Personalized-Ranking-v2 配方 - Amazon Personalize
配方特征必需和可选数据集属性和超参数

Personalized-Ranking-v2 配方

Personalized-Ranking-v2 配方可生成物品的个性化排名。个性化排名 是为特定用户按相关性重新排名的推荐物品的列表。如果您有一系列已订购的物品（例如搜索结果、推广或精选列表），且想要为每位用户提供个性化重新排名，则此食谱非常有用。

Personalized-Ranking-v2 可以对物品交互数据集和物品数据集中的多达 500 万个物品进行训练。而且它以比Personalized-Ranking更低的延迟生成更准确的排名。

使用 Personalized-Ranking-v2 时，您可以在 GetPersonalizedRanking API 操作中指定要排名的物品。如果您指定的物品没有交互数据，则 Amazon Personalize 将在 GetPersonalizedRanking API 响应中返回这些没有推荐分数的物品。

此配方使用基于转换器的架构来训练一个模型，该模型可以了解上下文并跟踪数据中的关系和模式。转换器是一种神经网络架构，可将输入序列转换或更改为输出序列。对于 Amazon Personalize，输入序列是用户在您的数据中的物品交互历史记录。输出序列是他们的个性化推荐。有关转换器的更多信息，请参阅 AWS 云计算概念中心的什么是人工智能中的转换器？。

Personalized-Ranking-v2 使用与其他配方不同的定价模式。有关定价的更多信息，请参阅 Amazon Personalize 定价。

配方特征

Personalized-Ranking-v2 在对物品进行排名时使用以下 Amazon Personalize 配方特征：

  • 实时个性化 - 使用实时个性化时，Amazon Personalize 会根据用户不断变化的兴趣来更新和调整物品推荐。有关更多信息，请参阅 实时个性化。

  • 推荐元数据 - 使用 Personalized-Ranking-v2 配方时，如果您的物品数据集包含至少一列元数据，则市场活动可以自动选择在推荐结果中包括物品元数据。您没有手动为市场活动启用元数据。您可以使用元数据来丰富用户界面中的建议，例如将电影的类型添加到轮播中。有关更多信息，请参阅 推荐中的物品元数据。

必需和可选数据集

要使用 Personalized-Ranking-v2，您必须创建一个物品交互数据集，并导入至少 1000 个物品交互。Amazon Personalize 主要根据物品交互数据生成排名。有关更多信息，请参阅 物品交互数据。Personalized-Ranking-v2 可以对物品交互数据集和物品数据集中的多达 500 万个物品进行训练。

使用 Personalized-Ranking-v2 时，Amazon Personalize 可以使用包含以下内容的物品交互数据：

  • 事件类型和事件值数据 - Amazon Personalize 使用事件类型数据（例如点击或观看事件类型），通过用户行为中的任何模式来识别用户的意图和兴趣。此外，您还可以在训练前使用事件类型和事件值数据来筛选记录。有关更多信息，请参阅 事件类型和事件值数据。

    注意

    使用 Personalized-Ranking-v2 时，在按事件类型或值进行筛选之前，训练费用将基于交互数据。有关定价的更多信息，请参阅 Amazon Personalize 定价。

  • 上下文元数据 - 上下文元数据是您在事件发生时在用户环境中收集的交互数据，例如其位置或设备类型。有关更多信息，请参阅 上下文元数据。

以下数据集是可选的，可以用于改进推荐：

  • 用户数据集 - Amazon Personalize 可以使用您的用户数据集中的数据来更好地了解您的用户及其兴趣。您还可以使用用户数据集中的数据来筛选推荐。有关您可以导入的用户数据的信息，请参阅用户元数据。

  • 物品数据集 - Amazon Personalize 可以使用您的物品数据集中的数据来识别其行为中的关联和模式。这有助于 Amazon Personalize 了解您的用户及其兴趣。您还可以使用物品数据集中的数据来筛选推荐。有关您可以导入的物品数据的信息，请参阅物品元数据。

属性和超参数

Personalized-Ranking-v2 配方具有以下属性：

  • 名称 – aws-personalized-ranking-v2

  • 食谱 Amazon 资源名称 (ARN) - arn:aws:personalize:::recipe/aws-personalized-ranking-v2

  • 算法 ARN - arn:aws:personalize:::algorithm/aws-personalized-ranking-v2

有关更多信息，请参阅 选择食谱。

下表描述了 Personalized-Ranking-v2 配方的超参数。超参数 是一个算法参数，您可以调整该参数以提高模型性能。算法超参数控制模型的执行方式。为超参数选择最佳值的过程称为超参数优化 (HPO)。使用 Personalized-Ranking-v2 时，如果开启自动训练，则 Amazon Personalize 将每 90 天自动执行一次 HPO。如果没有开启自动训练，就不会执行 HPO。

该表为每个超参数提供以下信息：

  • 范围：[上界, 下界]

  • 值类型：Integer、Continuous（浮点数）、Categorical（布尔值、列表、字符串）

名称 描述
算法超参数
apply_recency_bias

确定模型是否应为物品交互数据集中的最新物品交互数据赋予更多权重。最新的交互数据可能包括交互事件底层模式的突然变化。

要训练一个使最近事件具有更高权重的模型，请将 apply_recency_bias 设置为 true。要训练一个使所有过往交互占相同权重的模型，请将 apply_recency_bias 设置为 false。

默认值：true

范围：true 或 false

值类型：布尔值

HPO 可调：否