Las traducciones son generadas a través de traducción automática. En caso de conflicto entre la traducción y la version original de inglés, prevalecerá la version en inglés.
# Elección de una receta
Al crear una solución personalizada, especifique una receta y configure los parámetros de entrenamiento. Las *recetas* son algoritmos de Amazon Personalize preparados para casos de uso específicos. Amazon Personalize proporciona recetas, basadas en casos de uso comunes, para modelos de entrenamiento. Al crear una versión de solución para la solución, Amazon Personalize entrena los modelos que respaldan la versión de la solución en función de la receta y la configuración de entrenamiento.
Las recetas de Amazon Personalize utilizan lo siguiente durante el entrenamiento:
+ Atributos predefinidos de los datos
+ Transformaciones de características predefinidas
+ Algoritmos predefinidos
+ Ajustes de parámetros iniciales para los algoritmos
Para optimizar el modelo, puede anular muchos de estos parámetros cuando cree una solución. Para obtener más información, consulte [Hiperparámetros y HPO](customizing-solution-config-hpo.md).
**Topics**
+ [Tipos de recetas por caso de uso de Amazon Personalize](#use-cases)
+ [Recetas de Amazon Personalize](#recipe-categories)
+ [Visualización de las recetas de Amazon Personalize disponibles](#listing-recipes)
+ [Receta User-Personalization-v2](native-recipe-user-personalization-v2.md)
+ [Receta User-Personalization](native-recipe-new-item-USER_PERSONALIZATION.md)
+ [Receta Trending-Now](native-recipe-trending-now.md)
+ [Receta Popularity-Count](native-recipe-popularity.md)
+ [Receta Personalized-Ranking-v2](native-recipe-personalized-ranking-v2.md)
+ [Receta Personalized-Ranking](native-recipe-search.md)
+ [Receta de similitud semántica](native-recipe-semantic-similarity.md)
+ [Receta Similar-Items](native-recipe-similar-items.md)
+ [Receta SIMS](native-recipe-sims.md)
+ [Receta Next-Best-Action](native-recipe-next-best-action.md)
+ [Receta Item-Affinity](item-affinity-recipe.md)
+ [Receta Item-Attribute-Affinity](item-attribute-affinity-recipe.md)
+ [Recetas de HRNN heredadas](legacy-user-personalization-recipes.md)
## Tipos de recetas por caso de uso de Amazon Personalize
Para elegir su receta, elija primero su caso de uso en la siguiente lista y tome nota del tipo de receta correspondiente.
+ Recomendación de elementos para usuarios (recetas de USER\$1PERSONALIZATION)
Para ofrecer recomendaciones personalizadas para sus usuarios, entrene su modelo con una receta de USER\$1PERSONALIZATION. Las recomendaciones personalizadas ayudan a impulsar una mejor participación y conversión.
+ Clasificación de los elementos para un usuario (recetas PERSONALIZED\$1RANKING)
Para personalizar el orden de las listas seleccionadas o los resultados de búsqueda para sus usuarios, entrene su modelo con una receta PERSONALIZED\$1RANKING. Las recetas PERSONALIZED\$1RANKING crean una lista personalizada al volver a clasificar una colección de elementos de entrada en función del nivel de interés previsto para un usuario determinado. Las listas personalizadas mejoran la experiencia del cliente y aumentan su fidelidad y compromiso.
+ Recomendación de tendencias o elementos populares (recetas POPULAR\$1ITEMS)
Para recomendar tendencias o elementos populares, use una receta POPULAR\$1ITEMS. Puede usar POPULAR\$1ITEMS si sus clientes le dan un gran valor al material con el que interactúan otros usuarios. Entre los usos habituales se incluyen la recomendación contenido viral en las redes sociales, elementos de noticias de última hora o vídeos deportivos recientes.
+ Recomendación de elementos similares (recetas RELATED\$1ITEMS)
Para recomendar elementos similares, como elementos que se compran juntos con frecuencia o películas que otros usuarios también han visto, debe usar una receta RELATED\$1ITEMS. La recomendación de elementos similares puede ayudar a sus clientes a descubrirlos y puede aumentar la tasa de conversión de los usuarios.
+ Recomendación de la siguiente mejor acción (recetas PERSONALIZED\$1ACTIONS)
Para recomendar a sus usuarios la siguiente mejor acción en tiempo real, como suscribirse a su programa de fidelización o solicitar una tarjeta de crédito, debe utilizar una receta PERSONALIZED\$1ACTIONS. Al recomendar la siguiente mejor acción, puede aumentar la fidelidad de los clientes, generar más ingresos y mejorar la experiencia de los usuarios.
+ Obtención de segmentos de usuarios (recetas USER\$1SEGMENTATION)
Para obtener segmentos de usuarios en función de los datos de entrada de los elementos, como los usuarios que probablemente interactúan con elementos con un atributo determinado, debe utilizar una receta USER\$1SEGMENTATION. Obtener segmentos de usuarios puede ayudarle a crear campañas de marketing avanzadas que promocionen diferentes elementos entre distintos segmentos de usuarios en función de la probabilidad de que estos lleven a cabo alguna acción.
## Recetas de Amazon Personalize
Amazon Personalize ofrece los siguientes tipos de recetas. Además de las diferencias de comportamiento, cada tipo tiene requisitos distintos para obtener recomendaciones, tal y como se muestra en la siguiente tabla.
| Tipo de fórmula | Recetas | API | Requisitos de API |
| --- | --- | --- | --- |
| USER\$1PERSONALIZATION | [User-Personalization-v2](native-recipe-user-personalization-v2.md) [User-Personalization](native-recipe-new-item-USER_PERSONALIZATION.md) [Receta HRNN (heredada)](native-recipe-hrnn.md) [Receta HRNN-Metadata (heredada)](native-recipe-hrnn-metadata.md) [Receta HRNN-ColdStart (heredada)](native-recipe-hrnn-coldstart.md) | [GetRecommendations](API_RS_GetRecommendations.md) | `userId`: obligatorio `itemId`: no se utiliza `inputList`: N/D |
| POPULAR\$1ITEMS | [Trending-Now](native-recipe-trending-now.md) [Popularity-Count](native-recipe-popularity.md) | [GetRecommendations](API_RS_GetRecommendations.md) | `userId`: obligatorio solo si aplica un filtro que lo requiera `itemId`: no se utiliza `inputList`: N/D |
| PERSONALIZED\$1RANKING | [Personalized-Ranking-v2](native-recipe-personalized-ranking-v2.md) [Personalized-Ranking](native-recipe-search.md) | [GetPersonalizedRanking](API_RS_GetPersonalizedRanking.md) | `userId`: obligatorio `itemId`: N/D `inputList`: lista de identificadores de elementos |
| RELATED\$1ITEMS | [Similar-Items](native-recipe-similar-items.md) [SIMS](native-recipe-sims.md) [Receta de similitud semántica](native-recipe-semantic-similarity.md) | [GetRecommendations](API_RS_GetRecommendations.md) | `userId`: obligatorio solo si aplica un filtro que lo requiera `itemId`: obligatorio `inputList`: N/D |
| PERSONALIZED\$1ACTIONS | [Next-Best-Action](native-recipe-next-best-action.md) | [GetActionRecommendations](API_RS_GetActionRecommendations.md) | `userId`: obligatorio `actionId`: no se utiliza `itemId`: no se utiliza `inputList`: N/D |
| SEGMENTACIÓN DE USUARIOS | [Item-Affinity](item-affinity-recipe.md) [Item-Attribute-Affinity](item-attribute-affinity-recipe.md) | [CreateBatchSegmentJob](API_CreateBatchSegmentJob.md) | Para conocer los requisitos del flujo de trabajo por lotes, consulte [Obtención de segmentos de usuario con un trabajo de segmentos por lotes](creating-batch-seg-job.md). |
## Visualización de las recetas de Amazon Personalize disponibles
Para ver una lista de las recetas disponibles:
+ En la consola de Amazon Personalize, elija un grupo de conjuntos de datos. En el panel de navegación, elija **Soluciones y recetas** y haga clic en la pestaña **Recetas**.
+ Con el AWS SDK para Python (Boto3), llame a la [ListRecipes](API_ListRecipes.md) API.
+ Con el AWS CLI, usa el siguiente comando.
```
aws personalize list-recipes
```
Si desea obtener información sobre una receta mediante el SDK para Python (Boto3), llame a la API de [DescribeRecipe](API_DescribeRecipe.md). Para obtener información sobre una receta mediante el AWS CLI, utilice el siguiente comando.
```
aws personalize describe-recipe --recipe-arn recipe_arn
```
# Receta User-Personalization-v2
La receta User-Personalization-v2 (aws-user-personalization-v2) recomienda elementos con los que un usuario interactuará en función de las preferencias. Por ejemplo, puede usar User-Personalization-v2 para generar recomendaciones de películas personalizadas para una aplicación de streaming o recomendaciones de productos personalizadas para una aplicación de venta al por menor. Otros casos de uso incluyen la generación de recomendaciones en tiempo real para un sitio de noticias o recomendaciones por lotes para una campaña de marketing personalizada.
User-Personalization-v2 puede entrenar hasta cinco millones de elementos a partir de interacciones de elemento y conjuntos de datos de elementos. Y genera recomendaciones más relevantes con una latencia menor que [User-Personalization](native-recipe-new-item-USER_PERSONALIZATION.md).
Como User-Personalization-v2 recomienda los elementos más relevantes a los usuarios en función de los datos, recomienda con mayor frecuencia los elementos existentes con datos de interacciones. Para asegurarse de que las recomendaciones incluyen los elementos nuevos, puede utilizar una promoción que incluya algunos elementos en función de la marca temporal de creación. Para obtener más información sobre las promociones, consulte [Promoción de elementos en las recomendaciones en tiempo real](promoting-items.md).
Esta receta utiliza una arquitectura basada en transformador para entrenar un modelo que aprenda el contexto y realice un seguimiento de las relaciones y los patrones de los datos. Los *transformadores* son un tipo de arquitectura de red neuronal que transforma o cambia una secuencia de entrada en una secuencia de salida. En el caso de Amazon Personalize, la secuencia de entrada es el historial de interacciones de elemento de un usuario en los datos. La secuencia de salida son las recomendaciones personalizadas. Para obtener más información sobre los transformadores, consulte [¿Qué son los transformadores en la inteligencia artificial?](https://aws.amazon.com/what-is/transformers-in-artificial-intelligence/) en el Centro de conceptos de computación en la nube de AWS.
User-Personalization-v2 utiliza un modelo de precios distinto al de otras recetas. Para obtener más información sobre el precio, consulte [Precios de Amazon Personalize](https://aws.amazon.com/personalize/pricing/).
**Topics**
+ [Características de la receta](#user-personalization-v2-features)
+ [Conjuntos de datos obligatorios y opcionales](#user-personalization-v2-datasets)
+ [Propiedades e hiperparámetros](#user-personalization-v2-hyperparameters)
## Características de la receta
User-Personalization-v2 utiliza las siguientes características de receta de Amazon Personalize al generar recomendaciones de elemento:
+ Personalización en tiempo real: con este tipo de personalización, Amazon Personalize actualiza y adapta las recomendaciones de elemento en función de la evolución de los intereses del usuario. Para obtener más información, consulte [Personalización en tiempo real](use-case-recipe-features.md#about-real-time-personalization).
+ Exploración: con la exploración, las recomendaciones incluyen elementos con menos datos de interacciones o relevancia para el usuario. Con User-Personalization-v2, Amazon Personalize se encarga de la configuración de la exploración por usted. Para asegurarse de que las recomendaciones incluyen los elementos nuevos, puede utilizar promociones para incluir elementos nuevos en función de la marca temporal de creación. Para obtener más información sobre las promociones, consulte [Promoción de elementos en las recomendaciones en tiempo real](promoting-items.md).
+ Actualizaciones automáticas: con las actualizaciones automáticas, Amazon Personalize actualiza de forma automática el último modelo (versión de solución) cada dos horas para tener en cuenta nuevos elementos en las recomendaciones. Para obtener más información, consulte [Actualizaciones automáticas](use-case-recipe-features.md#automatic-updates).
+ Metadatos con recomendaciones: con la receta User-Personalization-v2, si tiene un conjunto de datos de elementos con al menos una columna de metadatos, las campañas tienen automáticamente la opción de incluir metadatos de elemento con los resultados de las recomendaciones. No tiene que activar manualmente los metadatos de la campaña. Puede usar metadatos para enriquecer las recomendaciones de la interfaz de usuario, por ejemplo, agregar los géneros de las películas a los carruseles. Para obtener más información, consulte [Metadatos de elemento en las recomendaciones](campaigns.md#create-campaign-return-metadata).
## Conjuntos de datos obligatorios y opcionales
Para usar User-Personalization-v2, debe crear un conjunto de datos de interacciones de elemento e importar al menos 1000 interacciones de elemento. Amazon Personalize genera recomendaciones basadas principalmente basadas en los datos de interacciones de elemento. Para obtener más información, consulte [Datos de interacciones de elementos](interactions-datasets.md). User-Personalization-v2 puede entrenar hasta cinco millones de elementos entre interacciones de elemento y conjuntos de datos de elementos.
Con User-Personalization-v2, Amazon Personalize puede utilizar los datos de interacciones de elemento, entre los que se incluyen los siguientes:
+ Tipo de evento y datos de valor de evento: Amazon Personalize utiliza los datos de tipo de evento, como los tipos de evento de clic y de visualización, para identificar la intención y el interés de los usuarios a través de cualquier patrón de comportamiento. Además, puede usar los datos de tipo y de valor de evento para filtrar los registros antes del entrenamiento. Para obtener más información, consulte [Datos de valor de evento y tipo de evento](interactions-datasets.md#event-type-and-event-value-data).
**nota**
Con User-Personalization-v2, el costo del entrenamiento se basa en los datos de interacciones antes de filtrarlos por tipo o valor de evento. Para obtener más información sobre el precio, consulte [Precios de Amazon Personalize](https://aws.amazon.com/personalize/pricing/).
+ Metadatos contextuales: son datos de interacciones que se recopilan en el entorno del usuario en el momento de un evento, como la ubicación o el tipo de dispositivo. Para obtener más información, consulte [Metadatos contextuales](interactions-datasets.md#interactions-contextual-metadata).
Los siguientes conjuntos de datos son opcionales y pueden mejorar las recomendaciones:
+ Conjunto de datos de usuarios: Amazon Personalize puede utilizar datos del conjunto de datos de usuarios para comprender mejor a los usuarios y los intereses que tienen. También puede usar los datos de un conjunto de datos de usuarios para filtrar las recomendaciones. Para obtener información sobre los datos de usuario que puede importar, consulte [Metadatos de usuario](users-datasets.md).
+ Conjunto de datos de elementos: Amazon Personalize puede utilizar los datos del conjunto de datos de elementos para identificar conexiones y patrones en el comportamiento. Esto ayuda a Amazon Personalize a entender a los usuarios y sus intereses. También puede usar los datos de un conjunto de datos de elementos para filtrar las recomendaciones. Para obtener información sobre los datos de elementos que puede importar, consulte [Metadatos de elemento](items-datasets.md).
## Propiedades e hiperparámetros
La receta User-Personalization-v2 tiene las siguientes propiedades:
+ **Nombre** – `aws-user-personalization-v2`
+ **Nombre de recurso de Amazon (ARN) de la receta)** – `arn:aws:personalize:::recipe/aws-user-personalization-v2`
+ **ARN del algoritmo** – `arn:aws:personalize:::algorithm/aws-user-personalization-v2`
Para obtener más información, consulte [Elección de una receta](working-with-predefined-recipes.md).
En la siguiente tabla se describen los hiperparámetros de la receta User-Personalization-v2. Un *hiperparámetro* es un parámetro de algoritmo que se puede ajustar para mejorar el rendimiento del modelo. Los hiperparámetros de algoritmos controlan el rendimiento del modelo. El proceso de elección del mejor valor para un hiperparámetro se denomina optimización de hiperparámetros (HPO). Con User-Personalization-v2, si activa el entrenamiento automático, Amazon Personalize realiza de forma automática la optimización de hiperparámetros cada 90 días. Sin un entrenamiento automático, no se produce dicha optimización.
La tabla proporciona la siguiente información para cada hiperparámetro:
+ **Rango**: [límite inferior, límite superior]
+ **Tipo de valor**: número entero, continuo (flotante), categórico (booleano, lista, cadena)
| Nombre | Descripción |
| --- | --- |
| Hiperparámetros de algoritmos |
| apply\$1recency\$1bias | Determina si el modelo debe dar más ponderación a los datos de interacciones de elemento más recientes del conjunto de datos de interacciones de elemento. Los datos de las interacciones más recientes pueden incluir cambios repentinos en los patrones subyacentes de los eventos de interacción. Para entrenar un modelo que tenga más peso sobre los eventos recientes, establezca `apply_recency_bias` en `true`. Para entrenar un modelo que pesa igualmente todas las interacciones anteriores, establezca `apply_recency_bias` en `false`. Valor predeterminado: \$1: `true` Rango: `true` o `false` Tipo de valor: booleano HPO ajustable: no |
# Receta User-Personalization
**importante**
Recomendamos utilizar la receta [User-Personalization-v2](native-recipe-user-personalization-v2.md). Puede tener en cuenta hasta cinco millones de elementos con un entrenamiento más rápido y generar recomendaciones más relevantes con una latencia más baja.
La receta de personalización del usuario (aws-user-personalization) está optimizada para todos los escenarios de recomendaciones personalizadas. Predice los elementos con los que es más probable que interactúe un usuario. Puede usar User-Personalization para generar recomendaciones de películas personalizadas para una aplicación de streaming o recomendaciones de productos personalizadas para una aplicación de venta al por menor.
Con User-Personalization, Amazon Personalize genera recomendaciones basadas principalmente en los datos de interacciones de elemento de usuario de un conjunto de datos de interacciones de elemento. También puede usar metadatos de elemento y de usuario de los conjuntos de datos de elementos y usuarios. Para obtener más información sobre los datos que usa, consulte [Conjuntos de datos obligatorios y opcionales](#user-personalization-datasets).
**Topics**
+ [Características de la receta](#user-personalization-features)
+ [Conjuntos de datos obligatorios y opcionales](#user-personalization-datasets)
+ [Propiedades e hiperparámetros](#bandit-hyperparameters)
+ [Entrenamiento con la receta User-Personalization (consola)](#training-user-personalization-recipe-console)
+ [Entrenamiento con la receta User-Personalization (SDK de Python)](#training-user-personalization-recipe)
+ [Obtención de recomendaciones y registro de impresiones (SDK para Python [Boto3])](#user-personalization-get-recommendations-recording-impressions)
+ [Cuaderno de Jupyter de ejemplo](#bandits-sample-notebooks)
## Características de la receta
User-Personalization utiliza las siguientes características de receta de Amazon Personalize al generar recomendaciones de elemento:
+ Personalización en tiempo real: con este tipo de personalización, Amazon Personalize actualiza y adapta las recomendaciones de elemento en función de la evolución de los intereses del usuario. Para obtener más información, consulte [Personalización en tiempo real](use-case-recipe-features.md#about-real-time-personalization).
+ Exploración: con la exploración, las recomendaciones incluyen elementos nuevos o elementos con menos datos de interacciones. Esto mejora la visibilidad de los elementos y su fidelización cuando se trata de un catálogo que cambia rápidamente o cuando los elementos nuevos, como elementos de noticias o promociones, son más relevantes para los usuarios cuando acaban de salir. Para obtener más información acerca de la exploración, consulte [Exploration (Exploración)](use-case-recipe-features.md#about-exploration).
+ Actualizaciones automáticas: con las actualizaciones automáticas, Amazon Personalize actualiza de forma automática el último modelo (versión de solución) cada dos horas para tener en cuenta nuevos elementos en las recomendaciones. Para obtener más información, consulte [Actualizaciones automáticas](use-case-recipe-features.md#automatic-updates).
## Conjuntos de datos obligatorios y opcionales
Para usar User-Personalization, debe crear un [conjunto de datos de interacciones de elemento](interactions-datasets.md) e importar al menos 1000 interacciones de elemento. Amazon Personalize genera recomendaciones basadas principalmente basadas en los datos de interacciones de elemento.
Con User-Personalization, Amazon Personalize puede utilizar los datos de interacciones de elemento, entre los que se incluyen los siguientes:
+ Tipo de evento y datos de valor de evento: Amazon Personalize utiliza los datos de tipo de evento, como los tipos de evento de clic y de visualización, para identificar la intención y el interés de los usuarios a través de cualquier patrón de comportamiento. Además, puede usar los datos de tipo y de valor de evento para filtrar los registros antes del entrenamiento. Para obtener más información, consulte [Datos de valor de evento y tipo de evento](interactions-datasets.md#event-type-and-event-value-data).
+ Metadatos contextuales: son datos de interacciones que se recopilan en el entorno del usuario en el momento de un evento, como la ubicación o el tipo de dispositivo. Para obtener más información, consulte [Metadatos contextuales](interactions-datasets.md#interactions-contextual-metadata).
+ Datos de impresiones: las impresiones son listas de elementos que estaban visibles para un usuario cuando interactuaba con un elemento concreto (al hacer clic, verlo, comprarlo, etc.). Para obtener más información, consulte [Datos de impresiones](interactions-datasets.md#interactions-impressions-data).
Los siguientes conjuntos de datos son opcionales y pueden mejorar las recomendaciones:
+ Conjunto de datos de usuarios: Amazon Personalize puede utilizar datos del conjunto de datos de usuarios para comprender mejor a los usuarios y los intereses que tienen. También puede usar los datos de un conjunto de datos de usuarios para filtrar las recomendaciones. Para obtener información sobre los datos de usuario que puede importar, consulte [Metadatos de usuario](users-datasets.md).
+ Conjunto de datos de elementos: Amazon Personalize puede utilizar los datos del conjunto de datos de elementos para identificar conexiones y patrones en el comportamiento. Esto ayuda a Amazon Personalize a entender a los usuarios y sus intereses. También puede usar los datos de un conjunto de datos de elementos para filtrar las recomendaciones. Para obtener información sobre los datos de elementos que puede importar, consulte [Metadatos de elemento](items-datasets.md).
## Propiedades e hiperparámetros
La receta User-Personalization incluye las siguientes propiedades:
+ **Nombre**: `aws-user-personalization`
+ **Nombre de recurso de Amazon (ARN) de la receta**: `arn:aws:personalize:::recipe/aws-user-personalization`
+ **ARN del algoritmo**: `arn:aws:personalize:::algorithm/aws-user-personalization`
Para obtener más información, consulte [Elección de una receta](working-with-predefined-recipes.md).
En la siguiente tabla se describen los hiperparámetros de la receta User-Personalization. Un *hiperparámetro* es un parámetro de algoritmo que se puede ajustar para mejorar el rendimiento del modelo. Los hiperparámetros de algoritmos controlan el rendimiento del modelo. Los hiperparámetros de caracterización controlan cómo se filtran los datos que se van a utilizar en el entrenamiento. El proceso de elección del mejor valor para un hiperparámetro se denomina optimización de hiperparámetros (HPO). Para obtener más información, consulte [Hiperparámetros y HPO](customizing-solution-config-hpo.md).
La tabla proporciona la siguiente información para cada hiperparámetro:
+ **Rango**: [límite inferior, límite superior]
+ **Tipo de valor**: número entero, continuo (flotante), categórico (booleano, lista, cadena)
+ **HPO ajustable**: ¿puede el parámetro participar en HPO?
| Name | Description (Descripción) |
| --- | --- |
| Hiperparámetros de algoritmos |
| hidden\$1dimension | El número de variables ocultas utilizadas en el modelo. Las *variables ocultas* recrean el historial de compras de los usuarios y las estadísticas de los elementos para generar puntuaciones de clasificación. Especifique un número mayor de dimensiones ocultas cuando el conjunto de datos de interacciones de elementos incluya patrones más complicados. El uso de más dimensiones ocultas requiere un conjunto de datos mayor y más tiempo de procesamiento. Para decidir el valor óptimo, utilice HPO. Para utilizar HPO, establezca `performHPO` en `true` cuando llame a las operaciones [CreateSolution](API_CreateSolution.md) y[CreateSolutionVersion](API_CreateSolutionVersion.md). Valor predeterminado: 149 Rango: [32, 256] Tipo de valor: entero HPO ajustable: sí |
| bptt | Determina si se debe utilizar la propagación hacia atrás a través de la técnica de tiempo. La *propagación hacia atrás a través del tiempo* es una técnica que actualiza ponderaciones en algoritmos basados en redes neuronales recurrentes. Utilice `bptt` para créditos a largo plazo para conectar recompensas retrasadas a eventos tempranos. Por ejemplo, una recompensa retrasada puede ser una compra realizada después de varios clics. Un evento temprano puede ser un clic inicial. Incluso dentro de los mismos tipos de eventos, tales como un clic, es buena idea tener en cuenta los efectos a largo plazo y maximizar las recompensas totales. Para tener en cuenta los efectos a largo plazo, utilice valores mayores de `bptt`. El uso de un valor de `bptt` mayor requiere conjuntos de datos más grandes y más tiempo de procesamiento. Valor predeterminado: 32 Rango: [2, 32] Tipo de valor: entero HPO ajustable: sí |
| recency\$1mask | Determina si el modelo debe tener en cuenta las últimas tendencias de popularidad en el conjunto de datos de interacciones de elementos. Las últimas tendencias de popularidad pueden incluir cambios bruscos en los patrones subyacentes de los eventos de interacción. Para entrenar un modelo que tenga más peso sobre los eventos recientes, establezca `recency_mask` en `true`. Para entrenar un modelo que pesa igualmente todas las interacciones anteriores, establezca `recency_mask` en `false`. Para obtener buenas recomendaciones con el mismo peso, es posible que necesite un conjunto de datos de entrenamiento mayor. Valor predeterminado: `True` Rango: `True` o `False` Tipo de valor: booleano HPO ajustable: sí |
| Hiperparámetros de caracterización |
| min\$1user\$1history\$1length\$1percentile | El percentil mínimo de longitudes de historial de usuario para incluir en el entrenamiento de modelos. La *longitud del historial* es la cantidad total de datos sobre un usuario. Utilice `min_user_history_length_percentile` para excluir un porcentaje de usuarios con longitudes de historial cortas. Los usuarios con un historial corto suelen mostrar patrones basados en la popularidad de los elementos en lugar de sus necesidades o deseos personales. Eliminarlos puede entrenar modelos que se centren más en los patrones subyacentes de los datos. Elija un valor adecuado después de revisar las longitudes del historial de usuarios, utilizando un histograma o una herramienta similar. Recomendamos establecer un valor que retenga a la mayoría de los usuarios, pero que elimine los casos de borde. Por ejemplo, al establecer `min_user_history_length_percentile to 0.05` y `max_user_history_length_percentile to 0.95` se incluyen todos los usuarios, excepto los que tienen longitudes de historial en el 5 % inferior o superior. Valor predeterminado: 0,0 Rango: [0,0, 1,0] Tipo de valor: flotante HPO ajustable: no |
| max\$1user\$1history\$1length\$1percentile | El percentil máximo de longitudes de historial de usuario para incluir en el entrenamiento de modelos. La *longitud del historial* es la cantidad total de datos sobre un usuario. Utilice `max_user_history_length_percentile` para excluir un porcentaje de usuarios con longitudes de historial largas, ya que los datos de estos usuarios tienden a contener ruido. Por ejemplo, un robot podría tener una larga lista de interacciones automatizadas. La eliminación de estos usuarios limita el ruido en el entrenamiento. Elija un valor adecuado después de revisar las longitudes del historial de usuarios mediante un histograma o una herramienta similar. Recomendamos establecer un valor que retenga la mayoría de los usuarios, pero que elimine los casos de borde. Por ejemplo, al establecer `min_user_history_length_percentile to 0.05` y `max_user_history_length_percentile to 0.95` se incluyen todos los usuarios, excepto los que tienen longitudes de historial en el 5 % inferior o superior. Valor predeterminado: 0,99 Rango: [0,0, 1,0] Tipo de valor: flotante HPO ajustable: no |
| Hiperparámetros de configuración de la campaña de exploración de elementos |
| exploration\$1weight | Determina la frecuencia con la que las recomendaciones incluyen elementos con menos datos de interacciones de elementos o relevancia. Cuanto más se acerque el valor a 1,0, mayor será la exploración. En cero, no se realiza ninguna exploración y las recomendaciones se basan en los datos actuales (relevancia). Para obtener más información, consulte [CampaignConfig](API_CampaignConfig.md). Valor predeterminado: 0,3 Rango: [0,0, 1,0] Tipo de valor: flotante HPO ajustable: no |
| exploration\$1item\$1age\$1cut\$1off | Especifique la antigüedad máxima del elemento en días desde la última interacción en todos los elementos del conjunto de datos de interacciones de elementos. Esto define el alcance de la exploración del elemento en función de su antigüedad. Amazon Personalize determina la antigüedad de un elemento en función de su marca temporal de creación o, si faltan estos datos, de los datos de interacciones de elementos. Para obtener más información sobre cómo Amazon Personalize determina la antigüedad de un elemento, consulte [Datos de la marca de tiempo de creación](items-datasets.md#creation-timestamp-data). Para aumentar el número de elementos que Amazon Personalize considera durante la exploración, indique un valor superior. El mínimo es de 1 día y el valor predeterminado es de 30 días. Las recomendaciones pueden incluir elementos con una antigüedad superior al límite de antigüedad que especifique. Esto se debe a que estos elementos son relevantes para el usuario y la exploración no los identificó. Valor predeterminado: 30,0 Rango: flotantes positivos Tipo de valor: flotante HPO ajustable: no |
## Entrenamiento con la receta User-Personalization (consola)
Para usar la receta User-Personalization para generar recomendaciones en la consola, primero entrene una nueva versión de la solución con la receta. A continuación, implemente una campaña con la versión de la solución y utilícela para obtener recomendaciones.
**Entrenamiento de una versión de la solución con la receta User-Personalization (consola)**
1. Abre la consola Amazon Personalize en [https://console.aws.amazon.com/personalize/casa](https://console.aws.amazon.com/personalize/home) e inicia sesión en tu cuenta.
1. Cree un grupo de conjuntos de datos personalizado con un esquema nuevo y cargue su conjunto de datos con datos de impresiones. Si lo desea, incluya [CREATION\$1TIMESTAMP]() y datos [Metadatos de texto no estructurado](items-datasets.md#text-data) en su conjunto de datos de elementos para que Amazon Personalize pueda calcular con mayor precisión la antigüedad de un elemento e identificar los elementos fríos.
Para obtener más información sobre la importación de datos, consulte [Importación de datos de entrenamiento directamente a conjuntos de datos de Amazon Personalize](import-data.md).
1. En la página **Grupos de conjuntos de datos**, elija el nuevo grupo de conjuntos de datos que contenga el conjunto de datos o los conjuntos de datos con datos de impresiones.
1. En el panel de navegación, seleccione **Soluciones y recetas** y elija **Crear solución**.
1. En la página **Crear solución**, en **Nombre de la solución**, introduzca el nombre de la nueva solución.
1. En **Tipo de solución**, elija **Recomendación de elementos** para obtener recomendaciones de elementos para sus usuarios.
1. En **Receta**, elija **aws-user-personalization**. Aparece la sección **Configuración de la solución** con varias opciones de configuración.
1. En **Configuración adicional**, si el conjunto de datos de interacciones con artículos tiene la columna EVENT\$1TYPE o tanto EVENT\$1TYPE como EVENT\$1VALUE, si lo desea, utilice los campos **Tipo de evento** y **Umbral del valor del evento** para elegir los datos de interacciones con artículos que Amazon Personalize usará al entrenar el modelo. Para obtener más información, consulte [Elección de los datos de interacciones de elementos utilizados para el entrenamiento](event-values-types.md).
Si tienes varios tipos de eventos y utilizas User-Personalization-v 2 o Personalized-Ranking-v 2 recetas, también puedes especificar distintos pesos para los distintos tipos. Por ejemplo, puede configurar una solución para dar más peso a los eventos de compra que a los de clic. Para obtener más información, consulte [Optimización de una solución con la configuración de eventos](optimizing-solution-events-config.md).
1. Si lo desea, configure los hiperparámetros para su solución. Para obtener una lista de las propiedades e hiperparámetros de la receta User-Personalization, consulte [Propiedades e hiperparámetros](#bandit-hyperparameters).
1. Elija **Crear y entrenar la solución** para empezar el entrenamiento. Aparece la página **Panel**.
Puede acceder a la página de detalles de la solución para realizar un seguimiento del progreso del entrenamiento en la sección **Versiones de la solución**. Una vez finalizado el entrenamiento, el estado es **Activo**.
**Creación de una campaña y obtención de recomendaciones (consola)**
Cuando el estado de la versión de la solución sea **Activo**, estará listo para crear su campaña y recibir recomendaciones del modo siguiente:
1. En la página de detalles de la solución o en la página **Campañas**, seleccione **Crear nueva campaña**.
1. En la página **Crear nueva campaña**, en los **Detalles de la campaña**, proporcione la siguiente información:
+ **Nombre de la campaña**: escriba el nombre de la campaña. El texto que escriba aquí aparecerá en el panel Campaña y en la página de detalles.
+ **Solución**: elija la solución que acaba de crear.
+ **ID de versión de la solución:** elija el ID de la versión de la solución que acaba de crear.
+ **Transacciones aprovisionadas mínimas por segundo:** defina las transacciones aprovisionadas mínimas por segundo que admite Amazon Personalize. Para obtener más información, consulte la operación [CreateCampaign](API_CreateCampaign.md).
1. Para **Configuración de recursos**, proporcione la siguiente información:
+ **Ponderación de la exploración:** configure cuánto explorar, donde las recomendaciones incluyen elementos con menos datos de interacciones o relevancia con más frecuencia cuanta más exploración especifique. Cuanto más se acerque el valor a 1, mayor será la exploración. En cero, no se realiza ninguna exploración y las recomendaciones se basan en los datos actuales (relevancia).
+ **Límite de antigüedad del elemento de exploración**: especifique la antigüedad máxima del elementos, en días desde la última interacción, para definir el alcance de la exploración del elemento. Para aumentar el número de elementos que Amazon Personalize considera durante la exploración, indique un valor superior.
Por ejemplo, si especifica 10, durante la exploración solo se tendrán en cuenta los elementos con datos de interacciones de elementos de los 10 días transcurridos desde la última interacción del conjunto de datos.
**nota**
Las recomendaciones pueden incluir elementos sin datos de interacciones de elementos de fuera de este período de tiempo. El motivo es que estos elementos son relevantes para los intereses del usuario y no se requirió a la exploración que los identificara.
1. Elija **Crear una campaña**.
1. En la página de detalles de la campaña, cuando el estado de la campaña es **Activo**, puede utilizarla para obtener recomendaciones y registrar las impresiones. Para obtener más información, consulte [Paso 5: Obtener recomendaciones](getting-started-console.md#getting-started-console-get-recommendations) en “Introducción”.
Amazon Personalize actualiza automáticamente la última versión de la solución cada dos horas para incluir nuevos datos. La campaña utiliza automáticamente la versión actualizada de la solución. Para obtener más información, consulte [Actualizaciones automáticas](use-case-recipe-features.md#automatic-updates).
Para actualizar la campaña manualmente, primero debe crear y entrenar una nueva versión de la solución mediante la consola o la operación [CreateSolutionVersion](API_CreateSolutionVersion.md), con la configuración `trainingMode` establecida en `update`. A continuación, actualice la campaña manualmente en la página **Campaña** de la consola o mediante la operación [UpdateCampaign](API_UpdateCampaign.md).
**nota**
Amazon Personalize no actualiza automáticamente las versiones de soluciones que haya creado antes del 17 de noviembre de 2020.
## Entrenamiento con la receta User-Personalization (SDK de Python)
Cuando haya creado un grupo de conjuntos de datos y cargado sus conjuntos de datos con datos de impresiones, podrá entrenar una solución con la receta User-Personalization. Si lo desea, incluya [CREATION\$1TIMESTAMP]() y datos [Metadatos de texto no estructurado](items-datasets.md#text-data) en su conjunto de datos de elementos para que Amazon Personalize pueda calcular con mayor precisión la antigüedad de un elemento e identificar los elementos fríos. Para obtener más información sobre la creación de grupos de conjuntos de datos y la carga de datos de entrenamiento, consulte [Creación de archivos JSON de esquema para los esquemas de Amazon Personalize](how-it-works-dataset-schema.md).
**Para entrenar una solución con la receta de personalización del usuario mediante el SDK AWS**
1. Cree una nueva solución mediante el método `create_solution`.
Sustituya `solution name` por el nombre de la solución y `dataset group arn` por el nombre de recurso de Amazon (ARN) del grupo de conjuntos de datos.
```
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 obtener una lista de las propiedades e hiperparámetros de la aws-user-personalization receta, consulte. [Propiedades e hiperparámetros](#bandit-hyperparameters)
1. Cree una nueva *versión de la solución* con los datos de entrenamiento actualizados y configure `trainingMode` en `FULL` para usar el siguiente fragmento de código. Sustituya `solution arn` por el ARN de la solución.
```
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. Cuando Amazon Personalize termine de crear la versión de la solución, cree la campaña con los siguientes parámetros:
+ Proporcione un nuevo `campaign name` y el `solution version arn` generado en el paso 2.
+ Modifique el hiperparámetro de configuración de exploración de elementos `explorationWeight` para configurar cuánto explorar. Los elementos con menos datos de interacciones de elementos o relevancia se recomiendan con más frecuencia cuanto más se acerca el valor a 1,0. El valor predeterminado es 0,3.
+ Modifique el parámetro de hiperparámetro de la configuración de exploración de elementos `explorationItemAgeCutOff` para proporcionar la duración máxima, en días en relación con la última interacción, durante la cual se deben explorar los elementos. Cuanto mayor sea el valor, más elementos se tendrán en cuenta durante la exploración.
Use el siguiente fragmento de código de Python para crear una nueva campaña con énfasis en la exploración con un límite de exploración de 30 días. La creación de una campaña suele hacerse en unos minutos, pero puede tardar más de una 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)
```
Con User-Personalization, Amazon Personalize actualiza automáticamente la versión de la solución cada dos horas para incluir nuevos datos. La campaña utiliza automáticamente la versión actualizada de la solución. Para obtener más información, consulte [Actualizaciones automáticas](use-case-recipe-features.md#automatic-updates).
Para actualizar la campaña manualmente, primero debe crear y entrenar una nueva versión de la solución mediante la consola o la operación [CreateSolutionVersion](API_CreateSolutionVersion.md), con la configuración `trainingMode` establecida en `update`. A continuación, actualice la campaña manualmente en la página **Campaña** de la consola o mediante la operación [UpdateCampaign](API_UpdateCampaign.md).
**nota**
Amazon Personalize no actualiza automáticamente las versiones de soluciones que haya creado antes del 17 de noviembre de 2020.
## Obtención de recomendaciones y registro de impresiones (SDK para Python [Boto3])
Una vez creada la campaña, puede usarla para obtener recomendaciones para un usuario y registrar las impresiones. Para obtener información sobre cómo obtener recomendaciones de lotes, AWS SDKs consulte[Creación de un trabajo de inferencia por lotes (AWS SDKs)](creating-batch-inference-job.md#batch-sdk).
**Para obtener recomendaciones y registrar las impresiones**
1. Llame al método `get_recommendations`. Cambie `campaign arn` al ARN de la nueva campaña y `user id` al identificador de usuario del usuario.
```
import boto3
rec_response = personalize_runtime.get_recommendations(campaignArn = 'campaign arn', userId = 'user id')
print(rec_response['recommendationId'])
```
1. Cree un nuevo rastreador de eventos para enviar PutEvents solicitudes. Reemplace `event tracker name` por el nombre de su rastreador de eventos y `dataset group arn` por el ARN de su grupo de conjuntos de datos.
```
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 `recommendationId` del paso 1 y `event tracking id` del paso 2 para crear una nueva solicitud `PutEvents`. Esta solicitud registra los nuevos datos de impresión de la sesión del usuario. Cambie `user id` por el identificador del usuario.
```
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']],
}]
)
```
## Cuaderno de Jupyter de ejemplo
Para ver una muestra de cuaderno de Jupyter que describe el uso de la receta User-Personalization, consulte [Personalización de usuario con la exploración](https://github.com/aws-samples/amazon-personalize-samples/blob/master/next_steps/core_use_cases/user_personalization/user-personalization-with-exploration.ipynb).
# Receta Trending-Now
La receta Trending-Now (aws-trending-now) genera recomendaciones para artículos que se están volviendo cada vez más populares entre los usuarios. Puede utilizar la receta Trending-Now si los elementos que están ganando popularidad son más relevantes para sus clientes. Por ejemplo, es posible que sus clientes valoren en gran medida aquello con que interactúan otros usuarios. Entre los usos habituales se incluyen la recomendación contenido viral en las redes sociales, elementos de noticias de última hora o vídeos deportivos recientes.
Trending-Now identifica automáticamente los elementos que están ganando popularidad calculando el aumento de las interacciones de cada uno de ellos a lo largo de intervalos de tiempo configurables. Los elementos con la tasa de aumento más alta se consideran elementos populares. El tiempo se basa en los datos de marca temporal del conjunto de datos de interacciones de elementos. Los elementos considerados provienen de los datos de interacciones que se han importado de forma masiva e incremental. No es necesario crear manualmente una nueva versión de la solución para que Trending-Now tenga en cuenta nuevos elementos en los datos de interacciones.
Puede especificar el intervalo de tiempo proporcionando `Trend discovery frequency` al crear la solución. Por ejemplo, si especifica `30 minutes` para `Trend discovery frequency` por cada 30 minutos de datos, Amazon Personalize identifica los elementos con la mayor tasa de aumento de interacciones desde la última evaluación. Las posibles frecuencias incluyen 30 minutos, 1 hora, 3 horas y 1 día. Elija una frecuencia que se ajuste a la distribución de los datos de sus interacciones. La falta de datos durante el intervalo que elija puede reducir la precisión de las recomendaciones. Si importa cero interacciones en los dos últimos intervalos de tiempo, Amazon Personalize recomienda solo los elementos populares en lugar de los elementos que estén ganando popularidad.
Con Trending-Now, puede llamar a la operación [GetRecommendations](API_RS_GetRecommendations.md) u obtener recomendaciones en la página de **Campaña de prueba** de la consola Amazon Personalize. Amazon Personalize devuelve los elementos que más popularidad están ganando. Solo se aprueba una solicitud `userId` si se aplica un filtro que lo requiera. Con la GetRecommendations API, puede configurar el número de elementos populares devueltos con el parámetro. `numResults` No puede obtener recomendaciones por lotes con la receta Trending-Now.
Para usar Trending-Now, debe crear un conjunto de datos de interacciones entre elementos con al menos 1000 interacciones históricas y de eventos únicas combinadas (después de filtrar por EventType y eventValueThreshold, si se proporciona). Al generar recomendaciones de elementos de tendencia, Trending-Now no utiliza los datos de los conjuntos de datos de elementos o usuarios. Sin embargo, aún puede filtrar las recomendaciones en función de los datos de estos conjuntos de datos. Para obtener más información, consulte [Recomendaciones de filtrado y segmentos de usuarios](filter.md).
**Topics**
+ [Propiedades e hiperparámetros](#trending-now-hyperparameters)
+ [Creación de una solución (SDK para Python (Boto3))](#trending-now-python)
+ [Cuaderno de Jupyter de ejemplo](#trending-now-sample-notebooks)
## Propiedades e hiperparámetros
La receta Trending-Now incluye las siguientes propiedades:
+ **Nombre**: `aws-trending-now`
+ **Nombre de recurso de Amazon (ARN) de la receta**: `arn:aws:personalize:::recipe/aws-trending-now`
+ **ARN del algoritmo**: `arn:aws:personalize:::algorithm/aws-trending-now-custom`
Para obtener más información, consulte [Elección de una receta](working-with-predefined-recipes.md).
En la siguiente tabla se describen los hiperparámetros de la receta Trending-Now. Un *hiperparámetro* es un parámetro de algoritmo que se puede ajustar para mejorar el rendimiento del modelo. Los hiperparámetros de algoritmos controlan el rendimiento del modelo. El proceso de elección del mejor valor para un hiperparámetro se denomina optimización de hiperparámetros (HPO). Para obtener más información, consulte [Hiperparámetros y HPO](customizing-solution-config-hpo.md).
La tabla también proporciona la siguiente información para cada hiperparámetro:
+ **Rango**: [límite inferior, límite superior]
+ **Tipo de valor**: número entero, continuo (flotante), categórico (booleano, lista, cadena)
+ **HPO ajustable**: ¿puede el parámetro participar en HPO?
| Name | Description (Descripción) |
| --- | --- |
| Hiperparámetros de transformación de características |
| Trend discovery frequency | Especifique la frecuencia con la que Amazon Personalize evalúa los datos de sus interacciones e identifica los elementos de tendencia. Por ejemplo, si especifica `30 minutes` para `Trend discovery frequency`, Amazon Personalize identifica cada 30 minutos los elementos con la mayor tasa de aumento de interacciones en intervalos de 30 minutos. Las frecuencias disponibles incluyen 30 minutos, 1 hora, 2 horas, 3 horas y 1 día. Elija una frecuencia que se ajuste a la distribución de los datos de sus interacciones. La falta de datos durante el intervalo que elija puede reducir la precisión de las recomendaciones. Si utiliza la operación de CreateSolution API y no especifica ningún valor, el valor predeterminado es cada 2 horas. Para cualquier valor de parámetro superior a 2 horas, Amazon Personalize actualiza automáticamente las recomendaciones de artículos más populares cada 2 horas para tener en cuenta las nuevas interacciones y los nuevos artículos. Valor predeterminado: 2 horas Valores posibles: 30 minutos, 1 hora, 2 horas, 3 horas y 1 día. Tipo de valor: cadena HPO ajustable: no |
## Creación de una solución (SDK para Python (Boto3))
Los siguientes códigos muestran cómo crear una solución con la receta Trending-Now mediante el SDK for Python (Boto3). Los valores posibles de `trend_discovery_frequency` son `30 minutes`, `1 hour`, `3 hours` y `1 day`. Para obtener información sobre cómo crear una tabla manualmente con la consola, consulte [Creación de una solución (consola)](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'])
```
## Cuaderno de Jupyter de ejemplo
Para ver un ejemplo de bloc de notas de Jupyter que muestre cómo usar la receta 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) en el repositorio de muestras de Amazon Personalize. GitHub
# Receta Popularity-Count
Popularity-Count recomienda los elementos más populares en función de los datos de sus interacciones. Los elementos más populares son aquellos con más datos de interacciones de usuarios únicos. La receta devuelve los mismos elementos populares para todos los usuarios. Popularity-Count es una buena base de referencia para la comparación con otras recetas utilizando las métricas de evaluación que Amazon Personalize genera al crear una versión de la solución. Para obtener más información, consulte [Evaluación de una versión de solución de Amazon Personalize con métricas](working-with-training-metrics.md).
Después de crear una versión de la solución, asegúrese de mantener la versión y los datos de la solución actualizados. Con Popularity-Count, debe crear manualmente una nueva versión de solución (volver a entrenar el modelo) para que Amazon Personalize tenga en cuenta los nuevos elementos para las recomendaciones y actualice el modelo con el comportamiento más reciente de los usuarios. A continuación, debe actualizar cualquier campaña con la versión de la solución. Para obtener más información, consulte [Mantenimiento de la relevancia de las recomendaciones](maintaining-relevance.md).
Esta receta predefinida tiene las siguientes propiedades:
+ **Nombre** – `aws-popularity-count`
+ **ARN de receta**: `arn:aws:personalize:::recipe/aws-popularity-count`
+ **ARN del algoritmo**: `arn:aws:personalize:::algorithm/aws-popularity-count`
+ **ARN de transformación de características**: `arn:aws:personalize:::feature-transformation/sims`
+ **Tipo de receta**: `USER_PERSONALIZATION`
Popularity-Count no expone ningún hiperparámetro.
# Receta Personalized-Ranking-v2
La receta Personalized-Ranking-v2 genera clasificaciones personalizadas de los elementos. Una *clasificación personalizada* es una lista de elementos recomendados que se vuelven a clasificar por relevancia para un usuario específico. Resulta útil si tiene una colección de elementos pedidos, como resultados de búsqueda, promociones o listas seleccionadas, y quiere ofrecer una nueva clasificación personalizada para cada uno de sus usuarios.
Personalized-Ranking-v2 puede entrenar hasta cinco millones de elementos a partir de interacciones de elemento y conjuntos de datos de elementos. Y genera clasificaciones más precisas con una latencia menor que [Personalized-Ranking](native-recipe-search.md).
Al utilizar Personalized-Ranking-v2, especifique los elementos que se van a clasificar en una operación de la API [GetPersonalizedRanking](API_RS_GetPersonalizedRanking.md). Si especifica elementos sin datos de interacciones, Amazon Personalize devolverá estos elementos sin una puntuación de recomendación en la respuesta de la API GetPersonalizedRanking.
Esta receta utiliza una arquitectura basada en transformador para entrenar un modelo que aprenda el contexto y realice un seguimiento de las relaciones y los patrones de los datos. Los *transformadores* son un tipo de arquitectura de red neuronal que transforma o cambia una secuencia de entrada en una secuencia de salida. En el caso de Amazon Personalize, la secuencia de entrada es el historial de interacciones de elemento de un usuario en los datos. La secuencia de salida son las recomendaciones personalizadas. Para obtener más información sobre los transformadores, consulte [What Are Transformers In Artificial Intelligence?](https://aws.amazon.com/what-is/transformers-in-artificial-intelligence/) en el Centro de conceptos de computación en la nube de AWS.
Personalized-Ranking-v2 utiliza un modelo de precios distinto al de otras recetas. Para obtener más información sobre el precio, consulte [Precios de Amazon Personalize](https://aws.amazon.com/personalize/pricing/).
**Topics**
+ [Características de la receta](#personalized-ranking-v2-features)
+ [Conjuntos de datos obligatorios y opcionales](#personalized-ranking-v2-datasets)
+ [Propiedades e hiperparámetros](#personalized-ranking-v2-hyperparameters)
## Características de la receta
Personalized Ranking-v2 utiliza las siguientes características de receta de Amazon Personalize al clasificar los elementos:
+ Personalización en tiempo real: con este tipo de personalización, Amazon Personalize actualiza y adapta las recomendaciones de elemento en función de la evolución de los intereses del usuario. Para obtener más información, consulte [Personalización en tiempo real](use-case-recipe-features.md#about-real-time-personalization).
+ Metadatos con recomendaciones: con la receta Personalized-Ranking-v2, si tiene un conjunto de datos de elementos con al menos una columna de metadatos, las campañas tienen automáticamente la opción de incluir metadatos de elemento con los resultados de las recomendaciones. No tiene que activar manualmente los metadatos de la campaña. Puede usar metadatos para enriquecer las recomendaciones de la interfaz de usuario, por ejemplo, agregar los géneros de las películas a los carruseles. Para obtener más información, consulte [Metadatos de elemento en las recomendaciones](campaigns.md#create-campaign-return-metadata).
## Conjuntos de datos obligatorios y opcionales
Para usar Personalized-Ranking-v2, debe crear un conjunto de datos de interacciones de elemento e importar al menos 1000 interacciones de elemento. Amazon Personalize genera clasificaciones basadas principalmente en los datos de interacciones de elemento. Para obtener más información, consulte [Datos de interacciones de elementos](interactions-datasets.md). Personalized-Ranking-v2 puede entrenar hasta cinco millones de elementos entre interacciones de elemento y conjuntos de datos de elementos.
Con Personalized-Ranking-v2, Amazon Personalize puede utilizar los datos de interacciones de elemento, entre los que se incluyen los siguientes:
+ Tipo de evento y datos de valor de evento: Amazon Personalize utiliza los datos de tipo de evento, como los tipos de evento de clic y de visualización, para identificar la intención y el interés de los usuarios a través de cualquier patrón de comportamiento. Además, puede usar los datos de tipo y de valor de evento para filtrar los registros antes del entrenamiento. Para obtener más información, consulte [Datos de valor de evento y tipo de evento](interactions-datasets.md#event-type-and-event-value-data).
**nota**
Con Personalized-Ranking-v2, el costo del entrenamiento se basa en los datos de interacciones antes de filtrarlos por tipo o valor de evento. Para obtener más información sobre el precio, consulte [Precios de Amazon Personalize](https://aws.amazon.com/personalize/pricing/).
+ Metadatos contextuales: son datos de interacciones que se recopilan en el entorno del usuario en el momento de un evento, como la ubicación o el tipo de dispositivo. Para obtener más información, consulte [Metadatos contextuales](interactions-datasets.md#interactions-contextual-metadata).
Los siguientes conjuntos de datos son opcionales y pueden mejorar las recomendaciones:
+ Conjunto de datos de usuarios: Amazon Personalize puede utilizar datos del conjunto de datos de usuarios para comprender mejor a los usuarios y los intereses que tienen. También puede usar los datos de un conjunto de datos de usuarios para filtrar las recomendaciones. Para obtener información sobre los datos de usuario que puede importar, consulte [Metadatos de usuario](users-datasets.md).
+ Conjunto de datos de elementos: Amazon Personalize puede utilizar los datos del conjunto de datos de elementos para identificar conexiones y patrones en el comportamiento. Esto ayuda a Amazon Personalize a entender a los usuarios y sus intereses. También puede usar los datos de un conjunto de datos de elementos para filtrar las recomendaciones. Para obtener información sobre los datos de elementos que puede importar, consulte [Metadatos de elemento](items-datasets.md).
## Propiedades e hiperparámetros
La receta Personalized-Ranking-v2 tiene las siguientes propiedades:
+ **Nombre** – `aws-personalized-ranking-v2`
+ **Nombre de recurso de Amazon (ARN) de la receta)** – `arn:aws:personalize:::recipe/aws-personalized-ranking-v2`
+ **ARN del algoritmo** – `arn:aws:personalize:::algorithm/aws-personalized-ranking-v2`
Para obtener más información, consulte [Elección de una receta](working-with-predefined-recipes.md).
En la siguiente tabla se describen los hiperparámetros de la receta Personalized-Ranking-v2. Un *hiperparámetro* es un parámetro de algoritmo que se puede ajustar para mejorar el rendimiento del modelo. Los hiperparámetros de algoritmos controlan el rendimiento del modelo. El proceso de elección del mejor valor para un hiperparámetro se denomina optimización de hiperparámetros (HPO). Con Personalized-Ranking-v2, si activa el entrenamiento automático, Amazon Personalize realiza de forma automática la optimización de hiperparámetros cada 90 días. Sin un entrenamiento automático, no se produce dicha optimización.
La tabla proporciona la siguiente información para cada hiperparámetro:
+ **Rango**: [límite inferior, límite superior]
+ **Tipo de valor**: número entero, continuo (flotante), categórico (booleano, lista, cadena)
| Nombre | Descripción |
| --- | --- |
| Hiperparámetros de algoritmos |
| apply\$1recency\$1bias | Determina si el modelo debe dar más ponderación a los datos de interacciones de elemento más recientes del conjunto de datos de interacciones de elemento. Los datos de las interacciones más recientes pueden incluir cambios repentinos en los patrones subyacentes de los eventos de interacción. Para entrenar un modelo que tenga más peso sobre los eventos recientes, establezca `apply_recency_bias` en `true`. Para entrenar un modelo que pesa igualmente todas las interacciones anteriores, establezca `apply_recency_bias` en `false`. Valor predeterminado: \$1: `true` Rango: `true` o `false` Tipo de valor: booleano HPO ajustable: no |
# Receta Personalized-Ranking
**importante**
Recomendamos utilizar la receta [Personalized-Ranking-v2](native-recipe-personalized-ranking-v2.md). Puede tener en cuenta hasta cinco millones de elementos con un entrenamiento más rápido y generar clasificaciones más precisas con una latencia más baja.
La receta Personalized-Ranking genera clasificaciones personalizadas de elementos. Una *clasificación personalizada* es una lista de elementos recomendados que se vuelven a clasificar para un usuario específico. Resulta útil si tiene una colección de elementos pedidos, como resultados de búsqueda, promociones o listas seleccionadas, y quiere ofrecer una nueva clasificación personalizada para cada uno de sus usuarios. Por ejemplo, con Personalized-Ranking, Amazon Personalize puede volver a clasificar los resultados de búsqueda que genere con [OpenSearch](personalize-opensearch.md).
Para entrenar un modelo, la receta Personalized-Ranking utiliza los datos de su conjunto de datos de interacciones de elementos y, si los creó, los conjuntos de datos de elementos y usuarios de su grupo de conjuntos de datos (estos conjuntos de datos son opcionales). Con Personalized-Ranking, su conjunto de datos de elementos puede incluir [Metadatos de texto no estructurado](items-datasets.md#text-data) y su conjunto de datos de interacciones puede incluir [Metadatos contextuales](interactions-datasets.md#interactions-contextual-metadata). Para obtener clasificaciones personalizadas, use la API [GetPersonalizedRanking](API_RS_GetPersonalizedRanking.md).
Después de crear una versión de la solución, asegúrese de mantener la versión y los datos de la solución actualizados. Con Personalized-Ranking, debe crear manualmente una nueva versión de solución (reentrenar el modelo) para que Amazon Personalize tenga en cuenta los nuevos elementos para las recomendaciones y actualizar el modelo con el comportamiento más reciente del usuario. A continuación, debe actualizar cualquier campaña con la versión de la solución. Para obtener más información, consulte [Mantenimiento de la relevancia de las recomendaciones](maintaining-relevance.md).
**nota**
Si proporciona elementos sin datos de interacciones para su clasificación, Amazon Personalize devolverá estos elementos sin una puntuación de recomendación en la respuesta de la API GetPersonalizedRanking.
Esta receta tiene las siguientes propiedades:
+ **Nombre** – `aws-personalized-ranking`
+ **Nombre de recurso de Amazon (ARN) de la receta)** – `arn:aws:personalize:::recipe/aws-personalized-ranking`
+ **ARN del algoritmo** – `arn:aws:personalize:::algorithm/aws-personalized-ranking`
+ **ARN de transformación de características** – `arn:aws:personalize:::feature-transformation/JSON-percentile-filtering`
+ **Tipo de receta** – `PERSONALIZED_RANKING`
## Hiperparámetros
En la siguiente tabla se describen los hiperparámetros de la receta Personalize-Ranking. Un *hiperparámetro* es un parámetro de algoritmo que se puede ajustar para mejorar el rendimiento del modelo. Los hiperparámetros de algoritmos controlan el rendimiento del modelo. Los hiperparámetros de caracterización controlan cómo se filtran los datos que se van a utilizar en el entrenamiento. El proceso de elección del mejor valor para un hiperparámetro se denomina optimización de hiperparámetros (HPO). Para obtener más información, consulte [Hiperparámetros y HPO](customizing-solution-config-hpo.md).
La tabla también proporciona la siguiente información para cada hiperparámetro:
+ **Rango**: [límite inferior, límite superior]
+ **Tipo de valor**: número entero, continuo (flotante), categórico (booleano, lista, cadena)
+ **HPO ajustable**: ¿puede el parámetro participar en optimización hiperparámetros (HPO)?
| Nombre | Descripción |
| --- | --- |
| Hiperparámetros de algoritmos |
| hidden\$1dimension | El número de variables ocultas utilizadas en el modelo. Las *variables ocultas* recrean el historial de compras de los usuarios y las estadísticas de los elementos para generar puntuaciones de clasificación. Especifique un número mayor de dimensiones ocultas cuando el conjunto de datos de interacciones de elementos incluya patrones más complicados. El uso de más dimensiones ocultas requiere un conjunto de datos mayor y más tiempo de procesamiento. Para decidir el valor óptimo, utilice HPO. Para utilizar HPO, establezca `performHPO` en `true` cuando llame a las operaciones [CreateSolution](API_CreateSolution.md) y [CreateSolutionVersion](API_CreateSolutionVersion.md). Valor predeterminado: 149 Rango: [32, 256] Tipo de valor: entero HPO ajustable: sí |
| bptt | Determina si se debe utilizar la propagación hacia atrás a través de la técnica de tiempo. La *propagación hacia atrás a través del tiempo* es una técnica que actualiza ponderaciones en algoritmos basados en redes neuronales recurrentes. Utilice `bptt` para créditos a largo plazo para conectar recompensas retrasadas a eventos tempranos. Por ejemplo, una recompensa retrasada puede ser una compra realizada después de varios clics. Un evento temprano puede ser un clic inicial. Incluso dentro de los mismos tipos de eventos, tales como un clic, es buena idea tener en cuenta los efectos a largo plazo y maximizar las recompensas totales. Para tener en cuenta los efectos a largo plazo, utilice valores mayores de `bptt`. El uso de un valor de `bptt` mayor requiere conjuntos de datos más grandes y más tiempo de procesamiento. Valor predeterminado: 32 Rango: [2, 32] Tipo de valor: entero HPO ajustable: sí |
| recency\$1mask | Determina si el modelo debe tener en cuenta las últimas tendencias de popularidad en el conjunto de datos de interacciones de elementos. Las últimas tendencias de popularidad pueden incluir cambios bruscos en los patrones subyacentes de los eventos de interacción. Para entrenar un modelo que tenga más peso sobre los eventos recientes, establezca `recency_mask` en `true`. Para entrenar un modelo que pesa igualmente todas las interacciones anteriores, establezca `recency_mask` en `false`. Para obtener buenas recomendaciones con el mismo peso, es posible que necesite un conjunto de datos de entrenamiento mayor. Valor predeterminado: \$1: `True` Rango: `True` o `False` Tipo de valor: booleano HPO ajustable: sí |
| Hiperparámetros de caracterización |
| min\$1user\$1history\$1length\$1percentile | El percentil mínimo de longitudes de historial de usuario para incluir en el entrenamiento de modelos. La *longitud del historial* es la cantidad total de datos sobre un usuario. Utilice `min_user_history_length_percentile` para excluir un porcentaje de usuarios con longitudes de historial cortas. Los usuarios con un historial corto suelen mostrar patrones basados en la popularidad de los elementos en lugar de sus necesidades o deseos personales. Eliminarlos puede entrenar modelos que se centren más en los patrones subyacentes de los datos. Elija un valor adecuado después de revisar las longitudes del historial de usuarios, utilizando un histograma o una herramienta similar. Recomendamos establecer un valor que retenga a la mayoría de los usuarios, pero que elimine los casos de borde. Por ejemplo, al establecer `min__user_history_length_percentile to 0.05` y `max_user_history_length_percentile to 0.95` se incluyen todos los usuarios, excepto los que tienen longitudes de historial en el 5 % inferior o superior. Valor predeterminado: 0,0 Rango: [0,0, 1,0] Tipo de valor: flotante HPO ajustable: no |
| max\$1user\$1history\$1length\$1percentile | El percentil máximo de longitudes de historial de usuario para incluir en el entrenamiento de modelos. La *longitud del historial* es la cantidad total de datos sobre un usuario. Utilice `max_user_history_length_percentile` para excluir un porcentaje de usuarios con longitudes de historial largas, ya que los datos de estos usuarios tienden a contener ruido. Por ejemplo, un robot podría tener una larga lista de interacciones automatizadas. La eliminación de estos usuarios limita el ruido en el entrenamiento. Elija un valor adecuado después de revisar las longitudes del historial de usuarios mediante un histograma o una herramienta similar. Recomendamos establecer un valor que retenga la mayoría de los usuarios, pero que elimine los casos de borde. Por ejemplo, al establecer `min__user_history_length_percentile to 0.05` y `max_user_history_length_percentile to 0.95` se incluyen todos los usuarios, excepto los que tienen longitudes de historial en el 5 % inferior o superior. Valor predeterminado: 0,99 Rango: [0,0, 1,0] Tipo de valor: flotante HPO ajustable: no |
## Cuaderno de ejemplo de Personalized-Ranking
Para ver una muestra de cuaderno de Jupyter que describe el uso de la receta Personalized-Ranking, consulte el [ejemplo de Personalize Ranking](https://github.com/aws-samples/amazon-personalize-samples/blob/master/next_steps/core_use_cases/personalized_ranking/personalize_ranking_example.ipynb).
# Receta de similitud semántica
La receta de similitud semántica (aws-semantic-similarity) genera recomendaciones para elementos que son semánticamente similares a un elemento determinado en función del contenido textual. A diferencia de las recetas de similitud tradicionales que se basan en las interacciones entre el usuario y el elemento, esta receta analiza las descripciones textuales y los atributos de los elementos para generar incrustaciones e identificar elementos semánticamente similares
Esta receta es ideal para situaciones en las que quieres recomendar elementos en función de la similitud del contenido, como por ejemplo, recomendar libros con temas similares, artículos sobre temas relacionados o productos con descripciones similares. Funciona especialmente bien para artículos nuevos con un historial de interacciones limitado (escenarios de inicio en frío) y para catálogos en los que las relaciones semánticas son más importantes que los patrones de coocurrencia.
Con Semantic-Silarity, usted proporciona un identificador de artículo en una [GetRecommendations](https://docs.aws.amazon.com/personalize/latest/dg/API_RS_GetRecommendations.html)operación (o en la consola Amazon Personalize) y Amazon Personalize devuelve una lista de artículos similares. O bien, puedes usar un flujo de trabajo por lotes para obtener artículos similares para todos los artículos de tu inventario (consulta [Cómo obtener recomendaciones de artículos por lotes](https://docs.aws.amazon.com/personalize/latest/dg/getting-batch-recommendations.html)).
**Topics**
+ [Características de la receta](#semantic-similarity-features)
+ [Conjuntos de datos obligatorios y opcionales](#semantic-similarity-datasets)
+ [Propiedades e hiperparámetros](#semantic-similarity-hyperparameters)
## Características de la receta
Semantic-Silarity utiliza las siguientes funciones de recetas de Amazon Personalize al generar recomendaciones de artículos:
+ Personalización en tiempo real: con la receta de similitud semántica, Amazon Personalize mantiene tu catálogo de artículos actualizado automáticamente. Cuando agrega nuevos artículos a su conjunto de datos de artículos o actualiza los metadatos de los artículos existentes, estos cambios se reflejan en sus recomendaciones en aproximadamente 30 minutos si utiliza el entrenamiento gradual. Esto garantiza que tus clientes siempre vean los artículos más recientes disponibles en tu catálogo sin necesidad de intervención manual ni de esperar a que se complete un ciclo de reentrenamiento. Esto resulta especialmente útil para los catálogos que cambian con frecuencia, como artículos de noticias, publicaciones de blogs o ofertas de productos de temporada. Para habilitar las actualizaciones incrementales, los clientes deben:
+ `performIncrementalUpdate``true`Configúrelo como para la solución en la API
+ Elija la opción «Entrenamiento completo e incremental» o «Entrenamiento incremental» en Método de entrenamiento en la interfaz de usuario
Tenga en cuenta que habilitar las actualizaciones incrementales generará costos adicionales cada vez que se realice una actualización.
+ Metadatos con recomendaciones: con la fórmula de similitud semántica, las campañas tienen automáticamente la opción de incluir los metadatos de los artículos en los resultados de las recomendaciones. No tiene que activar manualmente los metadatos de la campaña. Puede usar metadatos para enriquecer las recomendaciones de la interfaz de usuario, por ejemplo, agregar los géneros de las películas a los carruseles. Para obtener más información, consulta los [metadatos de los elementos](https://docs.aws.amazon.com/personalize/latest/dg/campaigns.html#create-campaign-return-metadata) en las recomendaciones.
## Conjuntos de datos obligatorios y opcionales
Para usar la receta de similitud semántica, debes crear un conjunto de datos de elementos. Amazon Personalize genera recomendaciones basadas en el significado semántico de los metadatos de los artículos. Para obtener más información, consulte [Metadatos del artículo](https://docs.aws.amazon.com/personalize/latest/dg/items-datasets.html). La similitud semántica puede procesar hasta 10 millones de elementos de tu conjunto de datos de elementos.
Con Semantic-Silarity, Amazon Personalize requiere datos de artículos que incluyan lo siguiente
+ Campo ItemName: un campo de cadena `itemName` establecido en. `true` Este campo debe contener el título o el nombre del elemento.
+ Campo de descripción textual: al menos un campo de cadena marcado como `textual` que contiene la descripción del elemento. Debe ser el campo que mejor describa y represente el elemento.
Amazon Personalize usa este campo para generar incrustaciones semánticas que capturen el significado y el contenido de sus artículos.
Además, debe configurar el campo reservado CREATION\$1TIMESTAMP si desea utilizar una clasificación basada en la frescura. Para obtener más información, consulte [Propiedades e hiperparámetros](#semantic-similarity-hyperparameters).
Los siguientes conjuntos de datos son opcionales y pueden mejorar las recomendaciones:
+ Conjunto de datos de interacciones: Amazon Personalize puede usar los datos de su conjunto de datos de interacciones para calcular las puntuaciones de popularidad en función de la interacción de los usuarios con los artículos. Puede utilizar las puntuaciones de popularidad para clasificar artículos similares en función de su popularidad entre los usuarios. Debes proporcionar un conjunto de datos de interacciones si quieres utilizar una clasificación basada en la popularidad. También puedes usar los datos de un conjunto de datos de interacciones para filtrar las recomendaciones. Para obtener información sobre los datos de interacción que puede importar, consulte [Datos de interacción entre elementos](https://docs.aws.amazon.com/personalize/latest/dg/interactions-datasets.html)
## Propiedades e hiperparámetros
La receta de similitud semántica tiene las siguientes propiedades:
+ **Nombre**: `aws-semantic-similarity`
+ **Nombre de recurso de Amazon (ARN) de la receta**: `arn:aws:personalize:::recipe/aws-semantic-similarity`
+ **ARN del algoritmo**: `arn:aws:personalize:::algorithm/aws-semantic-similarity`
+ **ARN de transformación de características**: `arn:aws:personalize:::feature-transformation/aws-semantic-similarity`
+ **Tipo de receta**: `RELATED_ITEMS`
Para obtener más información, consulte [Elección de una receta](working-with-predefined-recipes.md).
La receta de similitud semántica no tiene hiperparámetros expuestos, pero puedes configurar los factores de popularidad y frescura al crear una campaña para influir en la clasificación de artículos similares.
La tabla proporciona la siguiente información para cada factor:
+ **Rango**: [límite inferior, límite superior]
+ **Tipo de valor**: número entero, continuo (flotante), categórico (booleano, lista, cadena)
| Name | Description (Descripción) |
| --- | --- |
| Antigüedad | El factor de frescura representa qué tan reciente es un artículo. La frescura se calcula normalizando la antigüedad del artículo en función de su CREATION\$1TIMESTAMP. Para usar el factor de frescura, debes incluir el campo CREATION\$1TIMESTAMP en el esquema del conjunto de datos de Items. Los valores más altos del factor de frescura darán prioridad a los elementos más nuevos entre las recomendaciones semánticamente similares Valor predeterminado: `0.0` Rango: ` [0.0, 1.0]` Tipo de valor: doble |
| Popularidad | El factor de popularidad representa la popularidad de un artículo en función de las interacciones de los usuarios. La popularidad se calcula normalizando el número de interacciones que recibe cada artículo. Para usar el factor de popularidad, debes incluir un conjunto de datos de interacciones al crear tu grupo de conjuntos de datos. Los valores más altos del factor de popularidad dan prioridad a los artículos con más interacciones con los clientes entre recomendaciones semánticamente similares. Valor predeterminado: `0.0` Rango: ` [0.0, 1.0]` Tipo de valor: doble |
Ten en cuenta que las puntuaciones de frescura y popularidad se calculan durante el entrenamiento y que las actualizaciones incrementales no actualizan las puntuaciones de popularidad y frescura. Para que los factores de popularidad y frescura más recientes influyan en la clasificación de los artículos recomendados, utilice el reentrenamiento automático o el reentrenamiento manual de la solución y actualice la campaña con la nueva versión de la solución.
# Receta Similar-Items
**nota**
Todas las recetas RELATED\$1ITEMS utilizan datos de interacciones. Elija Similar-Items si también tiene metadatos de elementos y quiere que Amazon Personalize los use para buscar elementos similares. O bien, elija [Receta SIMS](native-recipe-sims.md) si desea configurar más hiperparámetros para el modelo.
La receta Similar-Items (aws-similar-items) genera recomendaciones para artículos que son similares a un artículo que especifique. Use Similar-Items para ayudar a los clientes a descubrir nuevos elementos en el catálogo en función de su comportamiento anterior y de los metadatos de los elementos. La recomendación de elementos similares puede aumentar la participación de los usuarios, la tasa de clics y la tasa de conversión de su aplicación.
Similar-Items calcula la similitud en función de los datos de interacciones y de cualquier metadato de elemento que proporcione. Tiene en cuenta la coexistencia del elemento en los historiales de los usuarios de su conjunto de datos de interacciones y cualquier similitud en los metadatos del elemento. Por ejemplo, con Similar-Items, Amazon Personalize podría recomendar elementos que los clientes compren con frecuencia juntos con un estilo similar ([Metadatos categóricos](items-datasets.md#item-categorical-data)) o películas que diferentes usuarios también hayan visto con una descripción similar ([Metadatos de texto no estructurado](items-datasets.md#text-data)).
Con Similar-Items, proporciona un identificador de elemento en una operación [GetRecommendations](API_RS_GetRecommendations.md) (o en la consola Amazon Personalize) y Amazon Personalize devuelve una lista de elementos similares. También puede usar un flujo de trabajo por lotes para obtener elementos similares para todos los elementos de tu inventario (consulte [Obtención de recomendaciones de elemento por lotes](getting-batch-recommendations.md)). Cuando obtenga elementos similares, puede filtrarlos en función de un atributo del elemento que especifique en la solicitud. Para ello, añada un elemento `CurrentItem`.`attribute` al filtro. Para ver un ejemplo, consulta [item data filter examples](item-recommendation-filter-examples.md#item-examples).
Para usar Similar-Items, debe crear un conjunto de datos de interacciones de elementos con al menos 1000 interacciones históricas y de eventos únicas (combinadas). Para obtener predicciones más precisas, le recomendamos que también cree un conjunto de datos de elementos e importe metadatos sobre los elementos de su catálogo. Similar-Items no utiliza los datos de un conjunto de datos de usuarios al generar recomendaciones. Aún puede filtrar las recomendaciones en función de los datos de un conjunto de datos de usuarios. Para obtener más información, consulte [Recomendaciones de filtrado y segmentos de usuarios](filter.md).
Si tiene un conjunto de datos de elementos con datos textuales y datos de títulos de elementos, puede generar temas para elementos relacionados en las recomendaciones por lotes. Para obtener más información, consulte [Recomendaciones por lotes con temas del Generador de contenidos](themed-batch-recommendations.md)
Puede obtener recomendaciones de elementos similares a un elemento inactivo (un elemento con menos de cinco interacciones). Si Amazon Personalize no encuentra el identificador del elemento que especificó en la solicitud de recomendación o en el archivo de entrada del lote, la receta devolverá los elementos populares como recomendaciones.
Después de crear una versión de la solución, asegúrese de mantener la versión y los datos de la solución actualizados. Con Similar-Items, debe crear manualmente una nueva versión de solución (reentrenar el modelo) para que Amazon Personalize tenga en cuenta los nuevos elementos para las recomendaciones y actualizar el modelo con el comportamiento más reciente del usuario. A continuación, debe actualizar cualquier campaña con la versión de la solución. Para obtener más información, consulte [Mantenimiento de la relevancia de las recomendaciones](maintaining-relevance.md).
## Propiedades e hiperparámetros
La receta Similar-Items incluye las siguientes propiedades:
+ **Nombre**: `aws-similar-items`
+ **Nombre de recurso de Amazon (ARN) de la receta**: `arn:aws:personalize:::recipe/aws-similar-items`
+ **ARN del algoritmo**: `arn:aws:personalize:::algorithm/aws-similar-items`
Para obtener más información, consulte [Elección de una receta](working-with-predefined-recipes.md).
En la siguiente tabla se describen los hiperparámetros de la receta Similar-Items. Un *hiperparámetro* es un parámetro de algoritmo que se puede ajustar para mejorar el rendimiento del modelo. Los hiperparámetros de algoritmos controlan el rendimiento del modelo. El proceso de elección del mejor valor para un hiperparámetro se denomina optimización de hiperparámetros (HPO). Para obtener más información, consulte [Hiperparámetros y HPO](customizing-solution-config-hpo.md).
La tabla también proporciona la siguiente información para cada hiperparámetro:
+ **Rango**: [límite inferior, límite superior]
+ **Tipo de valor**: número entero, continuo (flotante), categórico (booleano, lista, cadena)
+ **HPO ajustable**: ¿puede el parámetro participar en HPO?
| Name | Description (Descripción) |
| --- | --- |
| Hiperparámetros de algoritmos |
| popularity\$1discount\$1factor | Configure cómo la popularidad influye en las recomendaciones. Especifique un valor cercano a cero para incluir los elementos más populares. Especifique un valor cercano a uno para hacer menos hincapié en la popularidad. Valor predeterminado: 0,0 Rango: [0,0, 1,0] Tipo de valor: flotante HPO ajustable: no |
| item\$1id\$1hidden\$1dim | El número de variables ocultas que Amazon Personalize utiliza para modelar las inserciones de identificadores de elementos en función de los datos de interacciones. Las *variables ocultas* recrean el historial de compras de los usuarios y las estadísticas de los elementos para generar puntuaciones de clasificación. Para usar `item_id_hidden_dim`, debe usar HPO y proporcionar valores de rango mínimos y máximos. Amazon Personalize utiliza HPO para encontrar el mejor valor dentro del rango que especifique. Especifique un valor máximo mayor cuando tenga un conjunto de datos de interacciones de elementos grande. El uso de un valor máximo mayor requiere más tiempo de procesamiento. Para utilizar HPO, establezca `performHPO` en `true` cuando llame a la operación [CreateSolution](API_CreateSolution.md). Valor predeterminado: 100 Rango: [30, 200] Tipo de valor: entero HPO ajustable: sí |
| item\$1metadata\$1hidden\$1dim | El número de variables ocultas que Amazon Personalize utiliza para modelar los metadatos de los elementos. Para usar `item_metadata_hidden_dim`, debe usar HPO y proporcionar valores de rango mínimos y máximos. Amazon Personalize utiliza HPO para encontrar el mejor valor dentro del rango que especifique. Especifique un valor máximo mayor cuando tenga un conjunto de datos de interacciones de elementos grande. El uso de un valor máximo mayor requiere más tiempo de procesamiento. Para utilizar HPO, establezca `performHPO` en `true` cuando llame a la operación [CreateSolution](API_CreateSolution.md). Valor predeterminado: 100 Rango: [30, 200] Tipo de valor: entero HPO ajustable: sí |
# Receta SIMS
**nota**
Todas las recetas RELATED\$1ITEMS utilizan datos de interacciones. Elija SIMS si desea configurar más hiperparámetros para el modelo. Elija [Receta Similar-Items](native-recipe-similar-items.md) si tiene metadatos de elementos y quiere que Amazon Personalize los use para buscar elementos similares.
La receta de Item-to-item similitudes (SIMS) utiliza el filtrado colaborativo para recomendar los elementos que se parecen más a los elementos que especificas al recibir recomendaciones. SIMS utiliza su conjunto de datos de interacciones de elementos, no los metadatos de los elementos, como el color o el precio, para determinar la similitud. SIMS identifica la presencia simultánea del elemento en los historiales de los usuarios de su conjunto de datos de interacciones para recomendar elementos similares. Por ejemplo, con SIMS, Amazon Personalize podría recomendar elementos de cafetería que los clientes compren juntos con frecuencia o películas que otros usuarios también hayan visto.
Cuando obtenga recomendaciones de elementos similares, puede filtrarlos en función de un atributo del elemento que especifique en la solicitud. Para ello, añada un elemento `CurrentItem`.`attribute` al filtro. Para ver un ejemplo, consulta [item data filter examples](item-recommendation-filter-examples.md#item-examples).
Para usar SIMS, debe crear un conjunto de datos de interacciones de elementos con al menos 1000 interacciones históricas y de eventos únicas (combinadas). SIMS no utiliza los datos de un conjunto de datos de usuarios o elementos al generar recomendaciones. Aún puede filtrar las recomendaciones en función de los datos de estos conjuntos de datos. Para obtener más información, consulte [Recomendaciones de filtrado y segmentos de usuarios](filter.md).
Si no hay suficientes datos sobre el comportamiento de los usuarios para un elemento o no se encuentra el identificador del elemento que ha proporcionado, SIMS le recomendará los elementos más populares. Después de crear una versión de la solución, asegúrese de mantener la versión y los datos de la solución actualizados. Con SIMS, debe crear manualmente una nueva versión de solución (reentrenar el modelo) para que Amazon Personalize tenga en cuenta los nuevos elementos para las recomendaciones y actualizar el modelo con el comportamiento más reciente del usuario. A continuación, debe actualizar cualquier campaña con la versión de la solución. Para obtener más información, consulte [Mantenimiento de la relevancia de las recomendaciones](maintaining-relevance.md).
La receta SIMS incluye las siguientes propiedades:
+ **Nombre**: `aws-sims`
+ **Nombre de recurso de Amazon (ARN) de la receta**: `arn:aws:personalize:::recipe/aws-sims`
+ **ARN del algoritmo**: `arn:aws:personalize:::algorithm/aws-sims`
+ **ARN de transformación de características**: `arn:aws:personalize:::feature-transformation/sims`
+ **Tipo de receta**: `RELATED_ITEMS`
En la siguiente tabla se describen los hiperparámetros de la receta SIMS. Un *hiperparámetro* es un parámetro de algoritmo que se puede ajustar para mejorar el rendimiento del modelo. Los hiperparámetros de algoritmos controlan el rendimiento del modelo. Los hiperparámetros de caracterización controlan cómo se filtran los datos que se van a utilizar en el entrenamiento. El proceso de elección del mejor valor para un hiperparámetro se denomina optimización de hiperparámetros (HPO). Para obtener más información, consulte [Hiperparámetros y HPO](customizing-solution-config-hpo.md).
La tabla también proporciona la siguiente información para cada hiperparámetro:
+ **Rango**: [límite inferior, límite superior]
+ **Tipo de valor**: número entero, continuo (flotante), categórico (booleano, lista, cadena)
+ **HPO ajustable**: ¿puede el parámetro participar en optimización hiperparámetros (HPO)?
| Name | Description (Descripción) |
| --- | --- |
| Hiperparámetros de algoritmos |
| popularity\$1discount\$1factor | Configure cómo la popularidad influye en las recomendaciones. Especifique un valor cercano a cero para incluir los elementos más populares. Especifique un valor cercano a uno para hacer menos hincapié en la popularidad. Valor predeterminado: 0,5 Rango: [0,0, 1,0] Tipo de valor: flotante HPO ajustable: sí |
| min\$1cointeraction\$1count | El número mínimo de cointeracciones que necesita para calcular la similitud entre un par de elementos. Por ejemplo, un valor de `3` significa que necesita tres o más usuarios que interactuaron con ambos elementos para que el algoritmo calcule su similitud. Valor predeterminado: 3 Rango: [0, 10]. Tipo de valor: entero HPO ajustable: sí |
| Hiperparámetros de caracterización |
| min\$1user\$1history\$1length\$1percentile | El percentil mínimo de longitudes de historial de usuario para incluir en el entrenamiento de modelos. La *longitud del historial* es la cantidad total de datos disponibles de un usuario. Utilice `min_user_history_length_percentile` para excluir un porcentaje de usuarios con longitudes de historial cortas. Los usuarios con un historial corto suelen mostrar patrones basados en la popularidad de los elementos en lugar de sus necesidades o deseos personales. Eliminarlos puede entrenar modelos que se centren más en los patrones subyacentes de los datos. Elija un valor adecuado después de revisar las longitudes del historial de usuarios, utilizando un histograma o una herramienta similar. Recomendamos establecer un valor que retenga a la mayoría de los usuarios, pero que elimine los casos de borde. Valor predeterminado: 0,005 Rango: [0,0, 1,0] Tipo de valor: flotante HPO ajustable: no |
| max\$1user\$1history\$1length\$1percentile | El percentil máximo de longitudes de historial de usuario para incluir en el entrenamiento de modelos. La longitud del historial es la cantidad total de datos disponibles en un usuario. Utilice `max_user_history_length_percentile` para excluir un porcentaje de usuarios con longitudes de historial largas. Los usuarios con un historial largo tienden a contener ruido. Por ejemplo, un robot podría tener una larga lista de interacciones automatizadas. La eliminación de estos usuarios limita el ruido en el entrenamiento. Elija un valor adecuado después de revisar las longitudes del historial de usuarios mediante un histograma o una herramienta similar. Recomendamos establecer un valor que retenga la mayoría de los usuarios, pero que elimine los casos de borde. Por ejemplo, `min_hist_length_percentile = 0.05` y `max_hist_length_percentile = 0.95` incluyen todos los usuarios excepto aquellos cuyas longitudes de historial están en el 5 % inferior o superior. Valor predeterminado: 0,995 Rango: [0,0, 1,0] Tipo de valor: flotante HPO ajustable: no |
| min\$1item\$1interaction\$1count\$1percentile | El percentil mínimo de interacción del elemento cuenta para incluirlo en el modelo de entrenamiento. Utilice `min_item_interaction_count_percentile` para excluir un porcentaje de elementos con un historial breve de interacciones. Los elementos con un historial breve suelen ser elementos nuevos. Eliminarlos permite entrenar modelos que se centren más en elementos con un historial conocido. Elija un valor adecuado después de revisar las longitudes del historial de usuarios, utilizando un histograma o una herramienta similar. Recomendamos establecer un valor que retenga la mayoría de los elementos, pero que elimine los casos de borde. Valor predeterminado: 0,01 Rango: [0,0, 1,0] Tipo de valor: flotante HPO ajustable: no |
| max\$1item\$1interaction\$1count\$1percentile | El percentil máximo de interacción del elemento cuenta para incluirlo en el modelo de entrenamiento. Utilice `max_item_interaction_count_percentile` para excluir un porcentaje de elementos con un largo historial de interacciones. Los elementos con un historial largo tienden a ser más antiguos y podrían estar obsoletos. Por ejemplo, una película que está agotada. La eliminación de estos elementos permite centrarse en elementos más relevantes. Elija un valor adecuado después de revisar las longitudes del historial de usuarios mediante un histograma o una herramienta similar. Recomendamos configurar un valor que retenga la mayoría de los elementos, pero elimine los casos de borde. Por ejemplo, `min_item_interaction_count_percentile = 0.05` y `max_item_interaction_count_percentile = 0.95` incluyen todos los elementos excepto aquellos con un recuento de interacción que esté en el 5 % inferior o superior. Valor predeterminado: 0,9 Rango: [0,0, 1,0] Tipo de valor: flotante HPO ajustable: no |
## Cuaderno de ejemplo de SIMS
Para ver un cuaderno de Jupyter de muestra que describe cómo utilizar la receta SIMS, consulte [Búsqueda de elementos similares \$1 HPO](https://github.com/aws-samples/amazon-personalize-samples/blob/master/next_steps/core_use_cases/related_items/personalize_sims_example.ipynb).
# Receta Next-Best-Action
La receta Next-Best-Action (aws-next-best-action) genera recomendaciones en tiempo real sobre las siguientes mejores acciones para los usuarios. La siguiente mejor acción para un usuario es aquella que probablemente realice. Por ejemplo, inscribirse en su programa de fidelización, descargar su aplicación o solicitar una tarjeta de crédito.
Con Next-Best-Action, puede recomendar acciones personalizadas a los usuarios cuando utilicen su aplicación. Sugerir la acción correcta para un usuario puede hacer que un número mayor de estos realicen sus acciones. En función de las acciones que quiera recomendar, puede incrementar la fidelidad de los clientes, generar más ingresos y mejorar la experiencia del usuario con su aplicación. Para ver un ejemplo de caso de uso que describe cómo las recomendaciones de acciones personalizadas pueden beneficiar a una aplicación de comercio electrónico, consulte [Ejemplo de casos de uso](#nba-use-case-example).
Amazon Personalize predice la siguiente mejor acción a partir de las acciones que importa en su conjunto de datos de acciones. Identifica las acciones que es más probable que realice un usuario en función de sus interacciones con las acciones y los elementos. Si los datos de la acción incluyen el valor de esta, Amazon Personalize tiene en cuenta el valor de la acción. Si un usuario tiene la misma probabilidad de realizar dos acciones distintas, Amazon Personalize clasifica la acción con el valor más alto.
Cuando recibe recomendaciones de acciones en tiempo real para un usuario, Amazon Personalize devuelve una lista de las acciones que es más probable que realice el usuario dentro de un período de tiempo configurable (llamado `action optimization period`). Por ejemplo, las acciones que es más probable que realice en los próximos 14 días. La lista está ordenada en orden descendente por puntuación de propensión. Esta puntuación representa la probabilidad de que el usuario realice la acción.
Hasta que se importen los datos de interacción de acción, Amazon Personalize recomienda acciones sin personalización y las puntuaciones de propensión son de 0,0. Una acción tendrá una puntuación cuando tenga lo siguiente:
+ Al menos 50 interacciones de acción con el tipo de evento TAKEN.
+ Al menos 50 interacciones de acción con el tipo de evento NOT\$1TAKEN o VIEWED.
Estas interacciones de acción deben estar presentes en el entrenamiento de la versión de solución más reciente y deben producirse en un intervalo de seis semanas a partir de la última marca temporal de interacción del conjunto de datos de interacciones de acción.
Para obtener más información sobre los datos que utiliza la receta Next-Best-Action, consulte [Conjuntos de datos obligatorios y opcionales](#nba-datasets).
Al crear una solución con la receta Next-Best-Action, puede configurar el intervalo de tiempo que Amazon Personalize utiliza al predecir las acciones mediante el hiperparámetro de caracterización `action optimization period`. Para obtener más información, consulte [Propiedades e hiperparámetros](#nba-hyperparameters).
**Topics**
+ [Ejemplo de casos de uso](#nba-use-case-example)
+ [Características de la receta](#nba-recipe-features)
+ [Conjuntos de datos obligatorios y opcionales](#nba-datasets)
+ [Propiedades e hiperparámetros](#nba-hyperparameters)
## Ejemplo de casos de uso
Sugerir la acción correcta para un usuario puede hacer que un número mayor de estos realicen sus acciones. En función de las acciones que quiera recomendar, posiblemente pueda incrementar la fidelidad de los clientes, generar más ingresos y mejorar la experiencia del usuario con su aplicación.
Por ejemplo, puede que tenga una aplicación de comercio electrónico que sugiera las siguientes acciones:
+ Suscribirse al programa de fidelización
+ Descargar la aplicación móvil
+ Comprar en la categoría *Joyas*
+ Comprar en la categoría *Belleza y cuidado*
Puede que tenga un usuario que compre con frecuencia en su sitio y que haya realizado repetidamente acciones de compra de *Joyas* y *Belleza y cuidado*. Para este usuario, las recomendaciones de acción de Amazon Personalize y sus puntuaciones pueden incluir lo siguiente:
+ Suscribirse al programa de fidelización
Puntuación de propensión: 1,00
+ Comprar en la categoría *Joyas*
Puntuación de propensión: 0,86
+ Comprar en la categoría *Belleza y cuidado*
Puntuación de propensión: 0,85
Con estas recomendaciones de acción, sabe pedirle al usuario que se inscriba en su programa de fidelización. Esta acción tiene la puntuación de propensión más alta y es aquella que es más probable que realice el usuario. Esto se debe a que el usuario compra en su tienda con frecuencia y probablemente aproveche las ventajas del programa de fidelización.
## Características de la receta
La receta Next-Best-Action usa las siguientes características de receta de Amazon Personalize al generar recomendaciones de acciones:
+ Personalización en tiempo real: Amazon Personalize utiliza la personalización en tiempo real para actualizar y adaptar las recomendaciones de acciones en función de la evolución de los intereses de los usuarios. Para obtener más información, consulte [Personalización en tiempo real](use-case-recipe-features.md#about-real-time-personalization).
+ Exploración: con la exploración, las recomendaciones incluyen nuevas acciones o bien acciones con menos datos de interacciones. Para obtener más información acerca de la exploración, consulte [Exploration (Exploración)](use-case-recipe-features.md#about-exploration).
+ Actualizaciones automáticas: con las actualizaciones automáticas, Amazon Personalize actualiza de forma automática el último modelo (versión de la solución) cada dos horas para incluir nuevas acciones en las recomendaciones a través de la exploración. Para obtener más información, consulte [Actualizaciones automáticas](use-case-recipe-features.md#automatic-updates).
## Conjuntos de datos obligatorios y opcionales
Para usar la receta Next-Best-Action, debe crear los siguientes conjuntos de datos:
+ Acciones: importa datos sobre sus acciones, como su valor, en un conjunto de datos de acciones de Amazon Personalize.
En los datos de las acciones, puede proporcionar un valor EXPIRATION\$1TIMESTAMP para cada acción. Si una acción ha caducado, Amazon Personalize no la incluirá en las recomendaciones. También puede proporcionar un valor REPEAT\$1FREQUENCY para cada una de ellas. Esto indica cuánto tiempo debe esperar Amazon Personalize antes de volver a recomendar una acción después de que un usuario interactúe con ella. Para obtener información sobre los datos que puede almacenar un conjunto de datos de acciones, consulte [Metadatos de acción](actions-datasets.md).
+ Interacciones de elementos: su conjunto de datos de interacciones de elementos debe tener un mínimo de 1000 interacciones de elementos. Amazon Personalize utiliza las interacciones de los elementos para comprender el estado actual de los usuarios y sus intereses. Para obtener información sobre los datos de interacciones de los elementos, consulte [Datos de interacciones de elementos](interactions-datasets.md).
Los siguientes conjuntos de datos son opcionales:
+ Conjunto de datos de interacciones de acción: una *interacción de acción* es una interacción en la que participan un usuario y una acción del conjunto de datos de acciones. Puede importar las interacciones de acción con estado Realizado, No realizado y Visto. Aunque estos datos son opcionales, se recomienda importar los datos de interacción de acciones para obtener recomendaciones de calidad. Si no tiene datos de interacción de acciones, puede crear un conjunto de datos de interacciones de este tipo vacío y registrar las interacciones de los clientes con las acciones mediante la operación de la API [PutActionInteractions](API_UBS_PutActionInteractions.md).
Hasta que se importen los datos de interacción de acción, Amazon Personalize recomienda acciones sin personalización y las puntuaciones de propensión son de 0,0. Una acción tendrá una puntuación cuando tenga lo siguiente:
+ Al menos 50 interacciones de acción con el tipo de evento TAKEN.
+ Al menos 50 interacciones de acción con el tipo de evento NOT\$1TAKEN o VIEWED.
Estas interacciones de acción deben estar presentes en el entrenamiento de la versión de solución más reciente y deben producirse en un intervalo de seis semanas a partir de la última marca temporal de interacción del conjunto de datos de interacciones de acción.
Para obtener información sobre los datos de interacciones de acción que puede importar, consulte [Datos de interacciones de acción](action-interactions-datasets.md). Para obtener información sobre cómo registrar eventos de interacción de acciones, consulte [Registro de eventos de interacción de acciones en tiempo realRegistro de eventos de interacción de acciones](recording-action-interaction-events.md).
**nota**
Con Next-Best-Action, Amazon Personalize no utiliza datos de impresiones ni metadatos contextuales en un conjunto de datos de interacciones de acción.
+ Usuarios: Amazon Personalize utiliza cualquier dato del conjunto de datos de sus usuarios para comprender mejor a los usuarios y sus intereses. También puede usar los datos de un conjunto de datos de usuarios para filtrar las recomendaciones de acción. Para obtener información sobre los datos de usuario que puede importar, consulte [Metadatos de usuario](users-datasets.md).
+ Elementos: Amazon Personalize utiliza los datos del conjunto de datos de elementos junto con el conjunto de datos de interacciones de elementos para identificar conexiones y patrones en su comportamiento. Esto ayuda a Amazon Personalize a entender a los usuarios y sus intereses. Para obtener información sobre los datos de elementos que puede importar, consulte [Metadatos de elemento](items-datasets.md).
## Propiedades e hiperparámetros
La receta Next-Best-Action no admite la optimización de hiperparámetros. La receta Next-Best-Action tiene las siguientes propiedades:
+ **Nombre** – `aws-next-best-action`
+ **Nombre de recurso de Amazon (ARN) de la receta)** – `arn:aws:personalize:::recipe/aws-next-best-action`
+ **ARN del algoritmo** – `arn:aws:personalize:::algorithm/aws-next-best-action`
En la siguiente tabla se describen los hiperparámetros de caracterización de la receta aws-next-best-action. Un *hiperparámetro* es un parámetro de algoritmo que se puede ajustar para mejorar el rendimiento del modelo. Los hiperparámetros de caracterización controlan cómo se filtran los datos que se van a utilizar en el entrenamiento.
La tabla también proporciona la siguiente información para cada hiperparámetro:
+ **Rango**: [límite inferior, límite superior]
+ **Tipo de valor**: número entero, continuo (flotante), categórico (booleano, lista, cadena)
+ **HPO ajustable**: indica si el parámetro puede participar en HPO.
| Nombre | Descripción |
| --- | --- |
| Hiperparámetros de caracterización |
| action\$1optimization\$1period | El período de tiempo que Amazon Personalize utiliza al predecir las siguientes mejores acciones para un usuario. Por ejemplo, las acciones que es más probable que el usuario realice en los próximos 14 días. Si no dispone de muchos datos de interacción de acciones, especifique un valor más grande. Si no sabe con seguridad qué valor debe especificar, utilice el valor predeterminado. Valor predeterminado: 14 Rango: [7, 28] Tipo de valor: entero HPO ajustable: no |
# Receta Item-Affinity
La receta Item-Affinity (aws-item-affinity) es una receta USER\$1SEGMENTATION que crea un segmento de usuarios (grupo de usuarios) para cada elemento que especifique. Estos son los usuarios que Amazon Personalize predice que probablemente interactuarán con cada elemento. Use Item-Affinity para obtener más información sobre sus usuarios y tomar medidas en función de sus respectivos segmentos de usuarios.
Por ejemplo, es posible que desee crear una campaña de marketing para su aplicación de venta al por menor basada en las preferencias de los usuarios respecto a los elementos de su catálogo. Item-Affinity crearía un segmento de usuarios para cada elemento en función de los datos de sus conjuntos de datos de interacciones y elementos. Puede recurrir a ello para promocionar diferentes elementos entre distintos segmentos de usuarios en función de la probabilidad de que realicen una acción (por ejemplo, hacer clic en un elemento o comprarlo). Otros usos pueden incluir la venta cruzada de productos a diferentes grupos de usuarios o la identificación de posibles candidatos para un puesto de trabajo.
Para obtener segmentos de usuarios basados en elementos, debe crear una solución y una versión de la solución con la receta Item-Affinity, agregar una lista de elementos en formato JSON a un bucket de Amazon S3 y crear un [trabajo de segmento por lotes](creating-batch-seg-job.md). Amazon Personalize envía un segmento de usuarios para cada elemento a su ubicación de salida en Amazon S3. Los datos de entrada pueden tener un máximo de 500 elementos para obtener segmentos de usuarios. Para obtener información sobre cómo preparar los datos de entrada para un trabajo de segmento por lotes, consulte [Preparación de los datos de entrada para las recomendaciones por lotes](batch-data-upload.md).
Debe tener un conjunto de datos de interacciones de elementos para usar Item-Affinity. Los conjuntos de datos de elementos y usuarios son opcionales. Puede obtener segmentos de usuarios con trabajos de segmentos por lotes. Para obtener más información, consulte [Obtención de segmentos de usuarios por lotes](getting-user-segments.md).
Después de crear una versión de la solución, asegúrese de mantener la versión y los datos de la solución actualizados. Con Item-Affinity, debe crear una nueva versión de solución para que Amazon Personalize tenga en cuenta nuevos usuarios para los segmentos de usuarios y actualizar el modelo con el comportamiento más reciente de los usuarios. Para obtener un segmento de usuarios para un elemento, este debe haber estado presente en el momento de crear la versión de la solución.
La receta Item-Affinity incluye las siguientes propiedades:
+ **Nombre** – `aws-item-affinity`
+ **Nombre de recurso de Amazon (ARN) de la receta**: `arn:aws:personalize:::recipe/aws-item-affinity`
+ **ARN del algoritmo**: `arn:aws:personalize:::algorithm/aws-item-affinity`
+ **ARN de transformación de características**: `arn:aws:personalize:::feature-transformation/item-affinity`
+ **Tipo de receta**: `USER_SEGMENTATION`
En la siguiente tabla se describen los hiperparámetros de la receta Item-Affinity. Un *hiperparámetro* es un parámetro de algoritmo que se puede ajustar para mejorar el rendimiento del modelo. Los hiperparámetros de algoritmos controlan el rendimiento del modelo. No puede usar la optimización de hiperparámetros (HPO) con la receta Item-Affinity.
La tabla también proporciona la siguiente información para cada hiperparámetro:
+ **Rango**: [límite inferior, límite superior]
+ **Tipo de valor**: número entero, continuo (flotante), categórico (booleano, lista, cadena)
| Nombre | Descripción |
| --- | --- |
| Hiperparámetros de algoritmos |
| hidden\$1dimension | El número de variables ocultas utilizadas en el modelo. Las *variables ocultas* recrean el historial de compras de los usuarios y las estadísticas de los elementos para generar puntuaciones de clasificación. Especifique un número mayor de dimensiones ocultas cuando el conjunto de datos de interacciones incluya patrones más complicados. El uso de más dimensiones ocultas requiere un conjunto de datos mayor y más tiempo de procesamiento. Valor predeterminado: 149 Rango: [32, 256] Tipo de valor: entero |
# Receta Item-Attribute-Affinity
La receta Item-Attribute-Affinity (aws-item-attribute-affinity) es una receta USER\$1SEGMENTATION que crea un segmento de usuarios (grupo de usuarios) para cada atributo de elemento que especifique. Estos son los usuarios que Amazon Personalize predice que es más probable que interactúen con elementos con el atributo en particular. Use Item-Attribute-Affinity para obtener más información sobre sus usuarios y tomar medidas en función de sus respectivos segmentos de usuarios.
Por ejemplo, es posible que desee crear una campaña de marketing para su aplicación de venta al por menor basada en las preferencias de los usuarios respecto a los tipos de zapato de su catálogo. Item-Attribute-Affinity crearía un segmento de usuarios para cada tipo de zapato en función de los datos de sus conjuntos de datos de interacciones y elementos. Puede recurrir a ello para promocionar diferentes zapatos entre distintos segmentos de usuarios en función de la probabilidad de que realicen una acción (por ejemplo, hacer clic en un zapato o comprarlo). Otros usos pueden incluir la promoción de diferentes géneros cinematográficos entre distintos usuarios o la identificación de posibles candidatos a un puesto de trabajo en función del tipo de trabajo.
Para obtener segmentos de usuarios basados en los atributos de los elementos, debe crear una solución y una versión de la solución con la receta Item-Attribute-Affinity, agregar una lista de elementos en formato JSON a un bucket de Amazon S3 y crear un [trabajo de segmento por lotes](creating-batch-seg-job.md). Amazon Personalize envía un segmento de usuarios para cada elemento a su ubicación de salida en Amazon S3. Los datos de entrada pueden tener un máximo de 10 consultas, cada una de las cuales consiste en uno o más atributos de un elemento. Para obtener información sobre cómo preparar los datos de entrada para un trabajo de segmento por lotes, consulte [Preparación de los datos de entrada para las recomendaciones por lotes](batch-data-upload.md).
Debe tener un conjunto de datos de interacciones de elementos y otro de elementos para usar Item-Attribute-Affinity. Su conjunto de datos de elementos debe tener al menos una columna que sea una columna de metadatos no textual ni reservada. Puede obtener segmentos de usuarios con trabajos de segmentos por lotes. Para obtener más información, consulte [Obtención de segmentos de usuarios por lotes con recursos personalizados](getting-user-segments.md).
Después de crear una versión de la solución, asegúrese de mantener la versión y los datos de la solución actualizados. Con Item-Attribute-Affinity, debe crear una nueva versión de solución para que Amazon Personalize tenga en cuenta nuevos usuarios para los segmentos de usuarios y actualizar el modelo con el comportamiento más reciente de los usuarios. Para obtener un segmento de usuarios para el atributo de un elemento, este debe haber estado presente en el momento de crear la versión de la solución.
La receta Item-Attribute-Affinity incluye las siguientes propiedades:
+ **Nombre** – `aws-item-attribute-affinity`
+ **Nombre de recurso de Amazon (ARN) de la receta**: `arn:aws:personalize:::recipe/aws-item-attribute-affinity`
+ **ARN del algoritmo**: `arn:aws:personalize:::algorithm/aws-item-attribute-affinity`
+ **ARN de transformación de características**: `arn:aws:personalize:::feature-transformation/item-attribute-affinity`
+ **Tipo de receta**: `USER_SEGMENTATION`
En la siguiente tabla se describen los hiperparámetros de la receta Item-Attribute-Affinity. Un *hiperparámetro* es un parámetro de algoritmo que se puede ajustar para mejorar el rendimiento del modelo. Los hiperparámetros de algoritmos controlan el rendimiento del modelo. No puede usar la optimización de hiperparámetros (HPO) con la receta Item-Attribute-Affinity.
La tabla también proporciona la siguiente información para cada hiperparámetro:
+ **Rango**: [límite inferior, límite superior]
+ **Tipo de valor**: número entero, continuo (flotante), categórico (booleano, lista, cadena)
| Nombre | Descripción |
| --- | --- |
| Hiperparámetros de algoritmos |
| hidden\$1dimension | El número de variables ocultas utilizadas en el modelo. Las *variables ocultas* recrean el historial de compras de los usuarios y las estadísticas de los elementos para generar puntuaciones de clasificación. Especifique un número mayor de dimensiones ocultas cuando el conjunto de datos de interacciones incluya patrones más complicados. El uso de más dimensiones ocultas requiere un conjunto de datos mayor y más tiempo de procesamiento. Valor predeterminado: 149 Rango: [32, 256] Tipo de valor: entero |
# Recetas de HRNN heredadas
Las recetas heredadas de HRNN ya no están disponibles. Esta documentación sirve como referencia.
Recomendamos usar la receta aws-user-personalizaton (personalizada por el usuario) en lugar de las recetas antiguas de HRNN. User-Personalization mejora y unifica la funcionalidad que ofrecen las recetas HRNN. Para obtener más información, consulte [Receta User-Personalization](native-recipe-new-item-USER_PERSONALIZATION.md).
Amazon Personalize puede seleccionar automáticamente la receta de red neuronal recurrente jerárquica (HRNN) más adecuada en función de su análisis de los datos de entrada. Esta opción se denomina AutoML. Para obtener más información, consulte [Uso de AutoML para elegir una receta HRNN (solo API)](training-solution-auto-ml.md).
**Topics**
+ [Uso de AutoML para elegir una receta HRNN (solo API)](training-solution-auto-ml.md)
+ [Receta HRNN (heredada)](native-recipe-hrnn.md)
+ [Receta HRNN-Metadata (heredada)](native-recipe-hrnn-metadata.md)
+ [Receta HRNN-ColdStart (heredada)](native-recipe-hrnn-coldstart.md)
# Uso de AutoML para elegir una receta HRNN (solo API)
Amazon Personalize puede seleccionar automáticamente la receta de red neuronal recurrente jerárquica (HRNN) más adecuada en función de su análisis de los datos de entrada. Esta opción se denomina AutoML. Para realizar AutoML, establezca el parámetro `performAutoML` en `true` cuando llame a la API [CreateSolution](API_CreateSolution.md).
También puede especificar la lista de recetas que Amazon Personalize examina para determinar la receta óptima, en función de una métrica que especifique. En este caso, debe llamar a la operación `CreateSolution`, especificar `true` en el parámetro `performAutoML`, omitir el parámetro `recipeArn` e incluir el parámetro `solutionConfig`, especificando `metricName` y `recipeList` como parte del objeto `autoMLConfig`.
En la tabla siguiente, se muestra cómo se elige una receta. Es necesario especificar `performAutoML` o `recipeArn`, pero no ambos. AutoML solo se realiza mediante las recetas HRNN.
| performAutoML | recipeArn | solutionConfig | Resultado |
| --- | --- | --- | --- |
| true | omitido | omitido | Amazon Personalize elige la receta |
| true | omitido | autoMLConfig: metricName y recipeList especificados | Amazon Personalize elige una receta de la lista que optimiza la métrica |
| omitido | especificado | omitido | Usted especifica la receta. |
| omitido | especificado | especificado | Usted especifica la receta y anula las propiedades de entrenamiento predeterminadas. |
**nota**
Cuando `performAutoML` es `true`, se omiten todos los parámetros del objeto `solutionConfig` excepto `autoMLConfig`.
# Receta HRNN (heredada)
**nota**
Las recetas heredadas de HRNN ya no están disponibles. Esta documentación sirve como referencia.
Recomendamos que utilice la receta aws-user-personalizaton (User-Personalization) en lugar de las recetas heredadas de HRNN. User-Personalization mejora y unifica la funcionalidad que ofrecen las recetas HRNN. Para obtener más información, consulte [Receta User-Personalization](native-recipe-new-item-USER_PERSONALIZATION.md).
La receta de la red neuronal recurrente jerárquica (HRNN) de Amazon Personalize modela los cambios en el comportamiento de los usuarios para proporcionar recomendaciones durante una sesión. Una sesión es un conjunto de interacciones de usuarios durante un periodo de tiempo determinado con el objetivo de encontrar un elemento específico para satisfacer una necesidad, por ejemplo. Al ponderar con mayor puntuación las interacciones recientes de un usuario, puede proporcionar recomendaciones más relevantes durante una sesión.
HRNN se adapta a la intención y los intereses de los usuarios, que pueden cambiar con el tiempo. Toma historias de usuario ordenadas y las pondera automáticamente para realizar mejores deducciones. HRNN utiliza un mecanismo de regulación para modelar las ponderaciones de descuentos como una función aprendible de los elementos y la marca de tiempo.
Amazon Personalize deriva las características de cada usuario de su conjunto de datos. Si se ha realizado la integración de datos en tiempo real, estas características se actualizan en tiempo real en función de la actividad de los usuarios. Para obtener una recomendación, proporcione solo el `USER_ID`. Si también proporciona `ITEM_ID`, Amazon Personalize lo ignorará.
La receta HRNN incluye las siguientes propiedades:
+ **Nombre** – `aws-hrnn`
+ **Nombre de recurso de Amazon (ARN) de la receta**: `arn:aws:personalize:::recipe/aws-hrnn`
+ **ARN del algoritmo**: `arn:aws:personalize:::algorithm/aws-hrnn`
+ **ARN de transformación de características** – `arn:aws:personalize:::feature-transformation/JSON-percentile-filtering`
+ **Tipo de receta**: `USER_PERSONALIZATION`
En la siguiente tabla se describen los hiperparámetros de la receta HRNN. Un *hiperparámetro* es un parámetro de algoritmo que se puede ajustar para mejorar el rendimiento del modelo. Los hiperparámetros de algoritmos controlan el rendimiento del modelo. Los hiperparámetros de caracterización controlan cómo se filtran los datos que se van a utilizar en el entrenamiento. El proceso de elección del mejor valor para un hiperparámetro se denomina optimización de hiperparámetros (HPO). Para obtener más información, consulte [Hiperparámetros y HPO](customizing-solution-config-hpo.md).
La tabla también proporciona la siguiente información para cada hiperparámetro:
+ **Rango**: [límite inferior, límite superior]
+ **Tipo de valor**: número entero, continuo (flotante), categórico (booleano, lista, cadena)
+ **HPO ajustable**: ¿puede el parámetro participar en HPO?
| Nombre | Descripción |
| --- | --- |
| Hiperparámetros de algoritmos |
| hidden\$1dimension | El número de variables ocultas utilizadas en el modelo. Las *variables ocultas* recrean el historial de compras de los usuarios y las estadísticas de los elementos para generar puntuaciones de clasificación. Especifique un número mayor de dimensiones ocultas cuando el conjunto de datos de interacciones de elementos incluya patrones más complicados. El uso de más dimensiones ocultas requiere un conjunto de datos mayor y más tiempo de procesamiento. Para decidir el valor óptimo, utilice HPO. Para utilizar HPO, establezca `performHPO` en `true` cuando llame a las operaciones [CreateSolution](API_CreateSolution.md) y [CreateSolutionVersion](API_CreateSolutionVersion.md). Valor predeterminado: 43 Rango: [32, 256] Tipo de valor: entero HPO ajustable: sí |
| bptt | Determina si se debe utilizar la propagación hacia atrás a través de la técnica de tiempo. La *propagación hacia atrás a través del tiempo* es una técnica que actualiza ponderaciones en algoritmos basados en redes neuronales recurrentes. Utilice `bptt` para créditos a largo plazo para conectar recompensas retrasadas a eventos tempranos. Por ejemplo, una recompensa retrasada puede ser una compra realizada después de varios clics. Un evento temprano puede ser un clic inicial. Incluso dentro de los mismos tipos de eventos, tales como un clic, es buena idea tener en cuenta los efectos a largo plazo y maximizar las recompensas totales. Para tener en cuenta los efectos a largo plazo, utilice valores mayores de `bptt`. El uso de un valor de `bptt` mayor requiere conjuntos de datos más grandes y más tiempo de procesamiento. Valor predeterminado: 32 Rango: [2, 32] Tipo de valor: entero HPO ajustable: sí |
| recency\$1mask | Determina si el modelo debe tener en cuenta las últimas tendencias de popularidad en el conjunto de datos de interacciones de elementos. Las últimas tendencias de popularidad pueden incluir cambios bruscos en los patrones subyacentes de los eventos de interacción. Para entrenar un modelo que tenga más peso sobre los eventos recientes, establezca `recency_mask` en `true`. Para entrenar un modelo que pesa igualmente todas las interacciones anteriores, establezca `recency_mask` en `false`. Para obtener buenas recomendaciones con el mismo peso, es posible que necesite un conjunto de datos de entrenamiento mayor. Valor predeterminado: \$1: `True` Rango: `True` o `False` Tipo de valor: booleano HPO ajustable: sí |
| Hiperparámetros de caracterización |
| min\$1user\$1history\$1length\$1percentile | El percentil mínimo de longitudes de historial de usuario para incluir en el entrenamiento de modelos. La *longitud del historial* es la cantidad total de datos sobre un usuario. Utilice `min_user_history_length_percentile` para excluir un porcentaje de usuarios con longitudes de historial cortas. Los usuarios con un historial corto suelen mostrar patrones basados en la popularidad de los elementos en lugar de sus necesidades o deseos personales. Eliminarlos puede entrenar modelos que se centren más en los patrones subyacentes de los datos. Elija un valor adecuado después de revisar las longitudes del historial de usuarios, utilizando un histograma o una herramienta similar. Recomendamos establecer un valor que retenga a la mayoría de los usuarios, pero que elimine los casos de borde. Por ejemplo, al establecer `min__user_history_length_percentile to 0.05` y `max_user_history_length_percentile to 0.95` se incluyen todos los usuarios, excepto los que tienen longitudes de historial en el 5 % inferior o superior. Valor predeterminado: 0,0 Rango: [0,0, 1,0] Tipo de valor: flotante HPO ajustable: no |
| max\$1user\$1history\$1length\$1percentile | El percentil máximo de longitudes de historial de usuario para incluir en el entrenamiento de modelos. La *longitud del historial* es la cantidad total de datos sobre un usuario. Utilice `max_user_history_length_percentile` para excluir un porcentaje de usuarios con longitudes de historial largas, ya que los datos de estos usuarios tienden a contener ruido. Por ejemplo, un robot podría tener una larga lista de interacciones automatizadas. La eliminación de estos usuarios limita el ruido en el entrenamiento. Elija un valor adecuado después de revisar las longitudes del historial de usuarios mediante un histograma o una herramienta similar. Recomendamos establecer un valor que retenga la mayoría de los usuarios, pero que elimine los casos de borde. Por ejemplo, al establecer `min__user_history_length_percentile to 0.05` y `max_user_history_length_percentile to 0.95` se incluyen todos los usuarios, excepto los que tienen longitudes de historial en el 5 % inferior o superior. Valor predeterminado: 0,99 Rango: [0,0, 1,0] Tipo de valor: flotante HPO ajustable: no |
# Receta HRNN-Metadata (heredada)
**nota**
Las recetas heredadas de HRNN ya no están disponibles. Esta documentación sirve como referencia.
Recomendamos que utilice la receta aws-user-personalizaton (User-Personalization) en lugar de las recetas heredadas de HRNN. User-Personalization mejora y unifica la funcionalidad que ofrecen las recetas HRNN. Para obtener más información, consulte [Receta User-Personalization](native-recipe-new-item-USER_PERSONALIZATION.md).
La receta HRNN-Metadata predice los elementos con los que interactuará un usuario. Es igual que la receta [HRNN](native-recipe-hrnn.md), pero tiene otras características derivadas de metadatos contextuales, de usuario y de elemento (conjuntos de datos interacciones, usuarios y elementos, respectivamente). HRNN-Metadata ofrece mayor precisión que los modelos sin metadatos cuando se dispone de metadatos de alta calidad. El uso de esta receta puede requerir tiempos de entrenamiento más largos.
La receta HRNN-Metadata incluye las siguientes propiedades:
+ **Nombre** – `aws-hrnn-metadata`
+ **Nombre de recurso de Amazon (ARN) de la receta**: `arn:aws:personalize:::recipe/aws-hrnn-metadata`
+ **ARN del algoritmo**: `arn:aws:personalize:::algorithm/aws-hrnn-metadata`
+ **ARN de transformación de características**: `arn:aws:personalize:::feature-transformation/featurize_metadata`
+ **Tipo de receta**: `USER_PERSONALIZATION`
En la siguiente tabla se describen los hiperparámetros de la receta HRNN-Metadata. Un *hiperparámetro* es un parámetro de algoritmo que se puede ajustar para mejorar el rendimiento del modelo. Los hiperparámetros de algoritmos controlan el rendimiento del modelo. Los hiperparámetros de caracterización controlan cómo se filtran los datos que se van a utilizar en el entrenamiento. El proceso de elección del mejor valor para un hiperparámetro se denomina optimización de hiperparámetros (HPO). Para obtener más información, consulte [Hiperparámetros y HPO](customizing-solution-config-hpo.md).
La tabla también proporciona la siguiente información para cada hiperparámetro:
+ **Rango**: [límite inferior, límite superior]
+ **Tipo de valor**: número entero, continuo (flotante), categórico (booleano, lista, cadena)
+ **HPO ajustable**: ¿puede el parámetro participar en optimización hiperparámetros (HPO)?
| Nombre | Descripción |
| --- | --- |
| Hiperparámetros de algoritmos |
| hidden\$1dimension | El número de variables ocultas utilizadas en el modelo. Las *variables ocultas* recrean el historial de compras de los usuarios y las estadísticas de los elementos para generar puntuaciones de clasificación. Especifique un número mayor de dimensiones ocultas cuando el conjunto de datos de interacciones de elementos incluya patrones más complicados. El uso de más dimensiones ocultas requiere un conjunto de datos mayor y más tiempo de procesamiento. Para decidir el valor óptimo, utilice HPO. Para utilizar HPO, establezca `performHPO` en `true` cuando llame a las operaciones [CreateSolution](API_CreateSolution.md) y [CreateSolutionVersion](API_CreateSolutionVersion.md). Valor predeterminado: 43 Rango: [32, 256] Tipo de valor: entero HPO ajustable: sí |
| bptt | Determina si se debe utilizar la propagación hacia atrás a través de la técnica de tiempo. La *propagación hacia atrás a través del tiempo* es una técnica que actualiza ponderaciones en algoritmos basados en redes neuronales recurrentes. Utilice `bptt` para créditos a largo plazo para conectar recompensas retrasadas a eventos tempranos. Por ejemplo, una recompensa retrasada puede ser una compra realizada después de varios clics. Un evento temprano puede ser un clic inicial. Incluso dentro de los mismos tipos de eventos, tales como un clic, es buena idea tener en cuenta los efectos a largo plazo y maximizar las recompensas totales. Para tener en cuenta los efectos a largo plazo, utilice valores mayores de `bptt`. El uso de un valor de `bptt` mayor requiere conjuntos de datos más grandes y más tiempo de procesamiento. Valor predeterminado: 32 Rango: [2, 32] Tipo de valor: entero HPO ajustable: sí |
| recency\$1mask | Determina si el modelo debe tener en cuenta las últimas tendencias de popularidad en el conjunto de datos de interacciones de elementos. Las últimas tendencias de popularidad pueden incluir cambios bruscos en los patrones subyacentes de los eventos de interacción. Para entrenar un modelo que tenga más peso sobre los eventos recientes, establezca `recency_mask` en `true`. Para entrenar un modelo que pesa igualmente todas las interacciones anteriores, establezca `recency_mask` en `false`. Para obtener buenas recomendaciones con el mismo peso, es posible que necesite un conjunto de datos de entrenamiento mayor. Valor predeterminado: \$1: `True` Rango: `True` o `False` Tipo de valor: booleano HPO ajustable: sí |
| Hiperparámetros de caracterización |
| min\$1user\$1history\$1length\$1percentile | El percentil mínimo de longitudes de historial de usuario para incluir en el entrenamiento de modelos. La *longitud del historial* es la cantidad total de datos sobre un usuario. Utilice `min_user_history_length_percentile` para excluir un porcentaje de usuarios con longitudes de historial cortas. Los usuarios con un historial corto suelen mostrar patrones basados en la popularidad de los elementos en lugar de sus necesidades o deseos personales. Eliminarlos puede entrenar modelos que se centren más en los patrones subyacentes de los datos. Elija un valor adecuado después de revisar las longitudes del historial de usuarios, utilizando un histograma o una herramienta similar. Recomendamos establecer un valor que retenga a la mayoría de los usuarios, pero que elimine los casos de borde. Por ejemplo, al establecer `min__user_history_length_percentile to 0.05` y `max_user_history_length_percentile to 0.95` se incluyen todos los usuarios, excepto los que tienen longitudes de historial en el 5 % inferior o superior. Valor predeterminado: 0,0 Rango: [0,0, 1,0] Tipo de valor: flotante HPO ajustable: no |
| max\$1user\$1history\$1length\$1percentile | El percentil máximo de longitudes de historial de usuario para incluir en el entrenamiento de modelos. La *longitud del historial* es la cantidad total de datos sobre un usuario. Utilice `max_user_history_length_percentile` para excluir un porcentaje de usuarios con longitudes de historial largas, ya que los datos de estos usuarios tienden a contener ruido. Por ejemplo, un robot podría tener una larga lista de interacciones automatizadas. La eliminación de estos usuarios limita el ruido en el entrenamiento. Elija un valor adecuado después de revisar las longitudes del historial de usuarios mediante un histograma o una herramienta similar. Recomendamos establecer un valor que retenga la mayoría de los usuarios, pero que elimine los casos de borde. Por ejemplo, al establecer `min__user_history_length_percentile to 0.05` y `max_user_history_length_percentile to 0.95` se incluyen todos los usuarios, excepto los que tienen longitudes de historial en el 5 % inferior o superior. Valor predeterminado: 0,99 Rango: [0,0, 1,0] Tipo de valor: flotante HPO ajustable: no |
# Receta HRNN-ColdStart (heredada)
**nota**
Las recetas heredadas de HRNN ya no están disponibles. Esta documentación sirve como referencia.
Recomendamos que utilice la receta aws-user-personalizaton (User-Personalization) en lugar de las recetas heredadas de HRNN. User-Personalization mejora y unifica la funcionalidad que ofrecen las recetas HRNN. Para obtener más información, consulte [Receta User-Personalization](native-recipe-new-item-USER_PERSONALIZATION.md).
Utilice la receta HRNN-Coldstart para predecir los elementos con los que interactuará un usuario cuando añada nuevos elementos e interacciones con frecuencia y desee recibir recomendaciones para esos elementos de inmediato. La receta HRNN-Coldstart es similar a la receta [HRNN-Metadata](native-recipe-hrnn-metadata.md), pero le permite obtener recomendaciones de nuevos elementos.
Además, puede utilizar la receta HRNN-Coldstart cuando desee excluir del entrenamiento los elementos que tengan una larga lista de interacciones, ya sea porque se trate de una tendencia de popularidad reciente o porque las interacciones podrían ser muy inusuales e introducir ruido en el entrenamiento. Con HRNN-Coldstart, puede filtrar los elementos menos relevantes y crear un subconjunto para el entrenamiento. El subconjunto de elementos, que se denominan *elementos fríos*, son elementos que tienen eventos de interacción relacionados en el conjunto de datos de interacciones de elementos. Un elemento se considera un elemento frío cuando tiene:
+ Menos interacciones que un número máximo de interacciones especificado. Especifique este valor en el hiperparámetro `cold_start_max_interactions` de la receta.
+ Una duración relativa más corta que la duración máxima. Especifique este valor en el hiperparámetro `cold_start_max_duration` de la receta.
Para reducir el número de elementos fríos, establezca un valor inferior para `cold_start_max_interactions` o `cold_start_max_duration`. Para aumentar el número de elementos fríos, establezca un valor mayor para `cold_start_max_interactions` o `cold_start_max_duration`.
HRNN-Coldstart presenta los siguientes límites de elementos fríos:
+ `Maximum cold start items`: 80 000
+ `Minimum cold start items`: 100
Si el número de elementos fríos está fuera de este rango, se producirá un error en los intentos de crear una solución.
La receta HRNN-Coldstart incluye las siguientes propiedades:
+ **Nombre** – `aws-hrnn-coldstart`
+ **Nombre de recurso de Amazon (ARN) de la receta**: `arn:aws:personalize:::recipe/aws-hrnn-coldstart`
+ **ARN del algoritmo**: `arn:aws:personalize:::algorithm/aws-hrnn-coldstart`
+ **ARN de transformación de características**: `arn:aws:personalize:::feature-transformation/featurize_coldstart`
+ **Tipo de receta**: `USER_PERSONALIZATION`
Para obtener más información, consulte [Elección de una receta](working-with-predefined-recipes.md).
En la siguiente tabla se describen los hiperparámetros de la receta HRNN-Coldstart. Un *hiperparámetro* es un parámetro de algoritmo que se puede ajustar para mejorar el rendimiento del modelo. Los hiperparámetros de algoritmos controlan el rendimiento del modelo. Los hiperparámetros de caracterización controlan cómo se filtran los datos que se van a utilizar en el entrenamiento. El proceso de elección del mejor valor para un hiperparámetro se denomina optimización de hiperparámetros (HPO). Para obtener más información, consulte [Hiperparámetros y HPO](customizing-solution-config-hpo.md).
La tabla también proporciona la siguiente información para cada hiperparámetro:
+ **Rango**: [límite inferior, límite superior]
+ **Tipo de valor**: número entero, continuo (flotante), categórico (booleano, lista, cadena)
+ **HPO ajustable**: ¿puede el parámetro participar en HPO?
| Nombre | Descripción |
| --- | --- |
| Hiperparámetros de algoritmos |
| hidden\$1dimension | El número de variables ocultas utilizadas en el modelo. Las *variables ocultas* recrean el historial de compras de los usuarios y las estadísticas de los elementos para generar puntuaciones de clasificación. Especifique un número mayor de dimensiones ocultas cuando el conjunto de datos de interacciones de elementos incluya patrones más complicados. El uso de más dimensiones ocultas requiere un conjunto de datos mayor y más tiempo de procesamiento. Para decidir el valor óptimo, utilice HPO. Para utilizar HPO, establezca `performHPO` en `true` cuando llame a las operaciones [CreateSolution](API_CreateSolution.md) y [CreateSolutionVersion](API_CreateSolutionVersion.md). Valor predeterminado: 149 Rango: [32, 256] Tipo de valor: entero HPO ajustable: sí |
| bptt | Determina si se debe utilizar la propagación hacia atrás a través de la técnica de tiempo. La *propagación hacia atrás a través del tiempo* es una técnica que actualiza ponderaciones en algoritmos basados en redes neuronales recurrentes. Utilice `bptt` para créditos a largo plazo para conectar recompensas retrasadas a eventos tempranos. Por ejemplo, una recompensa retrasada puede ser una compra realizada después de varios clics. Un evento temprano puede ser un clic inicial. Incluso dentro de los mismos tipos de eventos, tales como un clic, es buena idea tener en cuenta los efectos a largo plazo y maximizar las recompensas totales. Para tener en cuenta los efectos a largo plazo, utilice valores mayores de `bptt`. El uso de un valor de `bptt` mayor requiere conjuntos de datos más grandes y más tiempo de procesamiento. Valor predeterminado: 32 Rango: [2, 32] Tipo de valor: entero HPO ajustable: sí |
| recency\$1mask | Determina si el modelo debe tener en cuenta las últimas tendencias de popularidad en el conjunto de datos de interacciones de elementos. Las últimas tendencias de popularidad pueden incluir cambios bruscos en los patrones subyacentes de los eventos de interacción. Para entrenar un modelo que tenga más peso sobre los eventos recientes, establezca `recency_mask` en `true`. Para entrenar un modelo que pesa igualmente todas las interacciones anteriores, establezca `recency_mask` en `false`. Para obtener buenas recomendaciones con el mismo peso, es posible que necesite un conjunto de datos de entrenamiento mayor. Valor predeterminado: \$1: `True` Rango: `True` o `False` Tipo de valor: booleano HPO ajustable: sí |
| Hiperparámetros de caracterización |
| cold\$1start\$1max\$1interactions | El número máximo de interacciones de usuario-elemento que puede tener un elemento para que se considere un elemento frío. Valor predeterminado: 15 Rango: enteros positivos Tipo de valor: entero HPO ajustable: no |
| cold\$1start\$1max\$1duration | La duración máxima en días en relación con el punto de partida para que una interacción usuario-elemento se considere un elemento de arranque en frío. Para establecer el punto de partida de la interacción usuario-elemento, establezca el hiperparámetro `cold_start_relative_from`. Valor predeterminado: 5,0 Rango: flotantes positivos Tipo de valor: flotante HPO ajustable: no |
| cold\$1start\$1relative\$1from | Determina el punto de partida para que la receta HRNN-Coldstart calcule `cold_start_max_duration`. Para calcular a partir de la hora actual, elija `currentTime`. Para calcular `cold_start_max_duration` a partir de la marca de tiempo del último elemento en el conjunto de datos de interacciones de elementos, elija `latestItem`. Esto resulta útil si añade elementos nuevos con frecuencia. Valor predeterminado: \$1: `latestItem` Rango: `currentTime`, `latestItem` Tipo de valor: cadena HPO ajustable: no |
| min\$1user\$1history\$1length\$1percentile | El percentil mínimo de longitudes de historial de usuario para incluir en el entrenamiento de modelos. La *longitud del historial* es la cantidad total de datos sobre un usuario. Utilice `min_user_history_length_percentile` para excluir un porcentaje de usuarios con longitudes de historial cortas. Los usuarios con un historial corto suelen mostrar patrones basados en la popularidad de los elementos en lugar de sus necesidades o deseos personales. Eliminarlos puede entrenar modelos que se centren más en los patrones subyacentes de los datos. Elija un valor adecuado después de revisar las longitudes del historial de usuarios, utilizando un histograma o una herramienta similar. Recomendamos establecer un valor que retenga a la mayoría de los usuarios, pero que elimine los casos de borde. Por ejemplo, al establecer `min__user_history_length_percentile to 0.05` y `max_user_history_length_percentile to 0.95` se incluyen todos los usuarios, excepto los que tienen longitudes de historial en el 5 % inferior o superior. Valor predeterminado: 0,0 Rango: [0,0, 1,0] Tipo de valor: flotante HPO ajustable: no |
| max\$1user\$1history\$1length\$1percentile | El percentil máximo de longitudes de historial de usuario para incluir en el entrenamiento de modelos. La *longitud del historial* es la cantidad total de datos sobre un usuario. Utilice `max_user_history_length_percentile` para excluir un porcentaje de usuarios con longitudes de historial largas, ya que los datos de estos usuarios tienden a contener ruido. Por ejemplo, un robot podría tener una larga lista de interacciones automatizadas. La eliminación de estos usuarios limita el ruido en el entrenamiento. Elija un valor adecuado después de revisar las longitudes del historial de usuarios mediante un histograma o una herramienta similar. Recomendamos establecer un valor que retenga la mayoría de los usuarios, pero que elimine los casos de borde. Por ejemplo, al establecer `min__user_history_length_percentile to 0.05` y `max_user_history_length_percentile to 0.95` se incluyen todos los usuarios, excepto los que tienen longitudes de historial en el 5 % inferior o superior. Valor predeterminado: 0,99 Rango: [0,0, 1,0] Tipo de valor: flotante HPO ajustable: no |