solução** para iniciar o treinamento. A página **Painel** é exibida.
Você pode navegar até a página de detalhes da solução para acompanhar o andamento do treinamento na seção **Versões da solução**. Quando o treinamento for concluído,o status será **Ativo**.
**Criar uma campanha e receber recomendações (console)**
Quando o status da versão da solução for **Ativo**, você estará pronto para criar sua campanha e receber recomendações da seguinte forma:
1. Na página de detalhes da solução ou na página **Campanhas**, escolha **Criar nova campanha**.
1. Na página **Criar nova campanha**, para **Detalhes da campanha**, forneça as seguintes informações:
+ **Nome da campanha:** insira o nome da campanha. O texto que você insere aqui aparece no painel Campanha e na página de detalhes.
+ **Solução:** escolha a solução que você acabou de criar.
+ **ID da versão da solução:** escolha a ID da versão da solução que você acabou de criar.
+ **Transações mínimas provisionadas por segundo:** defina as transações mínimas provisionadas por segundo compatíveis com o Amazon Personalize. Para obter mais informações, consulte a operação [CreateCampaign](API_CreateCampaign.md).
1. Para **Configuração da campanha**, forneça as seguintes informações:
+ **Peso da exploração:** configure quanto explorar. Quando as recomendações incluírem itens com menos dados de interações ou menor relevância com maior frequência, você deve especificar uma exploração maior. Quanto mais próximo o valor estiver de 1, maior será a exploração. Em zero, nenhuma exploração ocorre, e as recomendações são baseadas nos dados atuais (relevância).
+ **Limite de idade do item de exploração**: insira a idade máxima do item, em dias desde a última interação, para definir o escopo da exploração do item. Para aumentar a quantidade de itens que o Amazon Personalize considera durante a exploração, insira um valor maior.
Por exemplo, se você inserir dez, somente itens com dados de interações com itens dos dez dias desde a última interação no conjunto de dados serão utilizados durante a exploração.
**nota**
As recomendações podem incluir itens sem dados de interações com itens de fora desse período. Isso ocorre porque esses itens são relevantes para os interesses do usuário, e a exploração não foi necessária para identificá-los.
1. Escolha **Create campaign (Criar campanha)**.
1. Na página de detalhes da campanha, quando o status da campanha é **Ativo**, você pode usar a campanha para obter recomendações e registrar impressões. Para obter mais informações, consulte [Etapa 5: Obter recomendações](getting-started-console.md#getting-started-console-get-recommendations) em "Conceitos básicos".
O Amazon Personalize atualiza automaticamente a versão da solução mais recente a cada duas horas para incluir novos dados. Sua campanha usa automaticamente a versão atualizada da solução. Para obter mais informações, consulte [Atualizações automáticas](use-case-recipe-features.md#automatic-updates).
Para atualizar manualmente a campanha, primeiro crie e treine uma nova versão da solução usando o console ou a operação [CreateSolutionVersion](API_CreateSolutionVersion.md), com o `trainingMode` definido como`update`. Em seguida, atualize manualmente a campanha na página **Campanha** do console ou usando a operação [UpdateCampaign](API_UpdateCampaign.md).
**nota**
O Amazon Personalize não atualiza automaticamente as versões da solução que você criou antes de 17 de novembro de 2020.
## Treinamento com a fórmula User-Personalization (SDK do Python)
Depois de criar um grupo de conjuntos de dados e carregar seus conjuntos de dados com dados de impressões, você pode treinar uma solução com a fórmula User-Personalization. Opcionalmente, inclua [CREATION\$1TIMESTAMP]() e dados de [Metadados de texto não estruturados](items-datasets.md#text-data) no conjunto de dados de itens para que o Amazon Personalize possa calcular com mais precisão a idade de um item e identificar itens frios. Para obter mais informações sobre a criação de grupos de conjuntos de dados e o upload de dados de treinamento, consulte [Criar arquivos JSON de esquema para esquemas do Amazon Personalize](how-it-works-dataset-schema.md).
**Para treinar uma solução com a receita de personalização do usuário usando o SDK AWS**
1. Crie uma nova solução usando o método `create_solution`.
Substitua `solution name` pelo nome da solução e `dataset group arn` pelo nome do recurso da Amazon (ARN) do grupo do conjunto de dados.
```
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)
```
Para obter uma lista das propriedades e hiperparâmetros da aws-user-personalization receita, consulte[Propriedades e hiperparâmetros](#bandit-hyperparameters).
1. Crie uma nova *versão da solução* com os dados de treinamento atualizados e defina `trainingMode` como `FULL` usando o snippet de código a seguir. Substitua o `solution arn` pelo ARN da solução.
```
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. Quando o Amazon Personalize terminar de criar sua versão da solução, crie sua campanha com os seguintes parâmetros:
+ Forneça um novo `campaign name` e o `solution version arn` gerado na etapa 2.
+ Modifique o hiperparâmetro de configuração de exploração do item `explorationWeight` para configurar quanto explorar. Itens com menos dados de interações ou menor relevância são recomendados com maior frequência dependendo da proximidade em relação ao valor 1,0. O valor padrão é 0,3.
+ Modifique o parâmetro do hiperparâmetro da configuração de exploração do item `explorationItemAgeCutOff` para fornecer a duração máxima, em dias, em relação à interação mais recente, para a qual os itens devem ser explorados. Quanto maior o valor, mais itens são considerados durante a exploração.
Use o seguinte snippet de Python para criar uma nova campanha com ênfase na exploração com limite de exploração em 30 dias. Criar uma campanha geralmente leva alguns minutos, mas pode demorar mais de uma hora.
```
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)
```
Com User-Personalization, o Amazon Personalize atualiza automaticamente a versão da solução a cada duas horas para incluir novos dados. Sua campanha usa automaticamente a versão atualizada da solução. Para obter mais informações, consulte [Atualizações automáticas](use-case-recipe-features.md#automatic-updates).
Para atualizar manualmente a campanha, primeiro crie e treine uma nova versão da solução usando o console ou a operação [CreateSolutionVersion](API_CreateSolutionVersion.md), com o `trainingMode` definido como`update`. Em seguida, atualize manualmente a campanha na página **Campanha** do console ou usando a operação [UpdateCampaign](API_UpdateCampaign.md).
**nota**
O Amazon Personalize não atualiza automaticamente as versões da solução que você criou antes de 17 de novembro de 2020.
## Obter recomendações e gravar impressões (SDK para Python (Boto3))
Quando sua campanha é criada, você pode usá-la para obter recomendações para um usuário e registrar impressões. Para obter informações sobre como obter recomendações de lotes usando o AWS SDKs consulte[Criar um trabalho de inferência em lote (AWS SDKs)](creating-batch-inference-job.md#batch-sdk).
**Para obter recomendações e registrar impressões**
1. Chame o método `get_recommendations`. Altere o `campaign arn` para o ARN da sua nova campanha e `user id` para o ID do usuário.
```
import boto3
rec_response = personalize_runtime.get_recommendations(campaignArn = 'campaign arn', userId = 'user id')
print(rec_response['recommendationId'])
```
1. Crie um novo rastreador de eventos para enviar PutEvents solicitações. Substitua `event tracker name` pelo nome do seu rastreador de eventos e `dataset group arn` pelo ARN do seu grupo de conjuntos de dados.
```
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. Use o `recommendationId` da etapa 1 e o `event tracking id` da etapa 2 para criar uma nova solicitação `PutEvents`. Essa solicitação registra os novos dados de impressão da sessão do usuário. Altere o `user id` para o ID do usuário.
```
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']],
}]
)
```
## Exemplo de caderno Jupyter
Para obter um exemplo de caderno Jupyter que mostre como usar a fórmula User-Personalization, consulte [User-Personalization com exploração](https://github.com/aws-samples/amazon-personalize-samples/blob/master/next_steps/core_use_cases/user_personalization/user-personalization-with-exploration.ipynb).
# Fórmula Trending-Now
A receita Trending-Now (aws-trending-now) gera recomendações para itens que estão rapidamente se tornando mais populares entre seus usuários. Você pode usar a fórmula Trending-Now se os itens que estão ganhando popularidade forem mais relevantes para seus clientes. Por exemplo, seus clientes podem valorizar muito o conteúdo com que os outros usuários estão interagindo. Os usos comuns incluem recomendar conteúdo viral de mídia social, artigos com as últimas notícias ou vídeos esportivos recentes.
O Trending-Now identifica automaticamente os itens mais populares, calculando o aumento nas interações de cada item em intervalos de tempo configuráveis. Os itens com maior taxa de aumento são considerados itens populares. A hora é baseada nos dados de carimbo de data e hora no conjunto de dados de interações com itens. Os itens considerados vêm dos dados de interações que você importou em lote e de forma incremental. Você não precisa criar manualmente uma nova versão da solução para o Trending-Now para considerar novos itens em dados de interações.
Você pode especificar o intervalo de tempo fornecendo `Trend discovery frequency` ao criar sua solução. Por exemplo, se você especificar `30 minutes` para `Trend discovery frequency`, a cada 30 minutos de dados, o Amazon Personalize identificará os itens com a maior taxa de aumento nas interações desde a última avaliação. As opções de frequências incluem: 30 minutos, 1 hora, 3 horas e 1 dia. Escolha uma frequência que se alinhe à distribuição de seus dados de interações. A falta de dados no intervalo que você escolher poderá reduzir a precisão da recomendação. Se você não importar nenhuma interação nos últimos dois intervalos de tempo, o Amazon Personalize recomenda somente itens populares, em vez de itens em alta.
Com o Trending-Now, você chama a operação [GetRecommendations](API_RS_GetRecommendations.md) ou recebe recomendações na página da **campanha de teste** do console do Amazon Personalize. O Amazon Personalize retorna os itens mais populares. Você passa `userId` em sua solicitação somente se aplicar um filtro que exija isso. Com a GetRecommendations API, você pode configurar o número de itens populares retornados com o `numResults` parâmetro. Não é possível obter recomendações em lote com a fórmula Trending-Now.
Para usar o Trending-Now, você deve criar um conjunto de dados de interações de itens com pelo menos 1000 interações históricas e de eventos exclusivas combinadas (depois de filtrar por EventType e, se fornecido). eventValueThreshold Ao gerar recomendações de itens populares, a Trending-Now não usa dados nos conjuntos de dados de itens ou usuários. No entanto, 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).
**Topics**
+ [Propriedades e hiperparâmetros](#trending-now-hyperparameters)
+ [Criar uma solução (SDK para Python (Boto3))](#trending-now-python)
+ [Exemplo de caderno Jupyter](#trending-now-sample-notebooks)
## Propriedades e hiperparâmetros
A fórmula de Trending-Now tem as seguintes propriedades:
+ **Nome**: `aws-trending-now`
+ **Fórmula nome do recurso da Amazon (ARN)** – `arn:aws:personalize:::recipe/aws-trending-now`
+ **ARN do algoritmo** – `arn:aws:personalize:::algorithm/aws-trending-now-custom`
Para obter mais informações, consulte [Escolher uma fórmula](working-with-predefined-recipes.md).
A tabela a seguir descreve os hiperparâmetros da fórmula de Trending-Now. 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. 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 ajustável**: o parâmetro pode participar da HPO?
| Nome | Description |
| --- | --- |
| Hiperparâmetros de transformação de atributos |
| Trend discovery frequency | Especifique com que frequência o Amazon Personalize avalia seus dados de interações e identifica itens populares. Por exemplo, se você especificar `30 minutes` para `Trend discovery frequency`, a cada 30 minutos, o Amazon Personalize identificará os itens com a maior taxa de aumento nas interações com intervalos de 30 minutos. As frequências disponíveis incluem 30 minutos, 1 hora, 2 horas, 3 horas e 1 dia. Escolha uma frequência que se alinhe à distribuição de seus dados de interações. A falta de dados no intervalo que você escolher poderá reduzir a precisão da recomendação. Se você usa a operação da CreateSolution API e não especifica um valor, o padrão é a cada 2 horas. Para qualquer valor de parâmetro que seja superior a 2 horas, o Amazon Personalize atualiza automaticamente as recomendações de itens mais populares a cada 2 horas para contabilizar novas interações e novos itens. Valor padrão: 2 horas Valores possíveis: 30 minutos, 1 hora, 2 horas, 3 horas e 1 dia. Tipo de valor: string HPO ajustável: não |
## Criar uma solução (SDK para Python (Boto3))
O código a seguir mostra como criar uma solução com a fórmula Trending-Now usando o SDK para Python (Boto3). Os valores possíveis para `trend_discovery_frequency` são `30 minutes`, `1 hour`, `3 hours` e `1 day`. Para obter informações sobre como criar uma solução com o console, consulte [Criar uma solução (console)](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'])
```
## Exemplo de caderno Jupyter
Para ver um exemplo de caderno Jupyter que mostra como usar a receita Trending-Now, consulte [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) no repositório de amostras do Amazon Personalize. GitHub
# Fórmula de contagem de popularidade
O Popularity-Count recomenda os itens mais populares com base em seus dados de interações. Os itens mais populares são aqueles com mais dados de interações de usuários únicos. A fórmula retorna os mesmos itens populares para todos os usuários. O Popularity-Count é uma boa base para comparação com outras fórmulas usando as métricas de avaliação que o Amazon Personalize gera quando você cria uma versão da solução. Para obter mais informações, consulte [Avaliar uma versão da solução do Amazon Personalize com métricas](working-with-training-metrics.md).
Depois de criar uma versão da solução, mantenha a versão e os dados da solução atualizados. Com a fórmula Popularity-Count, você deve criar manualmente uma nova versão da solução (treinar o modelo novamente) para o Amazon Personalize considerar novos itens 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).
Essa fórmula predefinida tem as seguintes propriedades:
+ **Nome** – `aws-popularity-count`
+ **ARN da fórmula** – `arn:aws:personalize:::recipe/aws-popularity-count`
+ **ARN do algoritmo** – `arn:aws:personalize:::algorithm/aws-popularity-count`
+ **ARN de transformação de atributos** – `arn:aws:personalize:::feature-transformation/sims`
+ **Tipo de fórmula** – `USER_PERSONALIZATION`
Popularity-Count não tem hiperparâmetros expostos.
# Fórmula Personalized-Ranking-v2
A fórmula Personalized-Ranking-v2 gera classificações personalizadas de itens. Uma *classificação personalizada* é uma lista de itens recomendados que são reclassificados para um usuário específico. Isso é útil se você tiver uma coleção de itens pedidos, como resultados de pesquisa, promoções ou listas selecionadas, e quiser fornecer uma nova classificação personalizada para cada um de seus usuários.
A fórmula Personalized-Ranking-v2 pode treinar em até 5 milhões de itens de interações com itens e conjuntos de dados de itens. Além de gerar classificações mais precisas com menor latência do que [Classificações personalizadas](native-recipe-search.md).
Ao usar a fórmula Personalized-Ranking-v2, você especifica os itens a serem classificados em uma operação da API [GetPersonalizedRanking](API_RS_GetPersonalizedRanking.md). Se você fornecer itens sem dados de interações, o Amazon Personalize retornará esses itens sem uma pontuação de recomendação na resposta da API GetPersonalizedRanking.
Essa formula usa uma arquitetura baseada em transformadores para treinar um modelo que aprende o contexto e rastreia relacionamentos e padrões em seus dados. *Transformadores* são um tipo de arquitetura de rede neural que transforma ou altera uma sequência de entrada em uma sequência de saída. Para o Amazon Personalize, a sequência de entrada é o histórico de interações com itens do usuário em seus dados. A sequência de saída são suas recomendações personalizadas. Para obter mais informações sobre transformadores, consulte [O que são transformadores em inteligência artificial?](https://aws.amazon.com/what-is/transformers-in-artificial-intelligence/) no AWS Cloud Computing Concepts Hub.
A fórmula Personalized-Ranking-v2 usa um modelo de preços diferente de outras fórmulas. Para obter mais informações, consulte os [preços do Amazon Personalize](https://aws.amazon.com/personalize/pricing/).
**Topics**
+ [Recursos da fórmula](#personalized-ranking-v2-features)
+ [Conjuntos de dados obrigatórios e opcionais](#personalized-ranking-v2-datasets)
+ [Propriedades e hiperparâmetros](#personalized-ranking-v2-hyperparameters)
## Recursos da fórmula
A fórmula Personalized-Ranking-v2 usa os seguintes recursos do Amazon Personalize ao classificar itens:
+ Personalização em tempo real: o Amazon Personalize usa personalização em tempo real para atualizar e adaptar as recomendações de ações de acordo com a evolução do interesse do usuário. Para obter mais informações, consulte [Personalização em tempo real](use-case-recipe-features.md#about-real-time-personalization).
+ Metadados com recomendações: com a fórmula Personalized-Ranking-v2, se você tiver um conjunto de dados de itens com pelo menos uma coluna de metadados, as campanhas têm automaticamente a opção de incluir metadados do item nos resultados das recomendações. Você não precisa habilitar manualmente os metadados da sua campanha. É possível usar metadados para aprimorar as recomendações na interface de usuário, como adicionar gêneros de filmes a carrosséis. Para obter mais informações, consulte [Habilitar metadados nas recomendações](campaigns.md#create-campaign-return-metadata).
## Conjuntos de dados obrigatórios e opcionais
Para usar a Personalized-Ranking-v2, é necessário criar um conjunto de dados de interações com itens e importar, pelo menos, 1.000 interações com itens. O Amazon Personalize gera recomendações com base principalmente em dados de interações com itens. Para obter mais informações, consulte [Dados de interações com itens](interactions-datasets.md). A fórmula Personalized-Ranking-v2 pode treinar em até 5 milhões de itens de interações com itens e conjuntos de dados de itens.
Com o Personalized-Ranking-v2, o Amazon Personalize pode usar dados de interações com itens que incluem o seguinte:
+ Dados de tipo e valor do evento: o Amazon Personalize usa dados de tipos de evento, como tipos de evento de clique ou exibição, para identificar a intenção e o interesse do usuário por meio de padrões de comportamento. Além disso, é possível usar dados de tipo e valor do evento para filtrar registros antes do treinamento. Para obter mais informações, consulte [Tipo de evento e dados de valor do evento](interactions-datasets.md#event-type-and-event-value-data).
**nota**
Com o Personalized-Ranking-v2, seu custo de treinamento é baseado nos dados de interações antes de filtrar por tipo ou valor do evento. Para obter mais informações, consulte os [preços do Amazon Personalize](https://aws.amazon.com/personalize/pricing/).
+ Metadados contextuais: são dados de interações que você coleta no ambiente do usuário no momento de um evento, como sua localização ou tipo de dispositivo. Para obter mais informações, consulte [Metadados contextuais](interactions-datasets.md#interactions-contextual-metadata).
Os seguintes conjuntos de dados são opcionais e podem melhorar as recomendações:
+ Conjunto de dados de usuários: o Amazon Personalize usa todos os dados do conjunto de dados para entender melhor os usuários e seus interesses. Também é possível usar dados em um conjunto de dados de usuários para filtrar recomendações. Para obter informações sobre os dados de usuários que podem ser importados, consulte [Metadados do usuário](users-datasets.md).
+ Conjunto de dados de itens: o Amazon Personalize pode usar todos os dados do conjunto de dados dos itens para identificar conexões e padrões no comportamento. Isso ajuda o Amazon Personalize a entender os usuários e os respectivos interesses. Também é possível usar dados em um conjunto de dados de itens para filtrar as recomendações. Para obter informações sobre os dados de itens que podem ser importados, consulte [Metadados de itens](items-datasets.md).
## Propriedades e hiperparâmetros
A fórmula Personalized-Ranking-v2 tem as seguintes propriedades:
+ **Nome** – `aws-personalized-ranking-v2`
+ **Fórmula nome do recurso da Amazon (ARN)** – `arn:aws:personalize:::recipe/aws-personalized-ranking-v2`
+ **ARN do algoritmo** – `arn:aws:personalize:::algorithm/aws-personalized-ranking-v2`
Para obter mais informações, consulte [Escolher uma fórmula](working-with-predefined-recipes.md).
A tabela a seguir descreve os hiperparâmetros da fórmula Personalized-Ranking-v2. 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. O processo de escolher o melhor valor para um hiperparâmetro é chamado de otimização de hiperparâmetros (HPO). Com a Personalized-Ranking-v2, se você ativar o treinamento automático, o Amazon Personalize executará automaticamente o HPO a cada 90 dias. Sem treinamento automático, não ocorre nenhum HPO.
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)
| Nome | Descrição |
| --- | --- |
| Hiperparâmetros de algoritmo |
| apply\$1recency\$1bias | Determina se o modelo deve dar mais peso aos dados mais recentes de interações com itens em seu conjunto de dados de interações com itens. Os dados de interações mais recentes podem incluir mudanças repentinas nos padrões subjacentes dos eventos de interação. Para treinar um modelo que posiciona mais peso sobre eventos recentes, defina `apply_recency_bias` como `true`. Para treinar um modelo que pese igualmente todas as interações passadas, defina `apply_recency_bias` como `false`. Valor padrão: `true` Intervalo: `true` ou `false` Tipo de valor: booliano HPO ajustável: não |
# Fórmulas de classificações personalizadas
**Importante**
Recomendamos usar a fórmula [Personalized-Ranking-v2](native-recipe-personalized-ranking-v2.md). Ela pode considerar até 5 milhões de itens com um treinamento mais rápido e gerar classificações mais precisas com menor latência.
A fórmula Personalized-Ranking gera classificações personalizadas de itens. Uma *classificação personalizada* é uma lista de itens recomendados que são reclassificados para um usuário específico. Isso é útil se você tiver uma coleção de itens pedidos, como resultados de pesquisa, promoções ou listas selecionadas, e quiser fornecer uma nova classificação personalizada para cada um de seus usuários. Por exemplo, com Personalized-Ranking, o Amazon Personalize pode reclassificar os resultados de pesquisa que você gera com o [OpenSearch](personalize-opensearch.md).
Para treinar um modelo, a fórmula Personalized-Ranking usa os dados no conjunto de dados de interações com itens e também os conjuntos de dados de itens e usuários (se você os tiver criado) no grupo de conjuntos de dados (esses conjuntos de dados são opcionais). Com a Personalized-Ranking, o conjunto de dados de itens pode incluir [Metadados de texto não estruturados](items-datasets.md#text-data), e o conjunto de dados de interações de itens pode incluir [Metadados contextuais](interactions-datasets.md#interactions-contextual-metadata). Para obter classificações personalizadas, use a API [GetPersonalizedRanking](API_RS_GetPersonalizedRanking.md).
Depois de criar uma versão da solução, mantenha a versão e os dados da solução atualizados. Com a Personalized-Ranking, 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).
**nota**
Se você fornecer itens sem dados de interações para classificação, o Amazon Personalize retornará esses itens sem uma pontuação de recomendação na resposta da API GetPersonalizedRanking.
Essa fórmula tem as seguintes propriedades:
+ **Nome** – `aws-personalized-ranking`
+ **Fórmula nome do recurso da Amazon (ARN)** – `arn:aws:personalize:::recipe/aws-personalized-ranking`
+ **ARN do algoritmo** – `arn:aws:personalize:::algorithm/aws-personalized-ranking`
+ **ARN de transformação de atributos** – `arn:aws:personalize:::feature-transformation/JSON-percentile-filtering`
+ **Tipo de fórmula** – `PERSONALIZED_RANKING`
## Hiperparâmetros
A tabela a seguir descreve os hiperparâmetros da fórmula Personalize-Ranking. 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)?
| Nome | Descrição |
| --- | --- |
| Hiperparâmetros de algoritmo |
| hidden\$1dimension | O número de variáveis ocultas usadas no modelo. *Variáveis ocultas* recriam o histórico de compras dos usuários e as estatísticas de itens para gerar pontuações de classificação. Especifique um número maior de dimensões ocultas quando o conjunto de dados de interações com itens incluir padrões mais complicados. Usar mais dimensões ocultas requer um conjunto de dados maior e mais tempo para processamento. Para decidir sobre o valor ideal, use HPO. Para usar a HPO, defina `performHPO` `true` ao chamar as operações [CreateSolution](API_CreateSolution.md) e [CreateSolutionVersion](API_CreateSolutionVersion.md). Valor padrão: 149 Intervalo: [32, 256] Tipo de valor: inteiro Ajustável de HPO: sim |
| bptt | Determina se é necessário usar a técnica de propagação retroativa ao longo do tempo. A *propagação retroativa ao longo do tempo* é uma técnica que atualiza pesos em algoritmos baseados em rede neural recorrente. Use o `bptt` para créditos de longo prazo a fim de conectar prêmios atrasados a eventos iniciais. Por exemplo, um prêmio atrasado pode ser uma compra feita após vários cliques. Um evento inicial pode ser um clique inicial. Mesmo dentro dos mesmos tipos de evento, como um clique, é uma boa ideia considerar efeitos de longo prazo e maximizar os prêmios totais. Para considerar efeitos de longo prazo, use valores `bptt` maiores. O uso de um valor `bptt` maior exige conjuntos de dados maiores e mais tempo para processamento. Valor padrão: 32 Intervalo: [2, 32] Tipo de valor: inteiro Ajustável de HPO: sim |
| recency\$1mask | Determina se o modelo deve utilizar as tendências de popularidade mais recentes no conjunto de dados de interações com itens. As tendências de popularidade mais recentes podem incluir mudanças repentinas nos padrões subjacentes de eventos de interação. Para treinar um modelo que posiciona mais peso sobre eventos recentes, defina `recency_mask` como `true`. Para treinar um modelo que pese igualmente todas as interações passadas, defina `recency_mask` como `false`. Para obter boas recomendações usando um peso igual, talvez seja necessário um conjunto de dados de treinamento maior. Valor padrão: `True` Intervalo: `True` ou `False` Tipo de valor: booliano 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. *Tamanho do histórico* é a quantidade total de dados sobre 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. Por exemplo, a definição de `min__user_history_length_percentile to 0.05` e `max_user_history_length_percentile to 0.95` inclui todos os usuários, exceto aqueles com comprimentos de histórico nos 5% inferiores ou superiores. Valor padrão: 0.0 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. *Tamanho do histórico* é a quantidade total de dados sobre um usuário. Use `max_user_history_length_percentile` para excluir uma porcentagem de usuários com históricos longos, pois os dados desses usuários 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, a definição de `min__user_history_length_percentile to 0.05` e `max_user_history_length_percentile to 0.95` inclui todos os usuários, exceto aqueles com comprimentos de histórico nos 5% inferiores ou superiores. Valor padrão: 0.99 Intervalo: [0,0, 1,0] Tipo de valor: flutuante HPO ajustável: não |
## Exemplo de caderno do Personalized-Ranking
Para ver um exemplo de caderno Jupyter que mostra como usar a fórmula Personalized-Ranking, consulte [Exemplo de classificação personalizada](https://github.com/aws-samples/amazon-personalize-samples/blob/master/next_steps/core_use_cases/personalized_ranking/personalize_ranking_example.ipynb).
# Receita de similaridade semântica
A receita de Semântica-Similaridade (aws-semantic-similarity) gera recomendações para itens que são semanticamente semelhantes a um determinado item com base no conteúdo textual. Diferentemente das receitas de similaridade tradicionais que dependem de interações entre usuários e itens, essa receita analisa as descrições textuais e os atributos dos itens para gerar incorporações e identificar itens semanticamente semelhantes.
Essa receita é ideal para cenários em que você deseja recomendar itens com base na semelhança de conteúdo, como recomendar livros com temas semelhantes, artigos sobre tópicos relacionados ou produtos com descrições semelhantes. Funciona particularmente bem para novos itens com histórico de interação limitado (cenários de inicialização a frio) e para catálogos em que as relações semânticas são mais importantes do que os padrões de coocorrência.
Com a Semântica-Similaridade, você fornece uma ID de item em uma [GetRecommendations](https://docs.aws.amazon.com/personalize/latest/dg/API_RS_GetRecommendations.html)operação (ou no console Amazon Personalize) e o Amazon Personalize retorna uma lista de itens semelhantes. Ou você pode usar um fluxo de trabalho em lotes para obter itens semelhantes para todos os itens do seu inventário (consulte [Como obter recomendações de itens em lote](https://docs.aws.amazon.com/personalize/latest/dg/getting-batch-recommendations.html)).
**Topics**
+ [Recursos da fórmula](#semantic-similarity-features)
+ [Conjuntos de dados obrigatórios e opcionais](#semantic-similarity-datasets)
+ [Propriedades e hiperparâmetros](#semantic-similarity-hyperparameters)
## Recursos da fórmula
O Semantic-Silarity usa os seguintes recursos de receita do Amazon Personalize ao gerar recomendações de itens:
+ Personalização em tempo real — Com a receita de similaridade semântica, o Amazon Personalize mantém automaticamente seu catálogo de itens atualizado. Quando você adiciona novos itens ao seu conjunto de dados de Itens ou atualiza os metadados de itens existentes, essas alterações são refletidas em suas recomendações em aproximadamente 30 minutos ao usar o treinamento incremental. Isso garante que seus clientes sempre vejam os itens mais atuais disponíveis em seu catálogo sem precisar de intervenção manual ou esperar por um ciclo completo de reciclagem. Isso é particularmente valioso para catálogos que mudam com frequência, como artigos de notícias, postagens em blogs ou ofertas sazonais de produtos. Para habilitar atualizações incrementais, os clientes devem:
+ `performIncrementalUpdate`Defina como `true` para a solução na API
+ Escolha a opção “Treinamento completo e incremental” ou “Treinamento incremental” em Método de treinamento na interface do usuário
Observe que habilitar atualizações incrementais acarretará custos adicionais sempre que uma atualização estiver sendo realizada.
+ Metadados com recomendações — Com a receita de similaridade semântica, as campanhas têm automaticamente a opção de incluir metadados do item nos resultados das recomendações. Você não precisa habilitar manualmente os metadados da sua campanha. É possível usar metadados para aprimorar as recomendações na interface de usuário, como adicionar gêneros de filmes a carrosséis. Para obter mais informações, consulte [Metadados do item nas recomendações](https://docs.aws.amazon.com/personalize/latest/dg/campaigns.html#create-campaign-return-metadata).
## Conjuntos de dados obrigatórios e opcionais
Para usar a receita de Semântica-Similaridade, você deve criar um conjunto de dados de Itens. O Amazon Personalize gera recomendações com base no significado semântico dos metadados do item. Para obter mais informações, consulte [Metadados do item](https://docs.aws.amazon.com/personalize/latest/dg/items-datasets.html). A similaridade semântica pode ser treinada em até 10 milhões de itens em seu conjunto de dados de itens.
Com a Semântica-Similaridade, o Amazon Personalize exige dados de itens que incluam o seguinte
+ campo itemName — Um campo de string definido como. `itemName` `true` Esse campo deve conter o título ou o nome do item.
+ Campo de descrição textual — Pelo menos um campo de string marcado como `textual` esse contém a descrição do item. Esse deve ser o campo que melhor descreve e representa o item.
O Amazon Personalize usa esse campo para gerar incorporações semânticas que capturam o significado e o conteúdo dos seus itens.
Além disso, o campo reservado CREATION\$1TIMESTAMP deve ser definido se você quiser usar a classificação baseada em novidades. Para obter mais informações, consulte [Propriedades e hiperparâmetros](#semantic-similarity-hyperparameters).
Os seguintes conjuntos de dados são opcionais e podem melhorar as recomendações:
+ Conjunto de dados de interações — O Amazon Personalize pode usar dados em seu conjunto de dados de interações para calcular pontuações de popularidade com base no engajamento do usuário com os itens. Você pode usar pontuações de popularidade para classificar itens semelhantes de acordo com a popularidade entre os usuários. Você deve fornecer um conjunto de dados de interações se quiser usar a classificação baseada em popularidade. Você também pode usar dados em um conjunto de dados de interações para filtrar recomendações. Para obter informações sobre os dados de interação que você pode importar, consulte [Dados de interação do item](https://docs.aws.amazon.com/personalize/latest/dg/interactions-datasets.html)
## Propriedades e hiperparâmetros
A receita de similaridade semântica tem as seguintes propriedades:
+ **Nome**: `aws-semantic-similarity`
+ **Fórmula nome do recurso da Amazon (ARN)** – `arn:aws:personalize:::recipe/aws-semantic-similarity`
+ **ARN do algoritmo** – `arn:aws:personalize:::algorithm/aws-semantic-similarity`
+ **ARN de transformação de atributos** – `arn:aws:personalize:::feature-transformation/aws-semantic-similarity`
+ **Tipo de fórmula** – `RELATED_ITEMS`
Para obter mais informações, consulte [Escolher uma fórmula](working-with-predefined-recipes.md).
A receita de similaridade semântica não tem hiperparâmetros expostos, mas você pode configurar fatores de popularidade e atualização ao criar uma campanha para influenciar a classificação de itens semelhantes.
A tabela fornece as seguintes informações para cada fator:
+ **Intervalo**: [limite inferior, limite superior]
+ **Tipo de valor**: inteiro, contínuo (float), categórico (booliano, lista, string)
| Name (Nome) | Description |
| --- | --- |
| Freshness | O fator de frescura representa o quão recente é um item. O frescor é calculado normalizando a idade do item com base em seu CREATION\$1TIMESTAMP. Para usar o fator de atualização, você deve incluir o campo CREATION\$1TIMESTAMP no esquema do conjunto de dados Itens. Valores mais altos do fator de frescura priorizarão itens mais novos entre recomendações semanticamente semelhantes Valor padrão: `0.0` Alcance: ` [0.0, 1.0]` Tipo de valor: Duplo |
| Popularidade | O fator popularidade representa a popularidade de um item com base nas interações do usuário. A popularidade é calculada pela normalização do número de interações que cada item recebeu. Para usar o fator de popularidade, você deve incluir um conjunto de dados Interações ao criar seu grupo de conjuntos de dados. Valores mais altos do fator de popularidade priorizam itens com mais interações com o cliente entre recomendações semanticamente semelhantes. Valor padrão: `0.0` Alcance: ` [0.0, 1.0]` Tipo de valor: Duplo |
Observe que as pontuações de atualização e popularidade são calculadas no treinamento e as atualizações incrementais não atualizarão as pontuações de popularidade e atualização. Para que os fatores mais recentes de popularidade e atualização influenciem a classificação dos itens recomendados, use a reciclagem automática ou treine manualmente a solução e atualize a campanha com a nova versão da solução.
# Fórmula de itens semelhantes
**nota**
Todas as fórmulas RELATED\$1ITEMS usam dados de interações. Escolha os itens semelhantes se você também tiver metadados de itens e quiser que o Amazon Personalize use esses dados para encontrar itens semelhantes. Outra opção é escolher [Fórmula de SIMS](native-recipe-sims.md) se quiser configurar mais hiperparâmetros para o modelo.
A receita Similar-Items (aws-similar-items) gera recomendações para itens semelhantes a um item especificado por você. Use itens semelhantes para ajudar os clientes a descobrir novos itens em seu catálogo com base no comportamento anterior e nos metadados do item. A recomendação de itens semelhantes pode aumentar o engajamento do usuário, a taxa de cliques e a taxa de conversão do seu aplicativo.
Os itens semelhantes calculam a similaridade com base em dados de interações e quaisquer metadados de itens que você fornecer. Eles consideram a ocorrência simultânea do item nos históricos do usuário em seu conjunto de dados de interação e quaisquer semelhanças de metadados do item. Por exemplo, com itens semelhantes, o Amazon Personalize pode recomendar itens que os clientes frequentemente compram juntos com um estilo semelhante ([Metadados categóricos](items-datasets.md#item-categorical-data)) ou filmes que usuários diferentes também assistiram com uma descrição semelhante ([Metadados de texto não estruturados](items-datasets.md#text-data)).
Com itens semelhantes, você fornece o ID de item em uma operação [GetRecommendations](API_RS_GetRecommendations.md) (ou no console do Amazon Personalize), e o Amazon Personalize retorna uma lista de itens semelhantes. Você também pode usar um fluxo de trabalho em lotes para obter itens semelhantes para todos os itens do seu inventário (consulte [Obter recomendações de itens em lote](getting-batch-recommendations.md)). Ao obter 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 Similar-Items, é necessário criar um conjunto de dados de interações com itens com, pelo menos, mil interações históricas e de eventos exclusivas (combinadas). Para obter previsões mais precisas, recomendamos que você também crie um conjunto de dados Itens e importe metadados sobre os itens do seu catálogo. Similar-Items não usa dados em um conjunto de dados de usuários ao gerar recomendações. Você ainda pode filtrar recomendações com base nos dados de um conjunto de dados de usuários. Para obter mais informações, consulte [Como filtrar recomendações e segmentos de usuários](filter.md).
Se houver um conjunto de dados de itens com dados textuais e de títulos de itens, será possível gerar temas para itens relacionados em recomendações em lote. Para obter mais informações, consulte [Recomendações em lote com temas do Content Generator](themed-batch-recommendations.md).
Você pode obter recomendações de itens semelhantes a um item frio (um item com menos de cinco interações). Se o Amazon Personalize não encontrar o ID do item que você especificar na solicitação de recomendação ou no arquivo de entrada de lote, a fórmula retornará itens populares como recomendações.
Depois de criar uma versão da solução, mantenha a versão e os dados da solução atualizados. Com a Similar-Items, 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).
## Propriedades e hiperparâmetros
A fórmula de itens semelhantes tem as seguintes propriedades:
+ **Nome**: `aws-similar-items`
+ **Fórmula nome do recurso da Amazon (ARN)** – `arn:aws:personalize:::recipe/aws-similar-items`
+ **ARN do algoritmo** – `arn:aws:personalize:::algorithm/aws-similar-items`
Para obter mais informações, consulte [Escolher uma fórmula](working-with-predefined-recipes.md).
A tabela a seguir descreve os hiperparâmetros da fórmula de itens semelhantes. 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. 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 ajustável**: o parâmetro pode participar da HPO?
| 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: 0.0 Intervalo: [0,0, 1,0] Tipo de valor: flutuante HPO ajustável: não |
| item\$1id\$1hidden\$1dim | O número de variáveis ocultas que o Amazon Personalize usa para modelar incorporações de ID de item com base em dados de interações. *Variáveis ocultas* recriam o histórico de compras dos usuários e as estatísticas de itens para gerar pontuações de classificação. Para usar `item_id_hidden_dim`, você deve usar a HPO e fornecer valores de intervalo mínimo e máximo. O Amazon Personalize usa a HPO para encontrar o melhor valor dentro do intervalo que você especificar. Especifique um valor máximo maior quando tiver um grande conjunto de dados de interações com itens. Usar um valor máximo maior requer mais tempo de processamento. Para usar a HPO, defina `performHPO` como `true` ao chamar a operação [CreateSolution](API_CreateSolution.md). Valor padrão: 100 Intervalo: [30, 200] Tipo de valor: inteiro Ajustável de HPO: sim |
| item\$1metadata\$1hidden\$1dim | O número de variáveis ocultas que o Amazon Personalize usa para modelar os metadados do item. Para usar `item_metadata_hidden_dim`, você deve usar a HPO e fornecer valores de intervalo mínimo e máximo. O Amazon Personalize usa a HPO para encontrar o melhor valor dentro do intervalo que você especificar. Especifique um valor máximo maior quando tiver um grande conjunto de dados de interações com itens. Usar um valor máximo maior requer mais tempo de processamento. Para usar a HPO, defina `performHPO` como `true` ao chamar a operação [CreateSolution](API_CreateSolution.md). Valor padrão: 100 Intervalo: [30, 200] Tipo de valor: inteiro Ajustável de HPO: sim |
# 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).
# Fórmula Next-Best-Action
A fórmula Next-Best-Action (aws-next-best-action) gera recomendações em tempo real para as próximas melhores ações para os usuários. A próxima melhor ação para um usuário é a ação que ele provavelmente realizará. Por exemplo, inscrever-se no programa de fidelidade, baixar a aplicação ou solicitar um cartão de crédito.
Com a Next-Best-Action, é possível oferecer recomendações de ações personalizadas aos usuários à medida que eles usam a aplicação. Sugerir a ação certa para um usuário pode fazer com que mais usuários realizem as ações. Dependendo das ações a serem recomendadas, é possível aumentar a fidelidade do cliente, gerar mais receita e aprimorar a experiência do usuário na aplicação. Para ver um exemplo de caso de uso que descreve como as recomendações de ações personalizadas podem beneficiar uma aplicação de comércio eletrônico, consulte [Exemplos de casos de uso](#nba-use-case-example).
O Amazon Personalize prevê a próxima melhor ação com base nas ações importadas para o conjunto de dados de ações. Ele identifica as ações que um usuário provavelmente realizará com base nas interações com ações e itens. Se os dados da ação incluírem o valor da ação, o Amazon Personalize vai contabilizá-lo. Se um usuário tiver a mesma probabilidade de realizar duas ações diferentes, o Amazon Personalize atribuirá uma classificação mais alta à ação com maior valor.
Ao obter recomendações de ações em tempo real para um usuário, o Amazon Personalize gera uma lista de ações que o usuário provavelmente realizará em um período configurável (o `action optimization period`). Por exemplo, as ações que ele provavelmente realizará nos próximos 14 dias. A lista é classificada em ordem decrescente por pontuação de propensão. Essa pontuação representa a probabilidade de o usuário realizar a ação.
Até que você importe os dados de interações com ações, o Amazon Personalize recomenda ações sem personalização, e as pontuações de propensão são 0,0. Uma ação terá uma pontuação depois que tiver o seguinte:
+ Pelo menos 50 interações com ações com o tipo de evento TAKEN.
+ Pelo menos 50 interações com ações com o tipo de evento NOT\$1TAKEN ou VIEWED.
Essas interações com ações devem ser incluídas no treinamento da versão mais recente da solução e têm que ocorrer dentro de seis semanas, a partir do registro de data e hora da interação mais recente no conjunto de dados de interações com ações.
Para obter mais informações sobre os dados utilizados pela fórmula Next-Best-Action, consulte [Conjuntos de dados obrigatórios e opcionais](#nba-datasets).
Ao criar uma solução com a fórmula Next-Best-Action, é possível configurar a janela de tempo que o Amazon Personalize usa ao prever ações usando o hiperparâmetro de caracterização `action optimization period`. Para obter mais informações, consulte [Propriedades e hiperparâmetros](#nba-hyperparameters).
**Topics**
+ [Exemplos de casos de uso](#nba-use-case-example)
+ [Recursos da fórmula](#nba-recipe-features)
+ [Conjuntos de dados obrigatórios e opcionais](#nba-datasets)
+ [Propriedades e hiperparâmetros](#nba-hyperparameters)
## Exemplos de casos de uso
Sugerir a ação certa para um usuário pode fazer com que mais usuários realizem as ações. Dependendo das ações a serem recomendadas, é possível aumentar a fidelidade do cliente, gerar mais receita e aprimorar a experiência do usuário na aplicação.
Por exemplo, talvez você tenha uma aplicação de comércio eletrônico que sugira ações diferentes como estas:
+ Assinar o programa de fidelidade
+ Baixar o aplicativo móvel
+ Comprar na categoria *Joias*
+ Comprar na categoria *Beleza e higiene*
Vamos supor que você tenha um usuário que compre frequentemente no site e realize repetidamente as ações de compra de *Joias* e *Beleza e higiene*. Para esse usuário, as recomendações de ações do Amazon Personalize e as pontuações podem incluir o seguinte:
+ Assinar o programa de fidelidade
Pontuação de propensão: 1,00
+ Comprar na categoria *Joias*
Pontuação de propensão: 0,86
+ Comprar na categoria *Beleza e higiene*
Pontuação de propensão: 0,85
Com essas recomendações de ações, você sabe como fazer com que o usuário se inscreva no programa de fidelidade. Essa ação tem a maior pontuação de propensão e é a ação que o usuário provavelmente realizará. Isso ocorre porque o usuário compra frequentemente na loja e provavelmente se interessará pelos benefícios do programa de fidelidade.
## Recursos da fórmula
A fórmula Next-Best-Action usa os seguintes recursos do Amazon Personalize ao gerar recomendações de ações:
+ Personalização em tempo real: o Amazon Personalize usa personalização em tempo real para atualizar e adaptar as recomendações de ações de acordo com a evolução do interesse do usuário. Para obter mais informações, consulte [Personalização em tempo real](use-case-recipe-features.md#about-real-time-personalization).
+ Exploração: com a exploração, as recomendações incluem novas ações ou ações com menos dados de interações. Para obter mais informações sobre exploração, consulte [Exploration (Exploração)](use-case-recipe-features.md#about-exploration).
+ Atualizações automáticas: com as atualizações automáticas, o Amazon Personalize atualiza automaticamente o modelo mais recente (versão da solução) a cada duas horas para incluir novas ações nas recomendações por meio da exploração. Para obter mais informações, consulte [Atualizações automáticas](use-case-recipe-features.md#automatic-updates).
## Conjuntos de dados obrigatórios e opcionais
Para usar a fórmula Next-Best-Action, é necessário criar os seguintes conjuntos de dados:
+ Ações: você deve importar dados sobre as ações, por exemplo, o valor, para um conjunto de dados de ações do Amazon Personalize.
Nos dados das ações, é possível fornecer um EXPIRATION\$1TIMESTAMP para cada ação. Se uma ação tiver expirado, o Amazon Personalize não a incluirá nas recomendações. Também é possível fornecer uma REPEAT\$1FREQUENCY para cada ação. Isso indica quanto tempo o Amazon Personalize deve esperar antes de recomendar uma ação novamente depois que um usuário interage com ela. Para obter informações sobre os dados que um conjunto de dados de ações pode armazenar, consulte [Metadados de ações](actions-datasets.md).
+ Interações com itens: o conjunto de dados de interações com itens deve ter no mínimo mil interações com itens. O Amazon Personalize usa interações com itens para entender o estado atual e os respectivos interesses dos usuários. Para obter mais informações sobre dados de interações com itens, consulte [Dados de interações com itens](interactions-datasets.md).
Os seguintes conjuntos de dados são opcionais:
+ Conjunto de dados de interações com ações: *interação com ação* é uma interação que envolve um usuário e uma ação no conjunto de dados de ações. É possível importar interações com ações realizadas, não realizadas e visualizadas. Embora esses dados sejam opcionais, recomendamos importar dados de interações com ações para obter recomendações de qualidade. Se não houver dados de interações com ações, será possível criar um conjunto de dados de interações com ações vazio e registrar as interações dos clientes com ações usando a operação de API [PutActionInteractions](API_UBS_PutActionInteractions.md).
Até que você importe os dados de interações com ações, o Amazon Personalize recomenda ações sem personalização, e as pontuações de propensão são 0,0. Uma ação terá uma pontuação depois que tiver o seguinte:
+ Pelo menos 50 interações com ações com o tipo de evento TAKEN.
+ Pelo menos 50 interações com ações com o tipo de evento NOT\$1TAKEN ou VIEWED.
Essas interações com ações devem ser incluídas no treinamento da versão mais recente da solução e têm que ocorrer dentro de seis semanas, a partir do registro de data e hora da interação mais recente no conjunto de dados de interações com ações.
Para obter informações sobre os dados de interações com ações que podem ser importados, consulte [Dados de interações com ações](action-interactions-datasets.md). Para obter informações sobre como registrar eventos de interação com ações, consulte [Registrar eventos de interação com ações em tempo realRegistrar eventos de interação com ações](recording-action-interaction-events.md).
**nota**
Com Next-Best-Action, o Amazon Personalize não usa dados de impressões nem metadados contextuais em um conjunto de dados de interações com ações.
+ Usuários: o Amazon Personalize usa todos os dados do conjunto de dados de usuários para entender melhor os usuários e os respectivos interesses. Também é possível usar dados em um conjunto de dados de usuários para filtrar recomendações de ações. Para obter informações sobre os dados de usuários que podem ser importados, consulte [Metadados do usuário](users-datasets.md).
+ Itens: o Amazon Personalize usa todos os dados no conjunto de dados de itens com o conjunto de dados de interações com itens para identificar conexões e padrões no comportamento. Isso ajuda o Amazon Personalize a entender os usuários e os respectivos interesses. Para obter informações sobre os dados de itens que podem ser importados, consulte [Metadados de itens](items-datasets.md).
## Propriedades e hiperparâmetros
A fórmula Next-Best-Action não comporta a otimização de hiperparâmetros. A fórmula Next-Best-Action tem as seguintes propriedades:
+ **Nome** – `aws-next-best-action`
+ **Fórmula nome do recurso da Amazon (ARN)** – `arn:aws:personalize:::recipe/aws-next-best-action`
+ **ARN do algoritmo** – `arn:aws:personalize:::algorithm/aws-next-best-action`
A tabela a seguir descreve os hiperparâmetros de caracterização da fórmula aws-next-best-action. Um *hiperparâmetro* é um parâmetro de algoritmo que pode ser ajustado para melhorar o desempenho do modelo. Os hiperparâmetros de caracterização controlam como filtrar os dados a serem usados no treinamento.
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 ajustável**: se o parâmetro pode ou não participar da HPO
| Nome | Descrição |
| --- | --- |
| Hiperparâmetros de caracterização |
| action\$1optimization\$1period | A janela de tempo que o Amazon Personalize usa ao prever as próximas melhores ações para um usuário. Por exemplo, as ações que o usuário provavelmente realizará nos próximos 14 dias. Se você não tiver muitos dados de interação com ações, especifique um valor maior. Se você não tiver certeza de qual valor especificar, use o padrão. Valor padrão: 14 Intervalo: [7, 28] Tipo de valor: inteiro HPO ajustável: não |
# Fórmula de Item-Affinity
A fórmula Item-Affinity (aws-item-affinity) é uma fórmula USER\$1SEGMENTATION que cria um segmento de usuário (grupo de usuários) para cada item que você especificar. Esses são os usuários que o Amazon Personalize prevê que provavelmente interagirão com cada item. Use o Item-Affinity para saber mais sobre seus usuários e realizar ações com base em seus respectivos segmentos de usuários.
Por exemplo, talvez você queira criar uma campanha de marketing para seu aplicativo de varejo com base nas preferências do usuário em relação aos itens do seu catálogo. O Item-Affinity cria um segmento de usuário para cada item com base nos dados de seus conjuntos de dados de interações e itens. Você pode usar isso para promover itens diferentes para diferentes segmentos de usuários com base na probabilidade de eles realizarem uma ação (por exemplo, clicar em um item ou comprar um item). Outros usos podem incluir a venda cruzada de produtos para diferentes conjuntos de usuários ou a identificação de possíveis candidatos a emprego.
Para obter segmentos de usuários com base nos itens, você cria uma solução e uma versão da solução com a fórmula Item-Affinity e, em seguida, adiciona uma lista de itens no formato JSON a um bucket do Amazon S3 e cria um [trabalho de segmento em lote](creating-batch-seg-job.md). O Amazon Personalize envia um segmento de usuário para cada item em seu local de saída no Amazon S3. Seus dados de entrada podem ter, no máximo, 500 itens para os quais obter segmentos de usuário. Para obter informações sobre como preparar dados de entrada para um trabalho de segmento em lote, consulte [Como preparar dados de entrada para recomendações em lote](batch-data-upload.md).
É necessário ter um conjunto de dados de interações com itens para usar Item-Affinity. Itens e conjuntos de dados de usuários são opcionais. Você pode obter segmentos de usuários com trabalhos de segmentos em lote. Para obter mais informações, consulte [Obter segmentos em lote de usuários](getting-user-segments.md).
Depois de criar uma versão da solução, mantenha a versão e os dados da solução atualizados. Com a Item-Affinity, você deve criar uma nova versão da solução para o Amazon Personalize considerar novos usuários em segmentos de usuários e atualizar o modelo com o comportamento mais recente deles. Para obter um segmento de usuário para um item, o item deve estar presente quando você criou a versão da solução.
A fórmula Item-Affinity tem as seguintes propriedades:
+ **Nome** – `aws-item-affinity`
+ **Fórmula nome do recurso da Amazon (ARN)** – `arn:aws:personalize:::recipe/aws-item-affinity`
+ **ARN do algoritmo** – `arn:aws:personalize:::algorithm/aws-item-affinity`
+ **ARN de transformação de atributos** – `arn:aws:personalize:::feature-transformation/item-affinity`
+ **Tipo de fórmula** – `USER_SEGMENTATION`
A tabela a seguir descreve os hiperparâmetros da fórmula de Item-Affinity. 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. Você não pode usar a otimização de hiperparâmetros (HPO) com a fórmula Item-Affinity.
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)
| Nome | Descrição |
| --- | --- |
| Hiperparâmetros de algoritmo |
| hidden\$1dimension | O número de variáveis ocultas usadas no modelo. *Variáveis ocultas* recriam o histórico de compras dos usuários e as estatísticas de itens para gerar pontuações de classificação. Especifique um número maior de dimensões ocultas quando seu conjunto de dados de interações incluir padrões mais complicados. Usar mais dimensões ocultas requer um conjunto de dados maior e mais tempo para processamento. Valor padrão: 149 Intervalo: [32, 256] Tipo de valor: inteiro |
# Fórmula Item-Attribute-Affinity
A fórmula Item-Attribute-Affinity (aws-item-attribute-affinity) é uma fórmula USER\$1SEGMENTATION que cria um segmento de usuário (grupo de usuários) para cada atributo de item que você especificar. Esses são os usuários que o Amazon Personalize prevê que provavelmente interagirão com itens com o atributo específico. Use o Item-Attribute-Affinity para saber mais sobre seus usuários e realizar ações com base em seus respectivos segmentos de usuários.
Por exemplo, talvez você queira criar uma campanha de marketing para seu aplicativo de varejo com base nas preferências do usuário em relação aos tipos de sapato do seu catálogo. O Item-Attribute-Affinity cria um segmento de usuário para cada tipo de sapato com base nos dados de seus conjuntos de dados de interações e itens. Você pode usar isso para promover sapatos diferentes para segmentos diferentes de usuários com base na probabilidade de eles realizarem uma ação (por exemplo, clicar em um sapato ou comprar um sapato). Outros usos podem incluir a promoção de diferentes gêneros de filmes para diferentes usuários ou a identificação de possíveis candidatos a emprego com base no tipo de emprego.
Para obter segmentos de usuários com base nos atributos do item, você cria uma solução e uma versão da solução com a fórmula Item-Attribute-Affinity e, em seguida, adiciona uma lista de atributos do item no formato JSON a um bucket do Amazon S3 e cria um [trabalho de segmento em lote](creating-batch-seg-job.md). O Amazon Personalize envia um segmento de usuário para cada item em seu local de saída no Amazon S3. Seus dados de entrada podem ter no máximo 10 consultas, em que cada consulta é um ou mais atributos do item. Para obter informações sobre como preparar dados de entrada para um trabalho de segmento em lote, consulte [Como preparar dados de entrada para recomendações em lote](batch-data-upload.md).
É necessário ter um conjunto de dados de interações com itens e um conjunto de dados de itens para usar Item-Attribute-Affinity. Seu conjunto de dados de Itens deve ter pelo menos uma coluna que seja uma coluna de metadados não textual e não reservada. Você pode obter segmentos de usuários com trabalhos de segmentos em lote. Para obter mais informações, consulte [Obter segmentos de usuários em lote com recursos personalizados](getting-user-segments.md).
Depois de criar uma versão da solução, mantenha a versão e os dados da solução atualizados. Com a Item-Attribute-Affinity, você deve criar uma nova versão da solução para o Amazon Personalize considerar novos usuários para segmentos de usuários e atualizar o modelo com o comportamento mais recente deles. Para obter um segmento de usuário para um atributo do item, o atributo do item deve estar presente quando você criou a versão da solução.
A fórmula do Item-Attribute-Affinity tem as seguintes propriedades:
+ **Nome** – `aws-item-attribute-affinity`
+ **Fórmula nome do recurso da Amazon (ARN)** – `arn:aws:personalize:::recipe/aws-item-attribute-affinity`
+ **ARN do algoritmo** – `arn:aws:personalize:::algorithm/aws-item-attribute-affinity`
+ **ARN de transformação de atributos** – `arn:aws:personalize:::feature-transformation/item-attribute-affinity`
+ **Tipo de fórmula** – `USER_SEGMENTATION`
A tabela a seguir descreve os hiperparâmetros da fórmula Item-Attribute-Affinity. 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. Você não pode usar a otimização de hiperparâmetros (HPO) com a fórmula Item-Attribute-Affinity.
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)
| Nome | Descrição |
| --- | --- |
| Hiperparâmetros de algoritmo |
| hidden\$1dimension | O número de variáveis ocultas usadas no modelo. *Variáveis ocultas* recriam o histórico de compras dos usuários e as estatísticas de itens para gerar pontuações de classificação. Especifique um número maior de dimensões ocultas quando seu conjunto de dados de interações incluir padrões mais complicados. Usar mais dimensões ocultas requer um conjunto de dados maior e mais tempo para processamento. Valor padrão: 149 Intervalo: [32, 256] Tipo de valor: inteiro |
# Fórmulas legadas do HRNN
As fórmulas legadas do HRNN não estarão mais disponíveis Esta documentação é apenas para referência.
Recomendamos usar a receita aws-user-personalizaton (Personalização do usuário) em vez das receitas antigas do HRNN. User-Personalization aprimora e unifica a funcionalidade oferecida pelas fórmulas do HRNN. Para obter mais informações, consulte [Fórmula User-Personalization](native-recipe-new-item-USER_PERSONALIZATION.md).
O Amazon Personalize pode escolher automaticamente a fórmula do HRNN (rede neural recorrente hierárquica) mais apropriada com base em sua análise dos dados de entrada. Essa opção é chamada AutoML. Para obter mais informações, consulte [Usando o AutoML para escolher uma fórmula do HRNN (somente API)](training-solution-auto-ml.md).
**Topics**
+ [Usando o AutoML para escolher uma fórmula do HRNN (somente API)](training-solution-auto-ml.md)
+ [Fórmula HRNN (legada)](native-recipe-hrnn.md)
+ [Fórmula HRNN-Metadata (legada)](native-recipe-hrnn-metadata.md)
+ [Fórmula HRNN-Coldstart (legada)](native-recipe-hrnn-coldstart.md)
# Usando o AutoML para escolher uma fórmula do HRNN (somente API)
O Amazon Personalize pode escolher automaticamente a fórmula do HRNN (rede neural recorrente hierárquica) mais apropriada com base em sua análise dos dados de entrada. Essa opção é chamada AutoML. Para executar o AutoML, defina o parâmetro `performAutoML` como `true` ao chamar a API [CreateSolution](API_CreateSolution.md).
Você também pode especificar a lista de fórmulas que o Amazon Personalize examinará para determinar a fórmula ideal com base em uma métrica que você especifica. Nesse caso, chame a operação `CreateSolution`, especifique `true`para o parâmetro `performAutoML`, omita o parâmetro `recipeArn`e inclua o parâmetro`metricName`, especificando `solutionConfig` e `recipeList` como parte do objeto `autoMLConfig`.
A tabela a seguir mostra como a receita é escolhida. Você deve especificar `performAutoML` ou `recipeArn`, mas não ambos. AutoML só é realizado no uso das receitas HRNN.
| performAutoML | recipeArn | solutionConfig | Resultado |
| --- | --- | --- | --- |
| true | omitir | omitida | O Amazon Personalize escolhe a fórmula |
| true | omitir | autoMLConfig: metricName e recipeList especificados | O Amazon Personalize escolhe uma fórmula na lista para otimizar a métrica |
| omitir | especificada | omitida | Você especifica a receita |
| omitir | especificada | especificada | Você especifica a receita e substitui as propriedades padrão de treinamento |
**nota**
Quando `performAutoML` é `true`, todos os parâmetros do objeto `solutionConfig` são ignorados, exceto `autoMLConfig`.
# Fórmula HRNN (legada)
**nota**
As fórmulas legadas do HRNN não estarão mais disponíveis. Esta documentação é apenas para referência.
Recomendamos usar a fórmula aws-user-personalization (User-Personalization), em vez das fórmulas legadas do HRNN. User-Personalization aprimora e unifica a funcionalidade oferecida pelas fórmulas do HRNN. Para obter mais informações, consulte [Fórmula User-Personalization](native-recipe-new-item-USER_PERSONALIZATION.md).
A fórmula de rede neural recorrente hierárquica (HRNN) do Amazon Personalize modela alterações no comportamento do usuário para fornecer recomendações durante uma sessão. Uma sessão é um conjunto de interações do usuário em um determinado período com o objetivo de encontrar um item específico para atender a uma necessidade, por exemplo. Ao ponderar mais as interações recentes de um usuário, você pode fornecer recomendações mais relevantes durante uma sessão.
A HRNN acompanha a intenção e os interesses do usuário, que podem mudar ao longo do tempo. Ela usa históricos de usuários ordenados e os pondera automaticamente para fazer inferências melhores. O HRNN usa um mecanismo de bloqueio para modelar os pesos de desconto como uma função que pode ser aprendida a partir dos itens e dos time stamps.
O Amazon Personalize extrai os atributos para cada usuário do seu conjunto de dados. Se você tiver feito a integração de dados em tempo real, esses atributos serão atualizadas em tempo real de acordo com as atividades do usuário. Para obter uma recomendação, forneça apenas o `USER_ID`. Se você também fornecer um `ITEM_ID`, o Amazon Personalize o ignorará.
A fórmula HRNN tem as seguintes propriedades:
+ **Nome** – `aws-hrnn`
+ **Fórmula nome do recurso da Amazon (ARN)** – `arn:aws:personalize:::recipe/aws-hrnn`
+ **ARN do algoritmo** – `arn:aws:personalize:::algorithm/aws-hrnn`
+ **ARN de transformação de atributos** – `arn:aws:personalize:::feature-transformation/JSON-percentile-filtering`
+ **Tipo de fórmula** – `USER_PERSONALIZATION`
A tabela a seguir descreve os hiperparâmetros da fórmula HRNN. 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 ajustável**: o parâmetro pode participar da HPO?
| Nome | Descrição |
| --- | --- |
| Hiperparâmetros de algoritmo |
| hidden\$1dimension | O número de variáveis ocultas usadas no modelo. *Variáveis ocultas* recriam o histórico de compras dos usuários e as estatísticas de itens para gerar pontuações de classificação. Especifique um número maior de dimensões ocultas quando o conjunto de dados de interações com itens incluir padrões mais complicados. Usar mais dimensões ocultas requer um conjunto de dados maior e mais tempo para processamento. Para decidir sobre o valor ideal, use HPO. Para usar a HPO, defina `performHPO` `true` ao chamar as operações [CreateSolution](API_CreateSolution.md) e [CreateSolutionVersion](API_CreateSolutionVersion.md). Valor padrão: 43 Intervalo: [32, 256] Tipo de valor: inteiro Ajustável de HPO: sim |
| bptt | Determina se é necessário usar a técnica de propagação retroativa ao longo do tempo. A *propagação retroativa ao longo do tempo* é uma técnica que atualiza pesos em algoritmos baseados em rede neural recorrente. Use o `bptt` para créditos de longo prazo a fim de conectar prêmios atrasados a eventos iniciais. Por exemplo, um prêmio atrasado pode ser uma compra feita após vários cliques. Um evento inicial pode ser um clique inicial. Mesmo dentro dos mesmos tipos de evento, como um clique, é uma boa ideia considerar efeitos de longo prazo e maximizar os prêmios totais. Para considerar efeitos de longo prazo, use valores `bptt` maiores. O uso de um valor `bptt` maior exige conjuntos de dados maiores e mais tempo para processamento. Valor padrão: 32 Intervalo: [2, 32] Tipo de valor: inteiro Ajustável de HPO: sim |
| recency\$1mask | Determina se o modelo deve utilizar as tendências de popularidade mais recentes no conjunto de dados de interações com itens. As tendências de popularidade mais recentes podem incluir mudanças repentinas nos padrões subjacentes de eventos de interação. Para treinar um modelo que posiciona mais peso sobre eventos recentes, defina `recency_mask` como `true`. Para treinar um modelo que pese igualmente todas as interações passadas, defina `recency_mask` como `false`. Para obter boas recomendações usando um peso igual, talvez seja necessário um conjunto de dados de treinamento maior. Valor padrão: `True` Intervalo: `True` ou `False` Tipo de valor: booliano 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. *Tamanho do histórico* é a quantidade total de dados sobre 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. Por exemplo, a definição de `min__user_history_length_percentile to 0.05` e `max_user_history_length_percentile to 0.95` inclui todos os usuários, exceto aqueles com comprimentos de histórico nos 5% inferiores ou superiores. Valor padrão: 0.0 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. *Tamanho do histórico* é a quantidade total de dados sobre um usuário. Use `max_user_history_length_percentile` para excluir uma porcentagem de usuários com históricos longos, pois os dados desses usuários 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, a definição de `min__user_history_length_percentile to 0.05` e `max_user_history_length_percentile to 0.95` inclui todos os usuários, exceto aqueles com comprimentos de histórico nos 5% inferiores ou superiores. Valor padrão: 0.99 Intervalo: [0,0, 1,0] Tipo de valor: flutuante HPO ajustável: não |
# Fórmula HRNN-Metadata (legada)
**nota**
As fórmulas legadas do HRNN não estarão mais disponíveis. Esta documentação é apenas para referência.
Recomendamos usar a fórmula aws-user-personalization (User-Personalization), em vez das fórmulas legadas do HRNN. User-Personalization aprimora e unifica a funcionalidade oferecida pelas fórmulas do HRNN. Para obter mais informações, consulte [Fórmula User-Personalization](native-recipe-new-item-USER_PERSONALIZATION.md).
A fórmula HRNN-Metadata prevê os itens com os quais um usuário interagirá. Semelhante à fórmula [HRNN](native-recipe-hrnn.md) com atributos adicionais derivados de metadados contextuais, de usuários e itens (conjuntos de dados de interações, usuários e itens, respectivamente). A fórmula HRNN-Metadata oferece benefícios precisos em relação aos modelos que não utilizam metadados quando metadados de alta qualidade estão disponíveis. Usar essa fórmula pode exigir tempos de treinamento mais longos.
A fórmula HRNN-Metadata tem as seguintes propriedades:
+ **Nome** – `aws-hrnn-metadata`
+ **Fórmula nome do recurso da Amazon (ARN)** – `arn:aws:personalize:::recipe/aws-hrnn-metadata`
+ **ARN do algoritmo** – `arn:aws:personalize:::algorithm/aws-hrnn-metadata`
+ **ARN de transformação de atributos** – `arn:aws:personalize:::feature-transformation/featurize_metadata`
+ **Tipo de fórmula** – `USER_PERSONALIZATION`
A tabela a seguir descreve os hiperparâmetros da fórmula HRNN-Metadata. 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)?
| Nome | Descrição |
| --- | --- |
| Hiperparâmetros de algoritmo |
| hidden\$1dimension | O número de variáveis ocultas usadas no modelo. *Variáveis ocultas* recriam o histórico de compras dos usuários e as estatísticas de itens para gerar pontuações de classificação. Especifique um número maior de dimensões ocultas quando o conjunto de dados de interações com itens incluir padrões mais complicados. Usar mais dimensões ocultas requer um conjunto de dados maior e mais tempo para processamento. Para decidir sobre o valor ideal, use HPO. Para usar a HPO, defina `performHPO` `true` ao chamar as operações [CreateSolution](API_CreateSolution.md) e [CreateSolutionVersion](API_CreateSolutionVersion.md). Valor padrão: 43 Intervalo: [32, 256] Tipo de valor: inteiro Ajustável de HPO: sim |
| bptt | Determina se é necessário usar a técnica de propagação retroativa ao longo do tempo. A *propagação retroativa ao longo do tempo* é uma técnica que atualiza pesos em algoritmos baseados em rede neural recorrente. Use o `bptt` para créditos de longo prazo a fim de conectar prêmios atrasados a eventos iniciais. Por exemplo, um prêmio atrasado pode ser uma compra feita após vários cliques. Um evento inicial pode ser um clique inicial. Mesmo dentro dos mesmos tipos de evento, como um clique, é uma boa ideia considerar efeitos de longo prazo e maximizar os prêmios totais. Para considerar efeitos de longo prazo, use valores `bptt` maiores. O uso de um valor `bptt` maior exige conjuntos de dados maiores e mais tempo para processamento. Valor padrão: 32 Intervalo: [2, 32] Tipo de valor: inteiro Ajustável de HPO: sim |
| recency\$1mask | Determina se o modelo deve utilizar as tendências de popularidade mais recentes no conjunto de dados de interações com itens. As tendências de popularidade mais recentes podem incluir mudanças repentinas nos padrões subjacentes de eventos de interação. Para treinar um modelo que posiciona mais peso sobre eventos recentes, defina `recency_mask` como `true`. Para treinar um modelo que pese igualmente todas as interações passadas, defina `recency_mask` como `false`. Para obter boas recomendações usando um peso igual, talvez seja necessário um conjunto de dados de treinamento maior. Valor padrão: `True` Intervalo: `True` ou `False` Tipo de valor: booliano 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. *Tamanho do histórico* é a quantidade total de dados sobre 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. Por exemplo, a definição de `min__user_history_length_percentile to 0.05` e `max_user_history_length_percentile to 0.95` inclui todos os usuários, exceto aqueles com comprimentos de histórico nos 5% inferiores ou superiores. Valor padrão: 0.0 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. *Tamanho do histórico* é a quantidade total de dados sobre um usuário. Use `max_user_history_length_percentile` para excluir uma porcentagem de usuários com históricos longos, pois os dados desses usuários 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, a definição de `min__user_history_length_percentile to 0.05` e `max_user_history_length_percentile to 0.95` inclui todos os usuários, exceto aqueles com comprimentos de histórico nos 5% inferiores ou superiores. Valor padrão: 0.99 Intervalo: [0,0, 1,0] Tipo de valor: flutuante HPO ajustável: não |
# Fórmula HRNN-Coldstart (legada)
**nota**
As fórmulas legadas do HRNN não estarão mais disponíveis. Esta documentação é apenas para referência.
Recomendamos usar a fórmula aws-user-personalization (User-Personalization), em vez das fórmulas legadas do HRNN. User-Personalization aprimora e unifica a funcionalidade oferecida pelas fórmulas do HRNN. Para obter mais informações, consulte [Fórmula User-Personalization](native-recipe-new-item-USER_PERSONALIZATION.md).
Use a fórmula HRNN-Coldstart para prever os itens com os quais um usuário interagirá quando você adicionar novos itens e interações com frequência e quiser obter recomendações para esses itens imediatamente. A fórmula HRNN-Coldstart é semelhante à fórmula [HRNN-Metadata](native-recipe-hrnn-metadata.md), mas permite que você obtenha recomendações para novos itens.
Além disso, é possível usar a fórmula HRNN-Coldstart quando quiser excluir do treinamento itens que têm uma longa lista de interações devido a uma tendência de popularidade recente, ou porque as interações podem ser altamente incomuns e introduzir ruído no treinamento. Com HRNN-Coldstart, é possível filtrar itens menos relevantes para criar um subconjunto para treinamento. O subconjunto de itens, chamado *itens frios*, são itens que têm eventos de interação relacionados no conjunto de dados de Interações com itens. Um item será considerado frio quando tiver o seguinte:
+ Um número de interações menor do que uma quantidade especificada de interações máximas. Especifique esse valor no hiperparâmetro `cold_start_max_interactions` da fórmula.
+ Uma duração relativa mais curta que a duração máxima. Especifique esse valor no hiperparâmetro `cold_start_max_duration` da fórmula.
Para reduzir o número de itens frios, defina um valor mais baixo para `cold_start_max_interactions` ou `cold_start_max_duration`. Para aumentar o número de itens frios, defina um valor maior para `cold_start_max_interactions` ou `cold_start_max_duration`.
HRNN-Coldstart tem os seguintes limites de itens frios:
+ `Maximum cold start items`: 80.000
+ `Minimum cold start items`: 100
Se o número de itens frios estiver fora desse intervalo, ocorrerá uma falha nas tentativas de criar uma solução.
A fórmula HRNN-Coldstart tem as seguintes propriedades:
+ **Nome** – `aws-hrnn-coldstart`
+ **Fórmula nome do recurso da Amazon (ARN)** – `arn:aws:personalize:::recipe/aws-hrnn-coldstart`
+ **ARN do algoritmo** – `arn:aws:personalize:::algorithm/aws-hrnn-coldstart`
+ **ARN de transformação de atributos** – `arn:aws:personalize:::feature-transformation/featurize_coldstart`
+ **Tipo de fórmula** – `USER_PERSONALIZATION`
Para obter mais informações, consulte [Escolher uma fórmula](working-with-predefined-recipes.md).
A tabela a seguir descreve os hiperparâmetros da fórmula HRNN-Coldstart. 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 ajustável**: o parâmetro pode participar da HPO?
| Nome | Descrição |
| --- | --- |
| Hiperparâmetros de algoritmo |
| hidden\$1dimension | O número de variáveis ocultas usadas no modelo. *Variáveis ocultas* recriam o histórico de compras dos usuários e as estatísticas de itens para gerar pontuações de classificação. Especifique um número maior de dimensões ocultas quando o conjunto de dados de interações com itens incluir padrões mais complicados. Usar mais dimensões ocultas requer um conjunto de dados maior e mais tempo para processamento. Para decidir sobre o valor ideal, use HPO. Para usar a HPO, defina `performHPO` `true` ao chamar as operações [CreateSolution](API_CreateSolution.md) e [CreateSolutionVersion](API_CreateSolutionVersion.md). Valor padrão: 149 Intervalo: [32, 256] Tipo de valor: inteiro Ajustável de HPO: sim |
| bptt | Determina se é necessário usar a técnica de propagação retroativa ao longo do tempo. A *propagação retroativa ao longo do tempo* é uma técnica que atualiza pesos em algoritmos baseados em rede neural recorrente. Use o `bptt` para créditos de longo prazo a fim de conectar prêmios atrasados a eventos iniciais. Por exemplo, um prêmio atrasado pode ser uma compra feita após vários cliques. Um evento inicial pode ser um clique inicial. Mesmo dentro dos mesmos tipos de evento, como um clique, é uma boa ideia considerar efeitos de longo prazo e maximizar os prêmios totais. Para considerar efeitos de longo prazo, use valores `bptt` maiores. O uso de um valor `bptt` maior exige conjuntos de dados maiores e mais tempo para processamento. Valor padrão: 32 Intervalo: [2, 32] Tipo de valor: inteiro Ajustável de HPO: sim |
| recency\$1mask | Determina se o modelo deve utilizar as tendências de popularidade mais recentes no conjunto de dados de interações com itens. As tendências de popularidade mais recentes podem incluir mudanças repentinas nos padrões subjacentes de eventos de interação. Para treinar um modelo que posiciona mais peso sobre eventos recentes, defina `recency_mask` como `true`. Para treinar um modelo que pese igualmente todas as interações passadas, defina `recency_mask` como `false`. Para obter boas recomendações usando um peso igual, talvez seja necessário um conjunto de dados de treinamento maior. Valor padrão: `True` Intervalo: `True` ou `False` Tipo de valor: booliano Ajustável de HPO: sim |
| Hiperparâmetros de caracterização |
| cold\$1start\$1max\$1interactions | O número máximo de interações entre usuários e itens que um item pode ter para ser considerado um item frio. Valor padrão: 15 Intervalo: inteiros positivos Tipo de valor: inteiro HPO ajustável: não |
| cold\$1start\$1max\$1duration | A duração máxima, em dias, em relação ao ponto de partida para que uma interação entre usuário e item seja considerada um item de partida a frio. Para definir o ponto de partida da interação entre usuários e itens, defina o hiperparâmetro `cold_start_relative_from`. Valor padrão: 5.0 Intervalo: flutuantes positivos Tipo de valor: flutuante HPO ajustável: não |
| cold\$1start\$1relative\$1from | Determina o ponto de partida para a fórmula HRNN-Coldstart calcular `cold_start_max_duration`. Para calcular a partir da hora atual, escolha `currentTime`. Para calcular `cold_start_max_duration` com base no carimbo de data e hora do item mais recente no conjunto de dados de interações com itens, selecione `latestItem`. Isso será útil se você adicionar novos itens com frequência. Valor padrão: `latestItem` Intervalo: `currentTime`, `latestItem` Tipo de valor: string HPO ajustável: não |
| min\$1user\$1history\$1length\$1percentile | O percentil mínimo dos comprimentos dos históricos de usuários para incluir no treinamento do modelo. *Tamanho do histórico* é a quantidade total de dados sobre 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. Por exemplo, a definição de `min__user_history_length_percentile to 0.05` e `max_user_history_length_percentile to 0.95` inclui todos os usuários, exceto aqueles com comprimentos de histórico nos 5% inferiores ou superiores. Valor padrão: 0.0 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. *Tamanho do histórico* é a quantidade total de dados sobre um usuário. Use `max_user_history_length_percentile` para excluir uma porcentagem de usuários com históricos longos, pois os dados desses usuários 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, a definição de `min__user_history_length_percentile to 0.05` e `max_user_history_length_percentile to 0.95` inclui todos os usuários, exceto aqueles com comprimentos de histórico nos 5% inferiores ou superiores. Valor padrão: 0.99 Intervalo: [0,0, 1,0] Tipo de valor: flutuante HPO ajustável: não |