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. # Häufig gestellte Fragen zu Amazon Personalize Im Folgenden finden Sie Antworten auf häufig gestellte Fragen zum Import von Daten, zu Schulungen, zur Modellbereitstellung, zu Empfehlungen und Filtern in Amazon Personalize. Weitere Fragen und Antworten finden Sie im [Amazon Personalize Cheat Sheet im Amazon Personalize](https://github.com/aws-samples/amazon-personalize-samples/blob/master/PersonalizeCheatSheet2.0.md) [Personalize-Beispiel-Repository](https://github.com/aws-samples/amazon-personalize-samples). **Topics** + [Datenimport und -verwaltung](#data-import-questions) + [Eine benutzerdefinierte Lösung und Lösungsversion erstellen](#training-questions) + [Modellbereitstellung (benutzerdefinierte Kampagnen)](#deployment-questions) + [Empfehlungen](#recommendations-questions) + [Empfehlungen zum Filtern](#filters-questions) ## Datenimport und -verwaltung *In welchem Format sollten meine Massendaten vorliegen?* Ihre Massendaten müssen im CSV-Format (Comma-Separated Values) vorliegen. Die erste Zeile Ihrer CSV-Datei muss Spaltenüberschriften enthalten. Die Spaltenüberschriften in Ihrer CSV-Datei müssen dem zum Erstellen des Datasets verwendeten Schema entsprechen. Wenn Ihre Daten nicht-ASCII-kodierte Zeichen enthalten, muss Ihre CSV-Datei im UTF-8-Format codiert sein. Setzen Sie Überschriften nicht in Anführungszeichen („). `TIMESTAMP`und die `CREATION_TIMESTAMP` Daten müssen im *UNIX-Epochenzeitformat vorliegen*. Weitere Hinweise zu Zeitstempeldaten finden Sie unter. [Daten mit Zeitstempel](interactions-datasets.md#timestamp-data) Weitere Informationen zu Schemata finden Sie unter [JSON-Schema-Dateien für Amazon Personalize Personalize-Schemas erstellen](how-it-works-dataset-schema.md). Vollständige Richtlinien für das Datenformat finden Sie unter[Vorbereiten von Trainingsdaten für Amazon Personalize](preparing-training-data.md). Wenn Sie sich nicht sicher sind, wie Sie Ihre Daten formatieren sollen, können Sie Amazon SageMaker AI Data Wrangler (Data Wrangler) verwenden, um Ihre Daten vorzubereiten. Weitere Informationen finden Sie unter [Vorbereiten und Importieren von Massendaten mit Amazon SageMaker AI Data Wrangler](preparing-importing-with-data-wrangler.md). *Wie viele Trainingsdaten benötige ich?* Für alle Anwendungsfälle (Domain-Datensatzgruppen) und benutzerdefinierte Rezepte müssen Ihre Interaktionsdaten Folgendes enthalten: + Mindestens 1000 Datensätze zu Artikelinteraktionen von Benutzern, die mit Artikeln in Ihrem Katalog interagieren. Diese Interaktionen können aus Massenimporten, gestreamten Ereignissen oder beidem stammen. + Mindestens 25 eindeutige Benutzer IDs mit jeweils mindestens zwei Artikelinteraktionen. Für Qualitätsempfehlungen empfehlen wir, mindestens 50.000 Artikelinteraktionen von mindestens 1.000 Benutzern mit jeweils zwei oder mehr Artikelinteraktionen durchzuführen. Sie können mit einem leeren Datensatz für Artikelinteraktionen beginnen und, wenn Sie genügend Daten aufgezeichnet haben, Ihre Empfehlungsversion (Domain-Datensatzgruppe) oder benutzerdefinierte Lösungsversion erstellen, die nur neue aufgezeichnete Ereignisse verwendet. Für einige Rezepte und Anwendungsfälle sind möglicherweise zusätzliche Datenanforderungen erforderlich. Informationen zu den Anforderungen für Anwendungsfälle finden Sie unter[Auswahl eines Anwendungsfalls](domain-use-cases.md). Informationen zu Rezeptanforderungen finden Sie unter[Ein Rezept wählen](working-with-predefined-recipes.md). *Wie aktualisiere ich die Attribute eines Artikels oder eines Benutzers?* Verwenden Sie die Amazon Personalize Personalize-Konsole [PutItems](API_UBS_PutItems.md) oder die [PutUsers](API_UBS_PutUsers.md) Operationen oder, um einen Artikel oder Benutzer mit derselben Artikel-ID, aber mit den geänderten Attributen zu importieren. *Wie lösche ich einen Artikel oder einen Benutzer?* Amazon Personalize unterstützt das Löschen eines bestimmten Artikels oder Benutzers nicht. Um sicherzustellen, dass ein Artikel oder ein Benutzer nicht in den Empfehlungen erscheint, verwenden Sie einen Filter, um Artikel auszuschließen. Weitere Informationen finden Sie unter [Empfehlungen und Benutzersegmente filtern](filter.md). *Wie lösche ich ein Schema?* Sie können ein Schema nur mit der [DeleteSchema](API_DeleteSchema.md) Operation löschen. Sie können die Amazon Personalize Personalize-Konsole nicht verwenden, um ein Schema zu löschen. ## Eine benutzerdefinierte Lösung und Lösungsversion erstellen *Welches Rezept sollte ich verwenden?* Welches Amazon Personalize Personalize-Rezept Sie verwenden, hängt von Ihrem Anwendungsfall ab. Informationen zur Zuordnung von Anwendungsfällen zu Rezepten finden Sie unter[Ein Rezept wählen](working-with-predefined-recipes.md). Das [Amazon Personalize Cheat Sheet](https://github.com/aws-samples/amazon-personalize-samples/blob/master/PersonalizeCheatSheet2.0.md) enthält auch Informationen zu Anwendungsfällen und Rezepten. *Wie oft sollte ich trainieren?* Wir empfehlen, automatisches Training mit mindestens wöchentlicher Trainingsfrequenz zu verwenden. Automatisches Training erleichtert es dir, die Relevanz deiner Empfehlungen aufrechtzuerhalten. Ihre Trainingshäufigkeit hängt von Ihren Geschäftsanforderungen, dem von Ihnen verwendeten Rezept und der Häufigkeit ab, mit der Sie Daten importieren. Weitere Informationen finden Sie unter [Automatisches Training konfigurieren](solution-config-auto-training.md). Informationen zur Aufrechterhaltung der Relevanz finden Sie unter[Beibehaltung der Relevanz von Empfehlungen](maintaining-relevance.md). *Sollte ich AutoML verwenden?* Nein, stattdessen empfehlen wir Ihnen, Ihren Anwendungsfall verschiedenen Amazon Personalize-Rezepten zuzuordnen und ein Rezept auszuwählen. Informationen zum Abgleichen von Anwendungsfällen mit Rezepten finden Sie unter[Ein Rezept wählen](working-with-predefined-recipes.md). ## Modellbereitstellung (benutzerdefinierte Kampagnen) *Was sollte ich für das MinProvisionedTPS meiner Kampagne festlegen?* Ein Hoch erhöht Ihre Kosten`minProvisionedTPS`. Wir empfehlen, mit 1 für zu beginnen `minProvisionedTPS` (Standard). Verfolgen Sie Ihre Nutzung anhand von CloudWatch Amazon-Metriken und erhöhen Sie `minProvisionedTPS` diese bei Bedarf. *Wie überwache ich die Kosten meiner Kampagnen?* Das Amazon Personalize Monitor-Projekt bietet ein CloudWatch Dashboard, benutzerdefinierte Metriken, Nutzungsalarme und Funktionen zur Kostenoptimierung für Amazon Personalize Personalize-Kampagnen. Sehen Sie sich [Amazon Personalize Monitor](https://github.com/aws-samples/amazon-personalize-monitor) im Amazon [Personalize Personalize-Beispiel-Repository](https://github.com/aws-samples/amazon-personalize-samples) an. *Wie lege ich einen maximalen Transaktionsdurchsatz für eine Kampagne fest?* Sie können nur den *Mindestdurchsatz* für eine Kampagne festlegen. Wenn Sie eine Amazon Personalize-Kampagne erstellen, geben Sie eine spezielle Transaktionskapazität an, um Empfehlungen für Ihre Anwendungsbenutzer in Echtzeit zu erstellen. Wenn Ihr TPS darüber hinaus steigt`minProvisionedTPS`, skaliert Amazon Personalize die bereitgestellte Kapazität automatisch nach oben und unten, aber niemals unter den Wert. `minProvisionedTPS` Weitere Informationen finden Sie unter [Minimale Anzahl bereitgestellter Transaktionen pro Sekunde und auto-scaling](campaigns.md#min-tps-auto-scaling). ## Empfehlungen *Woran erkenne ich, ob mein Amazon Personalize Personalize-Modell Qualitätsempfehlungen generiert?* Bewerten Sie die Leistung Ihrer Lösungsversion anhand von Offline- und Online-Metriken (siehe[Evaluierung einer Amazon Personalize Personalize-Lösungsversion mit Metriken](working-with-training-metrics.md)) und Online-Tests (z. B. A/B testing). For more information about A/B Tests, siehe[Messung der Wirkung von Empfehlungen anhand A/B von Tests](ab-testing-recommendations.md)). *Wie lösche ich meinen Batch-Inferenz-Job und warum hat er den Status „aktiv“?* Batch-Inferenzjobs können nicht gelöscht werden. Wenn der Status eines Batch-Inferenzjobs *aktiv* ist, ist der Job abgeschlossen. Sie können im Amazon S3 S3-Ausgabe-Bucket oder -Ordner auf Ihre Empfehlungen zugreifen. Sobald der Job abgeschlossen ist, entstehen Ihnen keine zusätzlichen Kosten durch den Batch-Inferenz-Job. Es können jedoch zusätzliche Gebühren für andere Dienste wie Amazon S3 für die Speicherung von Eingabe- und Ausgabedaten anfallen. *Warum werden in meiner von SIMS unterstützten Kampagne Artikel empfohlen, die sich anhand von Metadaten nicht ähneln?* SIMS verwendet Ihren Datensatz mit Artikelinteraktionen, um Ähnlichkeit zu ermitteln, nicht Artikelmetadaten wie Farbe oder Preis. SIMS identifiziert das gleichzeitige Vorkommen des Elements in den Benutzerhistorien in Ihrem Interaktionsdatensatz, um ähnliche Artikel zu empfehlen. Weitere Informationen finden Sie unter [SIMS-Rezept](native-recipe-sims.md). *Kann ich mit einem einzigen GetRecommendations API-Vorgang mehr als 500 Elemente abrufen?* 500 ist die maximale Anzahl von Elementen, die Sie in einem einzigen abrufen können[GetRecommendations](API_RS_GetRecommendations.md). Dieser Wert kann nicht erhöht werden. ## Empfehlungen zum Filtern *Warum werden meine Empfehlungen nicht wie erwartet gefiltert?* Dies kann verschiedene Gründe haben: + Möglicherweise liegt ein Problem mit dem Format oder der Syntax Ihres Filterausdrucks vor. Beispiele für korrekt formatierte Filterausdrücke finden Sie unter[Beispiele für Filterausdrücke](filter-expression-examples.md). + Amazon Personalize berücksichtigt bis zu 100 der neuesten Interaktionen pro Benutzer und Ereignistyp. Dies ist ein anpassbares Kontingent. Sie können über die [Service Quotas-Konsole eine Erhöhung des Kontingents](https://console.aws.amazon.com/servicequotas/) beantragen. Wenn Sie drei Monate lang keine Artikelinteraktionen für einen Benutzer importieren, berücksichtigen Ihre Filter die historischen Daten des Benutzers nicht mehr. Um diese Daten zu berücksichtigen, müssen Sie den gesamten Ereignisverlauf des Benutzers erneut importieren. Weitere Informationen finden Sie unter [Empfehlungen und Benutzersegmente filtern](filter.md). *Wie kann ich bereits gekaufte Artikel aus den Empfehlungen entfernen?* Wenn Sie für E-COMMERCE-Domain-Datensatzgruppen einen Empfehlungsgeber mit dem [Kunden, die X angesehen haben, interessierten sich auch für](ECOMMERCE-use-cases.md#customers-also-viewed-use-case) Anwendungsfall [Für Sie empfohlen](ECOMMERCE-use-cases.md#recommended-for-you-use-case) oder erstellen, filtert Amazon Personalize automatisch Artikel, die der Benutzer gekauft hat, basierend auf der von Ihnen angegebenen userId und Ereignissen. `Purchase` Verwenden Sie für andere Anwendungsfälle von Domain-Datensatzgruppen oder benutzerdefinierte Ressourcen einen Filter, um gekaufte Artikel zu entfernen. Fügen Sie Ihren Daten ein `Purchased` Ereignistypattribut hinzu, zeichnen Sie *Einkaufsereignisse* mit dem `PutItems` Vorgang auf und erstellen Sie einen Filter, der gekaufte Artikel aus Empfehlungen entfernt. Beispiel: ``` EXCLUDE ItemID WHERE Interactions.EVENT_TYPE IN ("purchased") ``` Weitere Informationen finden Sie unter [Empfehlungen und Benutzersegmente filtern](filter.md).