Die vorliegende Übersetzung wurde maschinell erstellt. Im Falle eines Konflikts oder eines Widerspruchs zwischen dieser übersetzten Fassung und der englischen Fassung (einschließlich infolge von Verzögerungen bei der Übersetzung) ist die englische Fassung maßgeblich.
# Domain-Empfehlungen in Amazon Personalize
Wenn Sie eine Domain-Datensatzgruppe erstellt haben, können Sie nach dem [Import der Daten](import-data.md) Empfehlungen für Ihre Domain-Anwendungsfälle erstellen. Ein *Empfehlungsgeber* ist eine Ressource für Domain-Datensatzgruppen, die Empfehlungen generiert. Sie verwenden in Ihrer Anwendung einen Empfehlungsgeber, um während des [GetRecommendations](API_RS_GetRecommendations.md) Vorgangs Empfehlungen in Echtzeit zu erhalten.
Wenn Sie einen Empfehlungsgeber erstellen, geben Sie einen Anwendungsfall an und Amazon Personalize trainiert die Modelle, die den Empfehlungsgeber unterstützen, mit den besten Konfigurationen für den Anwendungsfall. Für jeden Anwendungsfall gelten unterschiedliche API-Anforderungen für das Abrufen von Empfehlungen. Eine Liste der Anwendungsfälle für Empfehlungen nach Domänen finden Sie unter[Auswahl eines Anwendungsfalls](domain-use-cases.md). Sie können maximal 15 Empfehlungen pro Region erstellen.
Amazon Personalize schult die Modelle, die Ihre Empfehlungen unterstützen, automatisch alle 7 Tage neu. Dabei handelt es sich um eine vollständige Umschulung, bei der völlig neue Modelle auf der Grundlage der gesamten Daten in Ihren Datensätzen erstellt werden. Mit den Anwendungsfällen „*Top-Picks für Sie**“ und „Empfohlen* für Sie“ aktualisiert Amazon Personalize die vorhandenen Modelle alle zwei Stunden, um neue Artikel in die Empfehlungen mit Erkundung aufzunehmen.
Wenn Sie eine Empfehlung erstellen, können Sie Folgendes tun:
+ Aktivieren Sie Elementmetadaten in Empfehlungen. Weitere Informationen finden Sie unter [Metadaten in Empfehlungen aktivieren](create-recommender-return-metadata.md).
+ Konfigurieren Sie die Spalten, die beim Training der Modelle verwendet werden, die Ihrem Empfehlungsgeber zugrunde liegen. Weitere Informationen finden Sie unter [Konfiguration der Spalten, die bei der Erstellung einer Amazon Personalize Personalize-Domain-Empfehlung verwendet werden](create-recommender-configure-columns.md).
+ *Sie können die Exploration *für Ihre Anwendungsfälle „Top-Picks*“ oder „Für Sie empfohlen*“ konfigurieren. Weitere Informationen finden Sie unter [Exploration für einen Domain-Empfehlungsgeber konfigurieren](create-recommender-configure-exploration.md).
Nachdem Sie einen Empfehlungsgeber erstellt haben, können Sie wie folgt vorgehen:
+ Bewerten Sie den Empfehlungsgeber — Sie können die Leistung Ihres Empfehlungsgebers anhand von Offline- und Online-Metriken bewerten. Weitere Informationen finden Sie unter [Bewertung einer Amazon Personalize Personalize-Domain-Empfehlung](evaluating-recommenders.md).
+ Den Empfehlungsgeber beenden und neu starten — Wenn Sie die Abrechnung für einen aktiven Empfehlungsgeber pausieren möchten, können Sie den Empfehlungsgeber beenden und später erneut starten. Weitere Informationen finden Sie unter [Einen Empfehlungsgeber beenden](stopping-starting-recommender.md).
+ Konfiguration des Empfehlungsgebers aktualisieren — Sie können die Spalten aktualisieren, die der Empfehlungsgeber im Training verwendet, und die Anforderungskapazität des Empfehlungsgebers aktualisieren. Weitere Informationen finden Sie unter [Einen Empfehlungsgeber aktualisieren](updating-recommender.md).
+ Den Empfehlungsgeber löschen — Sie können den Empfehlungsgeber während des Vorgangs löschen. [DeleteRecommender](API_DeleteRecommender.md) Oder Sie können einen Empfehlungsgeber von der Seite mit den Empfehlungsdetails in der Amazon Personalize-Konsole löschen.
**Topics**
+ [Status des Empfehlungsgebers](#recommender-statuses)
+ [Minimale Empfehlungsanfragen pro Sekunde und auto-scaling](#min-rrps-auto-scaling)
+ [Domain-Empfehlungen in Amazon Personalize erstellen](creating-domain-recommenders.md)
+ [Aktivieren von Metadaten in Empfehlungen für einen Domain-Empfehlungsgeber in Amazon Personalize](create-recommender-return-metadata.md)
+ [Konfiguration der Spalten, die bei der Erstellung einer Amazon Personalize Personalize-Domain-Empfehlung verwendet werden](create-recommender-configure-columns.md)
+ [Exploration für einen Domain-Empfehlungsgeber konfigurieren](create-recommender-configure-exploration.md)
+ [Bewertung einer Amazon Personalize Personalize-Domain-Empfehlung](evaluating-recommenders.md)
+ [Einen Empfehlungsgeber aktualisieren](updating-recommender.md)
+ [Einen Empfehlungsgeber beenden](stopping-starting-recommender.md)
## Status des Empfehlungsgebers
Ein Empfehlungsgeber kann sich in einem der folgenden Zustände befinden:
+ CREATE PENDING > CREATE IN\$1PROGRESS > ACTIVE -oder- CREATE FAILED
+ DELETE PENDING > DELETE IN\$1PROGRESS
Um den Empfehlungsstatus abzurufen, navigieren Sie zur Seite „Empfehler“ in der Amazon Personalize Personalize-Konsole oder verwenden Sie den Vorgang. [DescribeRecommender](API_DescribeRecommender.md)
## Minimale Empfehlungsanfragen pro Sekunde und auto-scaling
**Wichtig**
Ein Hoch `minRecommendationRequestsPerSecond` erhöht Ihre Rechnung. Wir empfehlen, mit 1 für zu beginnen `minRecommendationRequestsPerSecond` (Standard). Verfolgen Sie Ihre Nutzung anhand von CloudWatch Amazon-Metriken und erhöhen Sie `minRecommendationRequestsPerSecond` diese bei Bedarf.
Wenn Sie einen Empfehlungsgeber erstellen, können Sie die Mindestanzahl der Empfehlungsanfragen pro Sekunde für den Empfehlungsgeber konfigurieren. Die Mindestanzahl von Empfehlungsanfragen pro Sekunde (`minRecommendationRequestsPerSecond`) gibt den von Amazon Personalize bereitgestellten Basisdurchsatz für Empfehlungsanfragen an. Die Standardeinstellung ist minRecommendationRequestsPerSecond . `1` Eine Empfehlungsanfrage ist ein einziger `GetRecommendations` Vorgang. Der Anforderungsdurchsatz wird in Anfragen pro Sekunde gemessen und Amazon Personalize verwendet Ihre Anfragen pro Sekunde, um Ihre Anfragen pro Stunde und den Preis für Ihre empfohlene Nutzung abzuleiten.
Wenn Ihre Anfragen pro Sekunde darüber hinaus steigen`minRecommendationRequestsPerSecond`, skaliert Amazon Personalize die bereitgestellte Kapazität automatisch nach oben und unten, aber niemals darunter. `minRecommendationRequestsPerSecond` Bei der Erhöhung der Kapazität kommt es zu einer kurzen Zeitverzögerung, die zum Verlust von Anfragen führen kann.
Ihre Rechnung ist entweder die Mindestanzahl der Anfragen pro Stunde (basierend auf minRecommendationRequestsPerSecond) oder die tatsächliche Anzahl der Anfragen, je nachdem, welcher Betrag höher ist. Der tatsächlich verwendete Anforderungsdurchsatz wird als Durchschnitt requests/second innerhalb eines Zeitfensters von einer Stunde berechnet. Wir empfehlen, mit der Standardeinstellung zu beginnen`minRecommendationRequestsPerSecond`, Ihre Nutzung anhand von CloudWatch Amazon-Metriken zu verfolgen und diese dann bei `minRecommendationRequestsPerSecond` Bedarf zu erhöhen.
# Domain-Empfehlungen in Amazon Personalize erstellen
Sie können Empfehlungen mit der Amazon Personalize Personalize-Konsole, AWS Command Line Interface (AWS CLI) oder erstellen. AWS SDKs Im Folgenden finden Sie detaillierte Schritte zum Erstellen von Empfehlungen mit der Amazon Personalize Personalize-Konsole sowie Codebeispiele, die zeigen, wie Sie eine Empfehlung erstellen, die nur die erforderlichen Felder enthält.
+ Codebeispiele, die zeigen, wie Metadaten in Empfehlungen aktiviert werden, finden Sie unter. [Metadaten in Empfehlungen aktivieren](create-recommender-return-metadata.md)
+ Codebeispiele, die zeigen, wie Sie die Spalten konfigurieren, die beim Training der Modelle verwendet werden, auf denen Ihre Empfehlung basiert, finden Sie unter[Konfiguration der Spalten, die bei der Erstellung einer Amazon Personalize Personalize-Domain-Empfehlung verwendet werden](create-recommender-configure-columns.md).
+ Codebeispiele, die zeigen, wie die Exploration für die `Recommended for you` Anwendungsfälle `Top picks for your` oder konfiguriert wird, finden Sie unter[Exploration für einen Domain-Empfehlungsgeber konfigurieren](create-recommender-configure-exploration.md).
**Topics**
+ [Empfehlungen erstellen (Konsole)](#creating-recommenders-console)
+ [Einen Empfehlungsgeber erstellen ()AWS CLI](#create-recommender-cli)
+ [Eine Empfehlung erstellen ()AWS SDKs](#create-recommender-sdk)
## Empfehlungen erstellen (Konsole)
**Wichtig**
Ein Hoch erhöht `minRecommendationRequestsPerSecond` Ihre Rechnung. Wir empfehlen, mit 1 für zu beginnen `minRecommendationRequestsPerSecond` (Standard). Verfolgen Sie Ihre Nutzung anhand von CloudWatch Amazon-Metriken und erhöhen Sie `minRecommendationRequestsPerSecond` diese bei Bedarf. Weitere Informationen finden Sie unter [Minimale Empfehlungsanfragen pro Sekunde und auto-scaling](creating-recommenders.md#min-rrps-auto-scaling).
Erstellen Sie mit der Amazon Personalize Personalize-Konsole wie folgt Empfehlungen für jeden Ihrer Anwendungsfälle. Wenn Sie gerade Ihre Domain-Datensatzgruppe erstellt haben und sich bereits auf der **Übersichtsseite** befinden, fahren Sie mit Schritt 3 fort.
**Um Empfehlungen zu erstellen**
1. Öffnen Sie zu [https://console.aws.amazon.com/personalize/Hause](https://console.aws.amazon.com/personalize/home) die Amazon Personalize Personalize-Konsole und melden Sie sich bei Ihrem Konto an.
1. Wählen Sie auf der Seite **Dataset-Gruppen** Ihre Domain-Datensatzgruppe aus.
1. Wählen Sie in **Schritt 3** **Empfehlungen verwenden und anschließend Empfehlungen** **erstellen** aus.
1. **Wählen Sie auf der Seite „Anwendungsfälle** **auswählen“ die Anwendungsfälle aus, für die Sie Empfehlungsgeber erstellen möchten, und geben Sie jedem einen Empfehlungsnamen.** Amazon Personalize erstellt für jeden von Ihnen ausgewählten Anwendungsfall eine Empfehlung. Die verfügbaren Anwendungsfälle hängen von Ihrer Domain ab. Informationen zur Auswahl eines Anwendungsfalls finden Sie unter[Auswahl eines Anwendungsfalls](domain-use-cases.md).
1. Wählen Sie **Weiter** aus.
1. Konfigurieren Sie auf der Seite **Erweiterte Konfiguration** jeden Empfehlungsgeber entsprechend Ihren Geschäftsanforderungen:
+ Für jeden Datensatz, der vom Anwendungsfall des Empfehlers verwendet wird, können Sie die Spalten auswählen, die Amazon Personalize beim Training der Modelle berücksichtigt, die Ihren Empfehlungsgeber unterstützen. Standardmäßig verwendet Amazon Personalize alle Spalten, die beim Training verwendet werden können. Weitere Informationen finden Sie unter [Konfiguration der Spalten, die bei der Erstellung einer Amazon Personalize Personalize-Domain-Empfehlung verwendet werden](create-recommender-configure-columns.md).
+ Sie können die **Mindestanzahl an Empfehlungsanfragen pro Sekunde** ändern, um eine neue Mindestkapazität für Anfragen für Ihren Empfehlungsgeber festzulegen. Ein Hoch `minRecommendationRequestsPerSecond` erhöht Ihre Rechnung. Wir empfehlen, mit 1 zu beginnen (Standardeinstellung). Verfolgen Sie Ihre Nutzung anhand von CloudWatch Amazon-Metriken und erhöhen Sie `minRecommendationRequestsPerSecond` diese bei Bedarf. Weitere Informationen finden Sie unter [Minimale Empfehlungsanfragen pro Sekunde und auto-scaling](creating-recommenders.md#min-rrps-auto-scaling).
+ Wenn Sie die Möglichkeit haben möchten, Artikeldatensatz-Metadaten in Empfehlungen einzubeziehen, wählen Sie **Artikelmetadaten in den Empfehlungsergebnissen zurückgeben** aus. Wenn diese Option aktiviert ist, können Sie die Spalten aus Ihrem Artikeldatensatz in Ihrer Anfrage nach Empfehlungen oder personalisiertem Ranking angeben. Amazon Personalize gibt diese Daten für jeden Artikel in der Empfehlungsantwort zurück.
Um Metadaten zu aktivieren, benötigen Sie einen Artikeldatensatz mit einer Spalte mit Metadaten.
+ Nehmen Sie für `Top picks for your` `Recommended for you` unsere Anwendungsfälle optional Änderungen an der Explorationskonfiguration vor. Bei der Erkundung werden verschiedene Objektempfehlungen getestet, um herauszufinden, wie Benutzer auf Elemente mit sehr wenigen Interaktionsdaten reagieren. Verwenden Sie die folgenden Felder, um die Erkundung zu konfigurieren:
+ Der Schwerpunkt liegt auf der Erkundung weniger relevanter Objekte (Gewicht der Erkundung) — Legen Sie fest, wie viele Objekte untersucht werden sollen. Geben Sie einen Dezimalwert zwischen 0 und 1 an. Die Standardeinstellung ist 0,3. Je näher der Wert an 1 liegt, desto mehr Erkundungen werden durchgeführt. Bei mehr Erkundung umfassen die Empfehlungen mehr Elemente mit weniger Daten zu Interaktionen oder Relevanz, die auf dem vorherigen Verhalten basieren. Bei einem Wert von Null findet keine Untersuchung statt und die Empfehlungen basieren auf aktuellen Daten (Relevanz).
+ Grenzwert für das Alter von Objekten bei der Erkundung — Geben Sie das maximale Artikelalter in Tagen seit der letzten Interaktion für alle Artikel im Datensatz Artikelinteraktionen an. Dies definiert den Umfang der Artikelerkundung auf der Grundlage des Artikelalters. Amazon Personalize bestimmt das Artikelalter anhand des Erstellungszeitstempels oder, falls Daten zum Erstellungszeitstempel fehlen, anhand der Artikelinteraktionsdaten. Weitere Informationen darüber, wie Amazon Personalize das Artikelalter bestimmt, finden Sie unter[Zeitstempeldaten der Erstellung](items-datasets.md#creation-timestamp-data).
Um die Anzahl der Artikel zu erhöhen, die Amazon Personalize bei der Suche berücksichtigt, geben Sie einen höheren Wert ein. Das Minimum ist 1 Tag und die Standardeinstellung ist 30 Tage. Die Empfehlungen können Artikel enthalten, die älter sind als das von Ihnen angegebene Mindestalter für Artikel. Dies liegt daran, dass diese Artikel für den Benutzer relevant sind und sie bei der Erkundung nicht identifiziert wurden.
+ Fügen Sie für **Tags** optional beliebige Tags hinzu. Weitere Informationen zum Taggen von Amazon Personalize Personalize-Ressourcen finden Sie unter. [Taggen von Amazon Personalize Personalize-Ressourcen](tagging-resources.md)
1. **Um Empfehlungen für jeden Ihrer Anwendungsfälle zu erstellen, wählen Sie Empfehlungen erstellen.**
**Sie können den Status jedes Empfehlungsgebers auf der Seite Empfehlungsgeber überwachen.** Wenn Ihr Empfehlungsstatus Aktiv ist, können Sie ihn in Ihrer Bewerbung verwenden, um Empfehlungen zu erhalten.
## Einen Empfehlungsgeber erstellen ()AWS CLI
Verwenden Sie den folgenden AWS CLI Code, um eine Empfehlung für einen Domain-Anwendungsfall zu erstellen. Führen Sie diesen Code für jeden Ihrer Domain-Anwendungsfälle aus. Geben Sie für `recipeArn` den Amazon Resource Name (ARN) für Ihren Anwendungsfall an. Die verfügbaren Anwendungsfälle hängen von Ihrer Domain ab. Eine Liste der Anwendungsfälle und deren ARNs finden Sie unter[Auswahl eines Anwendungsfalls](domain-use-cases.md).
```
aws personalize create-recommender \
--name recommender name \
--dataset-group-arn dataset group ARN \
--recipe-arn recipe ARN
```
## Eine Empfehlung erstellen ()AWS SDKs
Erstellen Sie einen Empfehlungsgeber für einen Domain-Anwendungsfall mit dem folgenden Code. Geben Sie Ihrem Empfehlungsgeber einen Namen und geben Sie den Amazon-Ressourcennamen (ARN) Ihrer Domain-Datensatzgruppe an. Geben Sie für `recipeArn` den ARN für Ihren Anwendungsfall an. Führen Sie diesen Code für jeden Ihrer Domain-Anwendungsfälle aus. Die verfügbaren Anwendungsfälle hängen von Ihrer Domain ab. Eine Liste der Anwendungsfälle ARNs, ihrer Bedingungen und ihrer Anforderungen finden Sie unter[Auswahl eines Anwendungsfalls](domain-use-cases.md).
------
#### [ SDK for Python (Boto3) ]
```
import boto3
personalize = boto3.client('personalize')
create_recommender_response = personalize.create_recommender(
name = 'recommender name',
recipeArn = 'recipe ARN',
datasetGroupArn = 'dataset group ARN'
)
recommender_arn = create_recommender_response['recommenderArn']
print('Recommender ARN:' + recommender_arn)
```
------
#### [ SDK for Java 2.x ]
```
public static String createRecommender(PersonalizeClient personalizeClient,
String name,
String datasetGroupArn,
String recipeArn) {
long maxTime = 0;
long waitInMilliseconds = 30 * 1000; // 30 seconds
String recommenderStatus = "";
try {
CreateRecommenderRequest createRecommenderRequest = CreateRecommenderRequest.builder()
.datasetGroupArn(datasetGroupArn)
.name(name)
.recipeArn(recipeArn)
.build();
CreateRecommenderResponse recommenderResponse = personalizeClient
.createRecommender(createRecommenderRequest);
String recommenderArn = recommenderResponse.recommenderArn();
System.out.println("The recommender ARN is " + recommenderArn);
DescribeRecommenderRequest describeRecommenderRequest = DescribeRecommenderRequest.builder()
.recommenderArn(recommenderArn)
.build();
maxTime = Instant.now().getEpochSecond() + 3 * 60 * 60;
while (Instant.now().getEpochSecond() < maxTime) {
recommenderStatus = personalizeClient.describeRecommender(describeRecommenderRequest).recommender()
.status();
System.out.println("Recommender status: " + recommenderStatus);
if (recommenderStatus.equals("ACTIVE") || recommenderStatus.equals("CREATE FAILED")) {
break;
}
try {
Thread.sleep(waitInMilliseconds);
} catch (InterruptedException e) {
System.out.println(e.getMessage());
}
}
return recommenderArn;
} catch (PersonalizeException e) {
System.err.println(e.awsErrorDetails().errorMessage());
System.exit(1);
}
return "";
}
```
------
#### [ SDK for JavaScript v3 ]
```
// Get service clients and commands using ES6 syntax.
import { CreateRecommenderCommand, PersonalizeClient } from
"@aws-sdk/client-personalize";
// create personalizeClient
const personalizeClient = new PersonalizeClient({
region: "REGION"
});
// set the recommender's parameters
export const createRecommenderParam = {
name: "RECOMMENDER_NAME", /* required */
recipeArn: "RECIPE_ARN", /* required */
datasetGroupArn: "DATASET_GROUP_ARN" /* required */
}
export const run = async () => {
try {
const response = await personalizeClient.send(new CreateRecommenderCommand(createRecommenderParam));
console.log("Success", response);
return response; // For unit tests.
} catch (err) {
console.log("Error", err);
}
};
run();
```
------
# Aktivieren von Metadaten in Empfehlungen für einen Domain-Empfehlungsgeber in Amazon Personalize
**Wichtig**
Wenn Sie Metadaten in Empfehlungen aktivieren, entstehen Ihnen zusätzliche Kosten. Weitere Informationen finden Sie unter [Amazon Personalize Personalize-Preise](https://aws.amazon.com/personalize/pricing/).
Wenn Sie eine Empfehlung erstellen, können Sie die Option aktivieren, Artikelmetadaten aus Ihrem Artikeldatensatz in die Empfehlungsergebnisse einzubeziehen. Wenn diese Option aktiviert ist, können Sie die Spalten aus Ihrem Artikeldatensatz in Ihrer Empfehlungsanfrage angeben. Amazon Personalize gibt diese Daten für jeden Artikel in der Empfehlungsantwort zurück.
Sie können Metadaten verwenden, um Empfehlungen in Ihrer Benutzeroberfläche zu erweitern, z. B. um Genres für Filme zu Karussells hinzuzufügen. Oder Sie können sie verwenden, um die Qualität der Empfehlungen visuell zu beurteilen. Wenn Sie generative KI in Ihrer App verwenden, können Sie die Metadaten in KI-Eingabeaufforderungen einfügen, um relevantere Inhalte zu generieren. Weitere Informationen zur Verwendung von Amazon Personalize mit generativer KI finden Sie unter[Amazon Personalize und generative KI](personalize-with-gen-ai.md).
Um Metadaten zu Empfehlungen hinzuzufügen, benötigen Sie einen Artikeldatensatz mit einer Spalte mit Metadaten. Sie müssen die Metadaten nicht im Training verwenden. Hinweise zum Erstellen eines Datensatzes finden Sie unter[Erstellen eines Schemas und eines Datensatzes](data-prep-creating-datasets.md). Informationen zum Aktualisieren von Daten in einem Datensatz finden Sie unter[Aktualisierung von Daten in Datensätzen nach dem Training](updating-datasets.md).
In den folgenden Codebeispielen wird gezeigt, wie die Option aktiviert wird, Elementmetadaten mit AWS CLI oder dem einzubeziehen AWS SDKs. Um dies mit der Amazon Personalize-Konsole zu tun, aktivieren Sie Metadaten auf der Seite „**Erweiterte Konfiguration**“, wenn Sie den Empfehlungsgeber erstellen. Weitere Informationen finden Sie unter [Empfehlungen erstellen (Konsole)](creating-domain-recommenders.md#creating-recommenders-console).
## Metadaten aktivieren ()AWS CLI
Wenn Sie über einen Artikeldatensatz verfügen und die Option zum Einbeziehen von Metadaten beim Empfangen von Empfehlungen nutzen möchten, legen Sie `true` in der die Option `enableMetadataWithRecommendations` auf fest`recommender-config`.
```
aws personalize create-recommender \
--name recommender name \
--dataset-group-arn dataset group \
--recipe-arn recipe ARN \
--recommender-config "{\"enableMetadataWithRecommendations\": "true"}"
```
## Metadaten (AWS SDKS) aktivieren
Wenn Sie über einen Artikeldatensatz verfügen und möchten, dass beim Abrufen von Empfehlungen auch Metadaten berücksichtigt werden, legen Sie `true` in der die `recommender-config` Option `enableMetadataWithRecommendations` auf fest.
```
import boto3
personalize = boto3.client('personalize')
create_recommender_response = personalize.create_recommender(
name = 'recommender name',
recipeArn = 'recipe name',
datasetGroupArn = 'dataset group ARN',
recommenderConfig = {"enableMetadataWithRecommendations": True}
)
recommender_arn = create_recommender_response['recommenderArn']
print('Recommender ARN:' + recommender_arn)
```
# Konfiguration der Spalten, die bei der Erstellung einer Amazon Personalize Personalize-Domain-Empfehlung verwendet werden
Wenn Sie einen Empfehlungsgeber erstellen, können Sie die Spalten ändern, die Amazon Personalize beim Training der Modelle berücksichtigt, die Ihren Empfehlungsgeber unterstützen.
Sie können dies tun, um mit verschiedenen Kombinationen von Trainingsdaten zu experimentieren. Oder Sie könnten Spalten ohne aussagekräftige Daten ausschließen. Möglicherweise haben Sie eine Spalte, die Sie nur zum Filtern von Empfehlungen verwenden möchten. Sie können diese Spalte von der Schulung ausschließen und Amazon Personalize berücksichtigt sie nur beim Filtern.
Sie können EVENT\$1TYPE-Spalten nicht ausschließen. Standardmäßig verwendet Amazon Personalize alle Spalten, die beim Training verwendet werden können. Die folgenden Daten sind immer vom Training ausgeschlossen:
+ Spalten mit dem booleschen Datentyp
+ [Daten zu Eindrücken](interactions-datasets.md#interactions-impressions-data)
+ Benutzerdefinierte Zeichenfolgenfelder, die nicht kategorisch oder textuell sind
Sie können keine Impressionsdaten in das Training einbeziehen, aber wenn Ihr Anwendungsfall oder Ihr Rezept sie verwendet, verwendet Amazon Personalize Impressionsdaten, um die Erkundung zu steuern, wenn Sie Empfehlungen erhalten.
Die folgenden Codebeispiele zeigen, wie Spalten konfiguriert werden, die beim Training mit AWS CLI oder dem AWS SDKs verwendet werden. Um dies mit der Amazon Personalize-Konsole zu tun, geben Sie die zu verwendenden Spalten auf der Seite „**Erweiterte Konfiguration**“ an, wenn Sie den Empfehlungsgeber erstellen. Weitere Informationen finden Sie unter [Empfehlungen erstellen (Konsole)](creating-domain-recommenders.md#creating-recommenders-console).
## Konfiguration der beim Training verwendeten Spalten ()AWS CLI
Um Spalten vom Training auszuschließen, geben Sie das `excludedDatasetColumns` Objekt in der `trainingDataConfig` als Teil der Empfehlungskonfiguration an. Geben Sie für jeden Schlüssel im Objekt den Datensatztyp an. Geben Sie für jeden Wert die Liste der auszuschließenden Spalten an. Weitere Informationen finden Sie unter [Konfiguration der Spalten, die bei der Erstellung einer Amazon Personalize Personalize-Domain-Empfehlung verwendet werden](#create-recommender-configure-columns).
```
aws personalize create-recommender \
--name recommender name \
--dataset-group-arn dataset group ARN \
--recipe-arn recipe ARN \
--recommender-config "{\"trainingDataConfig\": {\"excludedDatasetColumns\": { \"datasetType\" : [ \"column1Name\", \"column2Name\"]}}}"
```
## Konfiguration der beim Training verwendeten Spalten (AWS SDKs)
Um Spalten vom Training auszuschließen, geben Sie das `excludedDatasetColumns` Objekt in der `trainingDataConfig` als Teil der Empfehlungskonfiguration an. Geben Sie für jeden Schlüssel den Datensatztyp an. Geben Sie für jeden Wert die Liste der auszuschließenden Spalten an. Der folgende Code zeigt, wie Sie Spalten vom Training ausschließen können, wenn Sie eine Empfehlung erstellen. Weitere Informationen finden Sie unter [Konfiguration der Spalten, die bei der Erstellung einer Amazon Personalize Personalize-Domain-Empfehlung verwendet werden](#create-recommender-configure-columns).
------
#### [ SDK for Python (Boto3) ]
```
import boto3
personalize = boto3.client('personalize')
create_recommender_response = personalize.create_recommender(
name = 'recommender name',
recipeArn = 'recipe name',
datasetGroupArn = 'dataset group ARN',
recommenderConfig = {
"trainingDataConfig": {
"excludedDatasetColumns": {
"datasetType": ["COLUMN_A", "COLUMN_B"]
}
}
}
)
recommender_arn = create_recommender_response['recommenderArn']
print('Recommender ARN:' + recommender_arn)
```
------
#### [ SDK for JavaScript v3 ]
```
// Get service clients and commands using ES6 syntax.
import { CreateRecommenderCommand, PersonalizeClient } from
"@aws-sdk/client-personalize";
// create personalizeClient
const personalizeClient = new PersonalizeClient({
region: "REGION"
});
// set the recommender's parameters
export const createRecommenderParam = {
name: "RECOMMENDER_NAME", /* required */
recipeArn: "RECIPE_ARN", /* required */
datasetGroupArn: "DATASET_GROUP_ARN", /* required */
recommenderConfig: {
trainingDataConfig: {
excludedDatasetColumns: {
"DATASET_TYPE": ["COLUMN_A", "COLUMN_B"]
}
}
}
};
export const run = async () => {
try {
const response = await personalizeClient.send(new CreateRecommenderCommand(createRecommenderParam));
console.log("Success", response);
return response; // For unit tests.
} catch (err) {
console.log("Error", err);
}
};
run();
```
------
# Exploration für einen Domain-Empfehlungsgeber konfigurieren
Für `Top picks for your` unsere `Recommended for you` Anwendungsfälle verwendet Amazon Personalize Exploration, wenn Artikel empfohlen werden. Bei der Erkundung werden verschiedene Artikelempfehlungen getestet, um zu erfahren, wie Benutzer auf Artikel mit sehr wenigen Interaktionsdaten reagieren. Sie können die Erkundung wie folgt konfigurieren:
+ Der Schwerpunkt liegt auf der Erkundung weniger relevanter Objekte (Gewicht der Erkundung) — Legen Sie fest, wie viel Sie erkunden möchten. Geben Sie einen Dezimalwert zwischen 0 und 1 an. Die Standardeinstellung ist 0,3. Je näher der Wert an 1 liegt, desto mehr Erkundungen werden durchgeführt. Bei mehr Erkundung umfassen die Empfehlungen mehr Elemente mit weniger Daten zu Interaktionen oder Relevanz, die auf dem vorherigen Verhalten basieren. Bei einem Wert von Null findet keine Untersuchung statt und die Empfehlungen basieren auf aktuellen Daten (Relevanz).
+ Grenzwert für das Alter von Objekten bei der Erkundung — Geben Sie das maximale Artikelalter in Tagen seit der letzten Interaktion für alle Artikel im Datensatz Artikelinteraktionen an. Dies definiert den Umfang der Artikelerkundung auf der Grundlage des Artikelalters. Amazon Personalize bestimmt das Artikelalter anhand des Erstellungszeitstempels oder, falls Daten zum Erstellungszeitstempel fehlen, anhand der Artikelinteraktionsdaten. Weitere Informationen darüber, wie Amazon Personalize das Artikelalter bestimmt, finden Sie unter[Zeitstempeldaten der Erstellung](items-datasets.md#creation-timestamp-data).
Um die Anzahl der Artikel zu erhöhen, die Amazon Personalize bei der Suche berücksichtigt, geben Sie einen höheren Wert ein. Das Minimum ist 1 Tag und die Standardeinstellung ist 30 Tage. Die Empfehlungen können Artikel enthalten, die älter sind als das von Ihnen angegebene Mindestalter für Artikel. Dies liegt daran, dass diese Artikel für den Benutzer relevant sind und sie bei der Erkundung nicht identifiziert wurden.
Die folgenden Codebeispiele zeigen, wie die Exploration für einen Empfehlungsgeber mit AWS CLI oder dem AWS SDKs konfiguriert wird. Um dies mit der Amazon Personalize-Konsole zu tun, geben Sie die Explorationskonfiguration auf der Seite **Erweiterte Konfiguration** an, wenn Sie den Empfehlungsgeber erstellen. Weitere Informationen finden Sie unter [Empfehlungen erstellen (Konsole)](creating-domain-recommenders.md#creating-recommenders-console).
## Exploration konfigurieren ()AWS CLI
Der folgende Code zeigt, wie Sie Exploration konfigurieren, wenn Sie eine Empfehlung für den `Top picks for you` Anwendungsfall erstellen. Das Beispiel verwendet die Standardwerte.
Wenn Sie über ein Artikel-Dataset verfügen und möchten, dass die Option Metadaten einbezieht, wenn Sie Empfehlungen erhalten, aktualisieren Sie das, `recommender-config` um ein `enableMetadataWithRecommendations` Feld hinzuzufügen, und setzen Sie es auf`true`.
```
aws personalize create-recommender \
--name recommender name \
--dataset-group-arn dataset group ARN \
--recipe-arn arn:aws:personalize:::recipe/aws-vod-top-picks \
--recommender-config "{\"itemExplorationConfig\":{\"explorationWeight\":\"0.3\",\"explorationItemAgeCutOff\":\"30\"}}"
```
## Erkundung konfigurieren (AWS SDKs)
Für `Top picks for your` unsere `Recommended for you` Anwendungsfälle verwendet Amazon Personalize Exploration, wenn Artikel empfohlen werden. Bei der Erkundung werden verschiedene Artikelempfehlungen getestet, um zu erfahren, wie Benutzer auf Artikel mit sehr wenigen Interaktionsdaten reagieren. Sie können die Erkundung wie folgt konfigurieren:
+ Der Schwerpunkt liegt auf der Erkundung weniger relevanter Objekte (Gewicht der Erkundung) — Legen Sie fest, wie viel Sie erkunden möchten. Geben Sie einen Dezimalwert zwischen 0 und 1 an. Die Standardeinstellung ist 0,3. Je näher der Wert an 1 liegt, desto mehr Erkundungen werden durchgeführt. Bei mehr Erkundung umfassen die Empfehlungen mehr Elemente mit weniger Daten zu Interaktionen oder Relevanz, die auf dem vorherigen Verhalten basieren. Bei einem Wert von Null findet keine Untersuchung statt und die Empfehlungen basieren auf aktuellen Daten (Relevanz).
+ Grenzwert für das Alter von Objekten bei der Erkundung — Geben Sie das maximale Artikelalter in Tagen seit der letzten Interaktion für alle Artikel im Datensatz Artikelinteraktionen an. Dies definiert den Umfang der Artikelerkundung auf der Grundlage des Artikelalters. Amazon Personalize bestimmt das Artikelalter anhand des Erstellungszeitstempels oder, falls Daten zum Erstellungszeitstempel fehlen, anhand der Artikelinteraktionsdaten. Weitere Informationen darüber, wie Amazon Personalize das Artikelalter bestimmt, finden Sie unter[Zeitstempeldaten der Erstellung](items-datasets.md#creation-timestamp-data).
Um die Anzahl der Artikel zu erhöhen, die Amazon Personalize bei der Suche berücksichtigt, geben Sie einen höheren Wert ein. Das Minimum ist 1 Tag und die Standardeinstellung ist 30 Tage. Die Empfehlungen können Artikel enthalten, die älter sind als das von Ihnen angegebene Mindestalter für Artikel. Dies liegt daran, dass diese Artikel für den Benutzer relevant sind und sie bei der Erkundung nicht identifiziert wurden.
Der folgende Code zeigt, wie Sie die Exploration konfigurieren, wenn Sie einen Empfehlungsgeber erstellen. Das Beispiel verwendet die Standardwerte.
------
#### [ SDK for Python (Boto3) ]
```
import boto3
personalize = boto3.client('personalize')
create_recommender_response = personalize.create_recommender(
name = 'recommender name',
recipeArn = 'arn:aws:personalize:::recipe/aws-vod-top-picks',
datasetGroupArn = 'dataset group ARN',
recommenderConfig = {"itemExplorationConfig": {"explorationWeight": "0.3", "explorationItemAgeCutOff": "30"}}
)
recommender_arn = create_recommender_response['recommenderArn']
print('Recommender ARN:' + recommender_arn)
```
------
#### [ SDK for JavaScript v3 ]
```
// Get service clients and commands using ES6 syntax.
import { CreateRecommenderCommand, PersonalizeClient } from
"@aws-sdk/client-personalize";
// create personalizeClient
const personalizeClient = new PersonalizeClient({
region: "REGION"
});
// set the recommender's parameters
export const createRecommenderParam = {
name: "RECOMMENDER_NAME", /* required */
recipeArn: "RECIPE_ARN", /* required */
datasetGroupArn: "DATASET_GROUP_ARN", /* required */
recommenderConfig: {
itemExplorationConfig: {
explorationWeight: "0.3",
explorationItemAgeCutOff: "30"
}
}
};
export const run = async () => {
try {
const response = await personalizeClient.send(new CreateRecommenderCommand(createRecommenderParam));
console.log("Success", response);
return response; // For unit tests.
} catch (err) {
console.log("Error", err);
}
};
run();
```
------
# Bewertung einer Amazon Personalize Personalize-Domain-Empfehlung
Sie können die Leistung Ihres Empfehlungsgebers anhand von Offline- und Online-Kennzahlen bewerten. *Online-Kennzahlen* sind die empirischen Ergebnisse, die Sie bei den Interaktionen Ihrer Nutzer mit Empfehlungen in Echtzeit beobachten. Sie können beispielsweise die Klickrate Ihrer Nutzer aufzeichnen, wenn sie Ihren Katalog durchsuchen. Sie sind dafür verantwortlich, alle Online-Kennzahlen zu generieren und aufzuzeichnen.
*Offline-Metriken* sind die Metriken, die Amazon Personalize generiert, wenn Sie eine Empfehlung erstellen. Mit Offline-Metriken können Sie die Leistung der Modelle bewerten, die Ihrem Empfehlungsgeber zugrunde liegen. Sie können sich die Auswirkungen einer Änderung der Konfiguration eines Empfehlungsgebers ansehen und die Ergebnisse von Empfehlungsgebern vergleichen, die für unterschiedliche Anwendungsfälle trainiert wurden und *dieselben Daten in derselben Datensatzgruppe* verwenden.
Vermeiden Sie es, Metriken verschiedener Empfehlungsgeber zu vergleichen, die mit unterschiedlichen Daten trainiert wurden. Der Unterschied bei den Kennzahlen könnte eher auf die unterschiedlichen Daten als auf die Modellleistung zurückzuführen sein. Beispielsweise könnten Sie eine Datensatzgruppe mit spärlichen `purchase` Ereignisdaten für jeden Benutzer und eine weitere mit robusten `view` Ereignisdaten haben. Basierend auf Kennzahlen wie dem`precision at K`, dass der Empfehlungsgeber, der anhand der View-Event-Daten trainiert wurde, aufgrund der höheren Anzahl von Interaktionen fälschlicherweise eine bessere Leistung zu erzielen scheint.
Um Leistungskennzahlen zu erhalten, teilt Amazon Personalize die Eingabeinteraktionsdaten in einen Trainingssatz und einen Testsatz auf. Das Trainingsset besteht zu 90% aus Ihren Benutzern und deren Interaktionsdaten. Das Testset besteht aus den verbleibenden 10% der Benutzer und ihren Interaktionsdaten.
Amazon Personalize erstellt dann den Empfehlungsgeber anhand des Trainingssets. Nach Abschluss der Schulung gibt Amazon Personalize dem neuen Empfehlungsgeber die ältesten 90% der Benutzerdaten aus dem Testsatz als Eingabe. Amazon Personalize berechnet dann Kennzahlen, indem es die Empfehlungen, die der Empfehlungsgeber generiert, mit den tatsächlichen Interaktionen in den neuesten 10% der Benutzerdaten aus dem Testsatz vergleicht.
**Topics**
+ [Metriken werden abgerufen](#retrieving-recommender-metrics)
+ [Metrikdefinitionen](#metric-definitions-recommenders)
+ [Beispiel](#working-with-recommender-metrics-example)
+ [Weitere Ressourcen](#additional-metrics-resources-recommenders)
## Metriken werden abgerufen
Nachdem Ihr Empfehlungsgeber aktiv ist, können Sie die Metriken für den Empfehlungsgeber in der Amazon Personalize Personalize-Konsole anzeigen oder Metriken abrufen, indem Sie den Vorgang aufrufen. [DescribeRecommender](API_DescribeRecommender.md)
**Topics**
+ [Metriken anzeigen (Konsole)](#retrieving-recommender-metrics-console)
+ [Metriken werden abgerufen ()AWS CLI](#retrieving-recommender-metrics-cli)
+ [Metriken werden abgerufen ()AWS SDKs](#retrieving-recommender-metrics-sdk)
### Metriken anzeigen (Konsole)
Um Empfehlungskennzahlen in der Konsole anzuzeigen, navigieren Sie zur Detailseite für Ihren Empfehlungsgeber.
1. Öffnen Sie zu [https://console.aws.amazon.com/personalize/Hause](https://console.aws.amazon.com/personalize/home) die Amazon Personalize Personalize-Konsole und melden Sie sich bei Ihrem Konto an.
1. Wählen Sie auf der Seite **Dataset-Gruppen** Ihre Domain-Datensatzgruppe aus.
1. Wählen Sie im Navigationsbereich **Empfehlungen aus.**
1. Wählen Sie aus der Liste der Empfehlungsgeber den aus, um die zugehörigen Messwerte einzusehen.
### Metriken werden abgerufen ()AWS CLI
Der folgende Code zeigt, wie Sie Metriken für einen Empfehlungsgeber mit dem abrufen. AWS CLI
```
aws personalize describe-recommender \
--recommender-arn recommender arn
```
Im Folgenden finden Sie ein Beispiel für die Metrikausgabe eines Empfehlungsgebers, der für den Anwendungsfall „*Top Picks for you“ für* die Domäne VIDEO\$1ON\$1DEMAND erstellt wurde.
```
{
"recommender": {
"recommenderArn": "arn:aws:personalize:region:acct-id:recommender/recommenderName",
"datasetGroupArn": "arn:aws:personalize:region:acct-id:dataset-group/dsGroupName",
"name": "name123",
"recipeArn": "arn:aws:personalize:::recipe/aws-vod-top-picks",
"modelMetrics": {
"coverage": 0.27,
"mean_reciprocal_rank_at_25": 0.0379,
"normalized_discounted_cumulative_gain_at_5": 0.0405,
"normalized_discounted_cumulative_gain_at_10": 0.0513,
"normalized_discounted_cumulative_gain_at_25": 0.0828,
"precision_at_5": 0.0136,
"precision_at_10": 0.0102,
"precision_at_25": 0.0091,
}
"recommenderConfig": {},
"creationDateTime": "2022-05-06T10:11:24.589000-07:00",
"lastUpdatedDateTime": "2022-05-06T10:34:33.270000-07:00",
"status": "ACTIVE",
}
}
```
### Metriken werden abgerufen ()AWS SDKs
Der folgende Code zeigt, wie Sie mit dem SDK for Python (Boto3) Metriken für einen Empfehlungsgeber abrufen.
```
import boto3
personalize = boto3.client('personalize')
response = personalize.describe_recommender(
recommenderArn = 'recommender_arn'
)
print(response['recommender']['modelMetrics'])
```
Im Folgenden finden Sie ein Beispiel für die Ausgabe von Metriken aus einem Empfehlungsgeber, der für den Anwendungsfall „*Top Picks for you“ für die Domäne VIDEO\$1ON\$1DEMAND* erstellt wurde.
```
{
"recommender": {
"recommenderArn": "arn:aws:personalize:region:acct-id:recommender/recommenderName",
"datasetGroupArn": "arn:aws:personalize:region:acct-id:dataset-group/dsGroupName",
"name": "name123",
"recipeArn": "arn:aws:personalize:::recipe/aws-vod-top-picks",
"modelMetrics": {
"coverage": 0.27,
"mean_reciprocal_rank_at_25": 0.0379,
"normalized_discounted_cumulative_gain_at_5": 0.0405,
"normalized_discounted_cumulative_gain_at_10": 0.0513,
"normalized_discounted_cumulative_gain_at_25": 0.0828,
"precision_at_5": 0.0136,
"precision_at_10": 0.0102,
"precision_at_25": 0.0091,
}
"recommenderConfig": {},
"creationDateTime": "2022-05-06T10:11:24.589000-07:00",
"lastUpdatedDateTime": "2022-05-06T10:34:33.270000-07:00",
"status": "ACTIVE",
}
}
```
## Metrikdefinitionen
Die Metriken, die Amazon Personalize für Empfehlungsgeber generiert, werden im Folgenden unter Verwendung der folgenden Begriffe beschrieben:
+ Eine *relevante Empfehlung* ist eine Empfehlung für einen Artikel, mit dem der Benutzer tatsächlich interagiert hat. Diese Elemente stammen aus den neuesten 10% der Interaktionsdaten der einzelnen Benutzer aus dem Testsatz.
+ *Rang* bezieht sich auf die Position eines empfohlenen Elements in der Liste der Empfehlungen. Position 1 (ganz oben in der Liste) ist möglicherweise am relevantesten für den Benutzer.
Für jede Metrik sind höhere Zahlen (näher an 1) besser. Weitere Informationen finden Sie in den unter aufgeführten Ressourcen[Weitere Ressourcen](#additional-metrics-resources-recommenders).
**Abdeckung**
Der Wert für die *Abdeckung* gibt an, wie viel Einzelartikel Amazon Personalize an der Gesamtzahl der einzigartigen Artikel in den Datensätzen Interaktionen und Artikel empfehlen könnte. Ein höherer Deckungsgrad bedeutet, dass Amazon Personalize mehr Ihrer Artikel empfiehlt, anstatt dieselben wenigen Artikel wiederholt für verschiedene Benutzer zu verwenden. Anwendungsfälle, die eine Artikelsuche beinhalten, wie z. B. die *Top-Picks für Sie* (VIDEO\$1ON\$1DEMAND) und Die *für Sie empfohlenen* Produkte (E-COMMERCE), haben eine höhere Reichweite als solche, bei denen dies nicht der Fall ist.
**Mittlerer wechselseitiger Rang bei 25**
Diese Kennzahl gibt Aufschluss darüber, ob ein Modell in der Lage ist, an der obersten Position eine relevante Empfehlung zu generieren. Sie können ein Modell mit einem hohen *mittleren reziproken Rang von 25* wählen, wenn Sie relevante Suchergebnisse für einen Benutzer generieren und nicht erwarten, dass der Benutzer ein Element weiter unten auf der Liste auswählt. Beispielsweise wählen Benutzer häufig das erste Kochrezept in den Suchergebnissen.
Amazon Personalize berechnet diese Metrik anhand des durchschnittlichen reziproken Rangwerts für Empfehlungsanfragen. Jeder reziproke Rangwert wird wie folgt berechnet:`1 / the rank of the highest item interacted with by the user`, wobei die möglichen Rankings insgesamt 25 sind. Andere Elemente mit niedrigerem Rang, mit denen der Benutzer interagiert, werden ignoriert. Wenn der Benutzer das erste Element ausgewählt hat, ist die Punktzahl 1. Wenn er keine Artikel auswählt, ist die Punktzahl 0.
Sie könnten beispielsweise drei verschiedenen Benutzern jeweils 25 Empfehlungen zeigen:
+ Wenn Benutzer 1 auf Rang *4* auf das Element und auf Rang *10* auf das Element klickt, beträgt die reziproke Rangbewertung *1/4*.
+ Wenn Benutzer 2 auf ein Objekt auf Rang *2*, auf ein Objekt auf Rang *4* und auf ein Objekt auf Rang *12* klickt, beträgt sein reziproker Rangwert 1/2.
+ Wenn Benutzer 3 auf ein einzelnes Objekt auf Rang *6* klickt, beträgt sein reziproker Rangwert 1/6.
Der durchschnittliche reziproke Rang aller Anfragen nach Empfehlungen (in diesem Fall 3) wird wie folgt berechnet. `(1/4 + 1/2 + 1/6) / 3 = .3056`
**normalisierter diskontierter kumulativer Gewinn (NDCG) bei K (5, 10 oder 25)**
Diese Kennzahl gibt Aufschluss darüber, wie gut Ihr Modell Empfehlungen bewertet, wobei K für eine Stichprobengröße von 5, 10 oder 25 Empfehlungen steht. Diese Metrik ist nützlich, wenn Sie am meisten an der Rangfolge von Empfehlungen interessiert sind, die nicht nur das Element mit dem höchsten Rang betreffen (siehe dazu`mean reciprocal rank at 25`). Die Punktzahl für `NDCG at 10` wäre beispielsweise nützlich, wenn Sie über eine Anwendung verfügen, die bis zu 10 Filme gleichzeitig in einem Karussell anzeigt.
Amazon Personalize berechnet den NDCG, indem Empfehlungen auf der Grundlage ihrer Rangposition für jeden Benutzer im Testset gewichtet werden. Jede Empfehlung wird (bei geringerer Gewichtung) um einen Faktor abgezogen, der von ihrer Position abhängt. Die letzte Kennzahl ist der Durchschnitt aller Benutzer in der Testgruppe. Der normalisierte, abgewertete kumulative Zuwachs bei K geht davon aus, dass Empfehlungen, die in einer Liste weiter unten stehen, weniger relevant sind als Empfehlungen, die weiter oben stehen.
Amazon Personalize verwendet einen Gewichtungsfaktor von`1/log(1 + position)`, wobei die Position ganz oben auf der Liste steht. `1`
**Präzision bei K**
Diese Kennzahl gibt Ihnen Aufschluss darüber, wie relevant die Empfehlungen Ihres Modells sind, basierend auf einer Stichprobengröße von K (5, 10 oder 25).
Amazon Personalize berechnet diese Metrik auf der Grundlage der Anzahl der relevanten Empfehlungen aus den K wichtigsten Empfehlungen für jeden Benutzer im Testsatz, geteilt durch K, wobei K für 5, 10 oder 25 steht. Die letzte Kennzahl ist der Durchschnitt aller Benutzer in der Testgruppe.
Wenn Sie einem Benutzer beispielsweise 10 Elemente empfehlen und der Benutzer mit 3 davon interagiert, beträgt die Genauigkeit bei K 3 korrekt vorhergesagte Elemente geteilt durch die insgesamt 10 empfohlenen Elemente:`3 / 10 = .30`.
Diese Kennzahl belohnt die präzise Empfehlung relevanter Artikel. Je näher der Wert an eins liegt, desto genauer ist das Modell.
## Beispiel
Im Folgenden finden Sie ein einfaches Beispiel für einen Empfehlungsgeber, der eine Liste mit Empfehlungen für einen bestimmten Benutzer erstellt. Die zweite und fünfte Empfehlung stimmt mit Datensätzen in den Testdaten für diesen Benutzer überein. Dies sind die relevanten Empfehlungen. Wenn `K` auf `5` gesetzt ist, werden die folgenden Metriken für den Benutzer generiert.
**reciprocal\$1rank**
Berechnung: 1/2
Ergebnis: 0,5000
**normalized\$1discounted\$1cumulative\$1gain\$1at\$15**
Berechnung: (1/log(1 \$1 2) \$1 1/log(1 \$1 5)) / (1/log(1 \$1 1) \$1 1/log(1 \$1 2))
Ergebnis: 0,6241
**precision\$1at\$15**
Berechnung: 2/5
Ergebnis: 0,4000
## Weitere Ressourcen
Weitere Informationen zu den verschiedenen Arten von Metriken für Empfehlungssysteme finden Sie in den folgenden externen Ressourcen:
+ [MRR im Vergleich zu MAP und NDCG: Bewertungsmetriken, die den Rang berücksichtigen und wann sie verwendet werden sollten](https://medium.com/swlh/rank-aware-recsys-evaluation-metrics-5191bba16832/)
+ [Vergünstigter kumulativer Gewinn: Die Ranking-Metriken, über die Sie Bescheid wissen sollten](https://medium.com/@maeliza.seymour/discounted-cumulative-gain-the-ranking-metrics-you-should-know-about-e1d1623f8cd9)
+ [Rückruf und Präzision bei K für Empfehlungssysteme](https://medium.com/@bond.kirill.alexandrovich/precision-and-recall-in-recommender-systems-and-some-metrics-stuff-ca2ad385c5f8)
+ [Rangfolge der Bewertungsmetriken für Empfehlungssysteme](https://towardsdatascience.com/ranking-evaluation-metrics-for-recommender-systems-263d0a66ef54)
# Einen Empfehlungsgeber aktualisieren
Nachdem Sie einen Empfehlungsgeber erstellt haben, können Sie die Konfiguration des Empfehlungsgebers aktualisieren:
+ Sie können die Spalten aktualisieren, die der Empfehlungsgeber im Training verwendet. Wenn Sie die beim Training verwendeten Spalten ändern, startet Amazon Personalize automatisch eine vollständige Neuschulung der Modelle, die Ihren Empfehlungsgeber unterstützen. Während das Update abgeschlossen ist, können Sie immer noch Empfehlungen vom Empfehlungsgeber erhalten. Der Empfehlungsgeber verwendet die vorherige Konfiguration, bis das Update abgeschlossen ist. Um den Status dieses Updates zu verfolgen, verwenden Sie den im [DescribeRecommender](API_DescribeRecommender.md) Vorgang `latestRecommenderUpdate` zurückgegebenen Wert. Wenn Sie dieselben Spalten angeben, die Sie bei der Erstellung der Empfehlung angegeben haben, erfolgt keine Aktualisierung.
+ Sie können die Mindestanzahl der Empfehlungsanfragen pro Sekunde aktualisieren. Dies gibt den Basisdurchsatz für Empfehlungsanfragen an, der von Amazon Personalize bereitgestellt wird. Ein hoher Wert erhöht Ihre Rechnung. Wir empfehlen, mit 1 zu beginnen. Verfolgen Sie Ihre Nutzung anhand von CloudWatch Amazon-Metriken und erhöhen Sie sie bei Bedarf. Weitere Informationen finden Sie unter [Minimale Empfehlungsanfragen pro Sekunde und auto-scaling](creating-recommenders.md#min-rrps-auto-scaling).
+ In den Anwendungsfällen *Top Picks for You* und *Recommended for you* können Sie die Konfiguration für die Erkundung aktualisieren, indem Sie den Schwerpunkt auf die Erkundung relevanter Artikel und den Altersgrenzwert für Explorationsartikel anpassen. Informationen zur Erkundung finden Sie im Abschnitt für Ihren Anwendungsfall unter[Auswahl eines Anwendungsfalls](domain-use-cases.md).
Sie können Empfehlungen mit der Amazon Personalize Personalize-Konsole, AWS Command Line Interface (AWS CLI) oder aktualisieren. AWS SDKs
**Topics**
+ [Eine Empfehlung aktualisieren (Amazon Personalize Personalize-Konsole)](#updating-recommender-console)
+ [Eine Empfehlung aktualisieren ()AWS CLI](#update-recommender-cli)
+ [Eine Empfehlung aktualisieren ()AWS SDKs](#update-recommender-sdks)
## Eine Empfehlung aktualisieren (Amazon Personalize Personalize-Konsole)
Nachdem Sie einen Empfehlungsgeber erstellt haben, können Sie ihn aktualisieren. Sie können die Spalten, die der Empfehlungsgeber im Training verwendet, und die Mindestanzahl der Empfehlungsanfragen pro Sekunde aktualisieren. *Sie können die Explorationskonfiguration für die Anwendungsfälle „Top-Picks* *für Sie“ und „Für Sie empfohlen*“ aktualisieren. Gehen Sie wie folgt vor, um eine Empfehlung mit der Konsole zu aktualisieren.
**So aktualisieren Sie die Konfiguration eines Empfehlungsgebers (Konsole)**
1. Öffnen Sie zu [https://console.aws.amazon.com/personalize/Hause](https://console.aws.amazon.com/personalize/home) die Amazon Personalize Personalize-Konsole und melden Sie sich bei Ihrem Konto an.
1. Wählen Sie auf der Seite **Dataset-Gruppen** Ihre Domain-Datensatzgruppe aus.
1. Wählen Sie im Navigationsbereich die Option **Recommenders** aus.
1. Wählen Sie auf der Seite **Empfehlungsgeber** den Empfehlungsgeber aus, den Sie aktualisieren möchten.
1. **Wählen Sie in der **Konfiguration des Empfehlungsgebers** die Option Bearbeiten aus.**
1. **Ändern Sie die Konfiguration des Empfehlungsgebers und wählen Sie Aktualisieren.** Informationen zu den verschiedenen Konfigurationsoptionen finden Sie unter[Empfehlungen erstellen (Konsole)](creating-domain-recommenders.md#creating-recommenders-console).
## Eine Empfehlung aktualisieren ()AWS CLI
Verwenden Sie den Befehl AWS CLI, um den Empfehlungsgeber mit dem zu aktualisieren. `update-recommender` Geben Sie den Amazon-Ressourcennamen (ARN) für die Empfehlung und die aktualisierte Konfiguration an. Der folgende Code zeigt, wie die Spalten aktualisiert werden, die ein Empfehlungsgeber für Schulungen verwendet.
```
aws personalize update-recommender \
--dataset-group-arn dataset group ARN \
--recommender-config "{\"trainingDataConfig\": {\"excludedDatasetColumns\": { \"datasetType\" : [ \"column1Name\", \"column2Name\"]}}}"
```
Wenn Sie die in der Schulung verwendeten Spalten ändern, startet Amazon Personalize automatisch eine vollständige Neuschulung der Modelle, die Ihren Empfehlungsgeber unterstützen. Während das Update abgeschlossen ist, können Sie immer noch Empfehlungen vom Empfehlungsgeber erhalten. Der Empfehlungsgeber verwendet die vorherige Konfiguration, bis das Update abgeschlossen ist. Um den Status dieses Updates zu verfolgen, verwenden Sie den im [DescribeRecommender](API_DescribeRecommender.md) Vorgang `latestRecommenderUpdate` zurückgegebenen Wert.
Weitere Informationen zu den verschiedenen Konfigurationen, die Sie ändern können, finden Sie unter[RecommenderConfig](API_RecommenderConfig.md).
## Eine Empfehlung aktualisieren ()AWS SDKs
Verwenden Sie den Vorgang AWS, um den Empfehlungsgeber mit dem zu aktualisieren. [UpdateRecommender](API_UpdateRecommender.md) Geben Sie den Amazon-Ressourcennamen (ARN) für den Empfehlungsgeber an und geben Sie die neue Konfiguration an. Der folgende Code zeigt, wie die Spalten aktualisiert werden, die ein Empfehlungsgeber für Schulungen verwendet.
------
#### [ SDK for Python (Boto3) ]
```
import boto3
personalize = boto3.client('personalize')
update_recommender_response = personalize.update_recommender(
recommenderArn = 'dataset group ARN',
recommenderConfig = {
"trainingDataConfig": {
"excludedDatasetColumns": {
"datasetType": ["COLUMN_A", "COLUMN_B"]
}
}
}
)
```
------
#### [ SDK for JavaScript v3 ]
```
// Get service clients and commands using ES6 syntax.
import { UpdateRecommenderCommand, PersonalizeClient } from
"@aws-sdk/client-personalize";
// create personalizeClient
const personalizeClient = new PersonalizeClient({
region: "REGION"
});
// set the request's parameters
export const updateRecommenderParam = {
recommenderArn: "RECOMMENDER_ARN", /* required */
recommenderConfig: {
trainingDataConfig: {
excludedDatasetColumns: {
"DATASET_TYPE": ["COLUMN_A", "COLUMN_B"]
}
}
}
};
export const run = async () => {
try {
const response = await personalizeClient.send(new UpdateRecommenderCommand(updateRecommenderParam));
console.log("Success", response);
return response; // For unit tests.
} catch (err) {
console.log("Error", err);
}
};
run();
```
------
Wenn Sie die im Training verwendeten Spalten in `excludedDatasetColumns` der ändern`recommenderConfig`, startet Amazon Personalize automatisch eine vollständige Neuschulung der Modelle, die Ihren Empfehlungsgeber unterstützen. Während das Update abgeschlossen ist, können Sie immer noch Empfehlungen vom Empfehlungsgeber erhalten. Der Empfehlungsgeber verwendet die vorherige Konfiguration, bis das Update abgeschlossen ist. Um den Status dieses Updates zu verfolgen, verwenden Sie den im [DescribeRecommender](API_DescribeRecommender.md) Vorgang `latestRecommenderUpdate` zurückgegebenen Wert.
Weitere Informationen zu den verschiedenen Konfigurationen, die Sie ändern können, finden Sie unter[RecommenderConfig](API_RecommenderConfig.md).
# Einen Empfehlungsgeber beenden
Sobald Ihr Empfehlungsgeber aktiv ist, können Sie einen Empfehlungsgeber beenden und später wieder starten. Auf diese Weise kannst du die Abrechnung für Empfehlungsgeber pausieren und sie nur bezahlen, wenn du sie nutzt. Beispielsweise benötigen Sie möglicherweise nur an bestimmten Wochentagen Empfehlungen. Sie können die Empfehlung an den Tagen beenden, an denen Sie sie nicht benötigen, und die Empfehlung dann an den Tagen starten, an denen Sie sie nicht benötigen.
Nachdem Sie einen Empfehlungsgeber beendet haben, können Sie ihn nicht mehr zum Abrufen von Empfehlungen verwenden. Wenn Sie einen Empfehlungsgeber beenden, werden die Abrechnung und Umschulung des Empfehlungsgebers unterbrochen. Wenn Sie einen Empfehlungsgeber beenden, wird der Empfehlungsgeber jedoch nicht gelöscht. Sie können ihn jederzeit neu starten und weiterhin Empfehlungen abrufen. Wenn Sie einen Empfehlungsgeber starten, wird kein neuer Empfehlungsgeber mit Ihren Daten erstellt. Vielmehr werden die Abrechnung und Umschulung der Empfehlungsgeber alle 7 Tage wieder aufgenommen.
Sie können eine Empfehlung mit der Amazon Personalize Personalize-Konsole beenden und starten, AWS Command Line Interface (AWS CLI),. AWS SDKs
**Der Empfehlungsgeber gibt an**
Wenn Sie einen Empfehlungsgeber beenden, ändert sich der Status des Empfehlungsgebers in der folgenden Reihenfolge von AKTIV in INAKTIV:
AKTIV > AUSSTEHEND BEENDEN > STOPP IN BEARBEITUNG > INAKTIV
Wenn Sie eine Empfehlung starten, ändert sich der Empfehlungsstatus in der folgenden Reihenfolge von INAKTIV zu AKTIV:
INAKTIV > START AUSSTEHEND > START IN BEARBEITUNG > AKTIV
**Topics**
+ [Einen Empfehlungsgeber beenden (Konsole)](#stop-start-recommender-console)
+ [Einen Empfehlungsgeber beenden ()AWS CLI](#stop-start-recommender-cli)
+ [Einen Empfehlungsgeber stoppen ()AWS SDKs](#stop-start-recommender-sdks)
## Einen Empfehlungsgeber beenden (Konsole)
Sie können eine Empfehlung auf der Detailseite für die Empfehlung in der Amazon Personalize-Konsole beenden.
**Um einen Empfehlungsgeber zu beenden**
1. Öffnen Sie zu [https://console.aws.amazon.com/personalize/Hause](https://console.aws.amazon.com/personalize/home) die Amazon Personalize Personalize-Konsole und melden Sie sich bei Ihrem Konto an.
1. Wählen Sie auf der Seite **Dataset-Gruppen** Ihre Domain-Datensatzgruppe aus.
1. Wählen Sie im Navigationsbereich die Option **Empfehlungen aus.**
1. Wählen Sie auf der Seite **Empfehlungsgeber** den Empfehlungsgeber aus, den Sie beenden möchten.
1. Wählen Sie auf der Detailseite für den Empfehlungsgeber oben rechts die Option **Empfehlung beenden** aus und bestätigen Sie im daraufhin angezeigten Fenster. Wenn der Status des Empfehlungsgebers inaktiv ist, wurde Ihr Empfehlungsgeber beendet. Sie können ihn von derselben Seite aus erneut starten.
## Einen Empfehlungsgeber beenden ()AWS CLI
Um einen aktiven Empfehlungsgeber mit dem zu beenden AWS CLI, verwenden Sie den `stop-recommender` Befehl, der den [StopRecommender](API_StopRecommender.md) API-Vorgang verwendet, und geben Sie den Amazon-Ressourcennamen (ARN) für den Empfehlungsgeber an. Um ihn neu zu starten, können Sie den `start-recommender` Befehl verwenden, der den. [StartRecommender](API_StartRecommender.md) Der folgende Code zeigt, wie Sie eine Empfehlung beenden können:
```
aws personalize stop-recommender --recommender-arn "recommender arn"
```
## Einen Empfehlungsgeber stoppen ()AWS SDKs
Um einen aktiven Empfehlungsgeber mit dem zu beenden AWS SDKs, verwenden Sie den [StopRecommender](API_StopRecommender.md) API-Vorgang und geben Sie den Amazon-Ressourcennamen (ARN) für den Empfehlungsgeber an. Um ihn neu zu starten, verwenden Sie den. [StartRecommender](API_StartRecommender.md) Der folgende Code zeigt, wie Sie eine Empfehlung beenden können:
------
#### [ SDK for Python (Boto3) ]
Um einen aktiven Recommender mit dem SDK for Python (Boto3) zu beenden, verwenden Sie die `stop_recommender` Methode und geben Sie den Amazon-Ressourcennamen (ARN) für den Recommender wie folgt an.
```
import boto3
personalize = boto3.client('personalize')
stop_recommender_response = personalize.stop_recommender(
recommenderArn = "recommenderARN"
)
print(stop_recommender_response)
```
------
#### [ SDK for Java 2.x ]
Um einen aktiven Empfehlungsgeber mit dem SDK for Java 2.x zu beenden, verwenden Sie die `stopRecommender` Methode und geben Sie den ARN für den Empfehlungsgeber wie folgt an.
```
public static void stopRecommender(PersonalizeClient personalizeClient,
String datasetGroupArn) {
try {
StopRecommenderRequest stopRecommenderRequest = StopRecommenderRequest.builder()
.recommenderArn(recommenderArn)
.build();
personalizeClient.stopRecommender(stopRecommenderRequest);
} catch (PersonalizeException e) {
System.out.println(e.awsErrorDetails().errorMessage());
}
return "";
}
```
------
#### [ SDK for JavaScript v3 ]
```
// Get service clients and commands using ES6 syntax.
import { StopRecommenderCommand, PersonalizeClient } from
"@aws-sdk/client-personalize";
// create personalizeClient
const personalizeClient = new PersonalizeClient({
region: "REGION"
});
// set the request params
export const stopRecommenderParam = {
recommenderArn: "RECOMMENDER_ARN" /* required */
};
export const run = async () => {
try {
const response = await personalizeClient.send(
new StopRecommenderCommand(stopRecommenderParam)
);
console.log("Success", response);
return response; // For unit tests.
} catch (err) {
console.log("Error", err);
}
};
run();
```
------