Le traduzioni sono generate tramite traduzione automatica. In caso di conflitto tra il contenuto di una traduzione e la versione originale in Inglese, quest'ultima prevarrà.
# Preparazione dei dati di formazione per Amazon Personalize
Dopo aver [scelto un caso d'uso o una ricetta per il dominio](use-cases-and-recipes.md) e aver annotato i relativi requisiti in materia di dati, sei pronto per iniziare a preparare i dati. Amazon Personalize può utilizzare i seguenti tipi di dati:
+ [**Interazioni tra articoli**](interactions-datasets.md): in Amazon Personalize, un'*interazione tra un articolo* è un evento di interazione positiva tra un utente e un articolo del tuo catalogo. Ad esempio, un utente che guarda un film, visualizza un annuncio o acquista un paio di scarpe.
+ [**Articoli**](items-datasets.md): i metadati degli articoli potrebbero includere informazioni come prezzo, tipo di SKU, descrizione o disponibilità per ogni articolo del catalogo.
+ [**Utenti**](users-datasets.md): i metadati degli utenti possono includere informazioni quali età, sesso, programma fedeltà, iscrizione e interessi per ciascuno dei tuoi utenti.
+ [**Azioni**](actions-datasets.md): un'*azione* è un'attività di coinvolgimento che potresti consigliare ai tuoi clienti. Le azioni possono includere l'installazione dell'app per dispositivi mobili, il completamento di un profilo di iscrizione, l'adesione al programma di fidelizzazione o l'iscrizione a e-mail promozionali. Per la Next-Best-Action ricetta, è richiesto il set di dati Actions. Nessun'altra ricetta personalizzata o caso d'uso del dominio utilizza i dati Actions.
+ [**Interazioni**](action-interactions-datasets.md) di azione: un'interazione di azione è un evento di interazione tra un utente e un'azione. La Next-Best-Action ricetta utilizza questi dati e i dati del set di dati Actions per consigliare azioni agli utenti. Nessun'altra ricetta personalizzata o caso d'uso del dominio utilizza i dati delle interazioni con le azioni.
Amazon Personalize archivia i dati in *set* di dati, uno per ogni tipo di dati. Ogni set di dati ha requisiti diversi. Quando importi dati in un set di dati Amazon Personalize, puoi scegliere di importare i record in blocco, singolarmente o entrambi. Le importazioni in blocco comportano l'importazione di un gran numero di record storici archiviati in uno o più file CSV in un bucket Amazon S3.
+ Se non disponi di dati in blocco, puoi utilizzare operazioni di importazione individuali per raccogliere dati e trasmettere eventi in streaming fino a soddisfare i requisiti di formazione di Amazon Personalize e i requisiti relativi ai dati del caso d'uso o della ricetta del tuo dominio. Per informazioni sulla registrazione degli eventi, consulta. [Registrazione di eventi in tempo reale per influenzare le raccomandazioni](recording-events.md) Per informazioni sull'importazione di singoli record, vedere[Importazione di singoli record in un set di dati Amazon Personalize](incremental-data-updates.md).
+ Se non sei sicuro di disporre di dati sufficienti o se hai domande sulla loro qualità, puoi importare i dati in un set di dati Amazon Personalize e utilizzare Amazon Personalize per analizzarli. Per ulteriori informazioni, consulta [Analisi della qualità e della quantità di dati nei set di dati di Amazon Personalize](analyzing-data.md).
Le seguenti sezioni forniscono i requisiti di dati per ogni tipo di set di dati Amazon Personalize e le linee guida per la preparazione di dati in blocco. Se non disponi di dati in blocco, consulta le sezioni per comprendere i dati obbligatori e facoltativi che puoi importare con le singole operazioni di importazione. Se hai bisogno di ulteriore assistenza per la formattazione dei dati, puoi utilizzare Amazon SageMaker AI Data Wrangler (Data Wrangler) per preparare i dati. Per ulteriori informazioni, consulta [Preparazione e importazione di dati in blocco con Amazon SageMaker AI Data Wrangler](preparing-importing-with-data-wrangler.md).
Dopo aver completato la preparazione dei dati, sei pronto per creare un file JSON di schema. Questo file indica ad Amazon Personalize la struttura dei tuoi dati. Per ulteriori informazioni, consulta [Creazione di file JSON di schema per schemi Amazon Personalize](how-it-works-dataset-schema.md).
**Topics**
+ [Linee guida sul formato dei dati in blocco per tutti i tipi di dati](#general-formatting-guidelines)
+ [Preparazione dei dati di interazione tra gli elementi per l'addestramento](interactions-datasets.md)
+ [Preparazione dei metadati degli articoli per la formazione](items-datasets.md)
+ [Preparazione dei metadati utente per la formazione](users-datasets.md)
+ [Preparazione dei metadati delle azioni per la formazione](actions-datasets.md)
+ [Preparazione dei dati di interazione delle azioni per l'allenamento](action-interactions-datasets.md)
## Linee guida sul formato dei dati in blocco per tutti i tipi di dati
Le seguenti linee guida e requisiti possono aiutarti a garantire che i tuoi dati di massa siano formattati correttamente.
+ I dati di input devono essere in un file CSV (valori separati da virgole).
+ La prima riga del file CSV deve contenere le intestazioni delle colonne. Non racchiudere intestazioni tra virgolette (").
+ Le colonne devono avere nomi alfanumerici univoci. Ad esempio, non è possibile aggiungere sia un `GENRES_FIELD_1` campo che un campo. `GENRESFIELD1`
+ Se stai importando più file CSV, tutte le intestazioni di colonna devono corrispondere in tutti i file.
+ Assicurati di avere i campi obbligatori per il tipo di set di dati e assicurati che i loro nomi siano conformi ai requisiti di Amazon Personalize. Ad esempio, i dati Items potrebbero avere una colonna chiamata `ITEM_IDENTIFICATION_NUMBER` with IDs per ciascuno dei tuoi articoli. Per utilizzare questa colonna come campo ITEM\$1ID, rinomina la colonna in. `ITEM_ID` Se utilizzi Data Wrangler per formattare i tuoi dati, puoi utilizzare **le colonne Map per la trasformazione di Amazon Personalize** Data Wrangler per assicurarti che le colonne abbiano un nome corretto.
Per informazioni sull'utilizzo di Data Wrangler per preparare i dati, consulta. [Preparazione e importazione di dati in blocco con Amazon SageMaker AI Data Wrangler](preparing-importing-with-data-wrangler.md)
+ Ogni record del file CSV deve trovarsi su una sola riga.
+ Amazon Personalize non supporta tipi di dati complessi come array e mappe.
+ Per fare in modo che Amazon Personalize utilizzi dati booleani durante l'addestramento o il filtraggio, utilizza valori di stringa e/o valori numerici con valore `"False"` vero `"True"` e falso. `1` `0`
+ Se usi Data Wrangler per formattare i dati, puoi utilizzare Data Wrangler transform [Parse](https://docs.aws.amazon.com/sagemaker/latest/dg/data-wrangler-transform.html#data-wrangler-transform-cast-type) Value as Type per convertire i tipi di dati.
+ `TIMESTAMP`*e `CREATION_TIMESTAMP` i dati devono essere in formato UNIX epoch time.* Per ulteriori informazioni, consulta [Dati relativi al timestamp](interactions-datasets.md#timestamp-data).
+ Evita di includere `"` caratteri o caratteri speciali nei dati dell'ID dell'elemento, dell'ID utente e dell'ID dell'azione.
+ Se i dati includono caratteri non codificati in formato ASCII, il file CSV deve essere codificato in formato UTF-8.
+ Assicurati di formattare tutti i dati testuali come descritto in. [Metadati di testo non strutturati](items-datasets.md#text-data)
# Preparazione dei dati di interazione tra gli elementi per l'addestramento
Un'*interazione tra un articolo* è un evento di interazione positiva tra un utente e un articolo del tuo catalogo. Ad esempio, un utente che guarda un film, guarda un annuncio o acquista un paio di scarpe. Importi i dati sulle interazioni degli utenti con i tuoi articoli in un *set di dati sulle interazioni degli elementi*. *Puoi registrare diversi tipi di eventi, ad esempio *clic*, *visualizzazione o acquisto*.*
Ad esempio, se un utente *fa clic su* un determinato elemento e poi mette «*Mi piace»* all'elemento, puoi fare in modo che Amazon Personalize utilizzi questi eventi come dati di formazione. **Per ogni evento, devi registrare l'ID dell'utente, l'ID dell'elemento, il timestamp (in formato Unix time epoch) e il tipo di evento (click e mi piace).** *Dovresti quindi aggiungere entrambi gli eventi di interazione tra elementi a un set di dati sulle interazioni tra elementi.*
Per tutti i casi d'uso del dominio e le ricette personalizzate, i dati sulle interazioni di massa tra articoli devono essere contenuti in un file CSV. Ogni riga deve rappresentare una singola interazione tra un utente e un elemento. Dopo aver completato la preparazione dei dati, sei pronto per creare un file JSON di schema. Questo file indica ad Amazon Personalize la struttura dei tuoi dati. Per ulteriori informazioni, consulta [Creazione di file JSON di schema per schemi Amazon Personalize](how-it-works-dataset-schema.md).
Le seguenti sezioni forniscono ulteriori informazioni su come preparare i dati di interazione tra gli articoli per Amazon Personalize. Per le linee guida sul formato dei dati in blocco per tutti i tipi di dati, consulta le linee guida sul formato dei dati in [blocco](preparing-training-data.md#general-formatting-guidelines)
**Topics**
+ [Requisiti in materia di dati di interazione](#item-interaction-requirements)
+ [Dati relativi al timestamp](#timestamp-data)
+ [Dati sul tipo e sul valore dell'evento](#event-type-and-event-value-data)
+ [Metadati contestuali](#interactions-contextual-metadata)
+ [Dati sulle impressioni](#interactions-impressions-data)
+ [Esempio di dati sulle interazioni](#interactions-data-schema-example)
## Requisiti in materia di dati di interazione
Le seguenti sezioni elencano i requisiti relativi ai dati di interazione tra gli elementi per Amazon Personalize. Per quote aggiuntive, consulta. [Endpoint e quote di Amazon Personalize](limits.md)
### Requisiti minimi di formazione
Per tutti i casi d'uso del dominio e le ricette personalizzate, i dati sulle interazioni con articoli in blocco devono contenere quanto segue:
+ Almeno 1000 record di interazioni tra articoli da parte degli utenti che interagiscono con gli articoli del tuo catalogo. Queste interazioni possono derivare da importazioni in blocco, eventi in streaming o entrambi.
+ Almeno 25 utenti unici IDs con almeno due interazioni tra elementi per ciascuno.
Per consigli sulla qualità, ti consigliamo di avere almeno 50.000 interazioni tra articoli da parte di almeno 1.000 utenti con due o più interazioni con gli articoli ciascuna.
Per creare un programma di raccomandazione o una soluzione personalizzata, devi almeno creare un set di dati *sulle interazioni con gli articoli*.
### Requisiti delle colonne
I dati sulle interazioni tra gli articoli devono avere le seguenti colonne.
+ USER\$1ID: l'identificatore univoco dell'utente che ha interagito con l'articolo. Ogni evento deve avere un USER\$1ID. Deve essere un `string` con una lunghezza massima di 256 caratteri.
+ ITEM\$1ID — L'identificatore univoco dell'elemento con cui l'utente ha interagito. Ogni evento deve avere un ID articolo. Deve essere un `string` con una lunghezza massima di 256 caratteri.
+ TIMESTAMP — L'ora in cui si è verificato l'evento (nel formato Unix Epoch Time in secondi). Ogni interazione deve avere un TIMESTAMP. Per ulteriori informazioni, consulta [Dati relativi al timestamp](#timestamp-data).
+ **EVENT\$1TYPE: la natura dell'evento di interazione tra oggetti, ad esempio *clic*, visualizzazione o acquisto.** Per i consiglieri di dominio, è necessario disporre di una colonna relativa al tipo di evento e ogni interazione deve avere un tipo di evento. Per tutte le ricette personalizzate, una colonna EVENT\$1TYPE è consigliata ma facoltativa. Se la aggiungi, ogni evento deve avere un tipo di evento. Per ulteriori informazioni, consulta [Dati sul tipo e sul valore dell'evento](#event-type-and-event-value-data).
Sei libero di aggiungere colonne personalizzate aggiuntive a seconda del tuo caso d'uso e dei tuoi dati. Il numero massimo di colonne di metadati opzionali è 5. Queste colonne possono includere empty/null valori. È consigliabile che queste colonne siano complete almeno al 70 percento.
## Dati relativi al timestamp
I dati del timestamp devono essere in formato Unix epoch Time in secondi. Ad esempio, il timestamp Epoch in secondi per la data 31 luglio 2020 è 1596238243. [Per convertire le date in timestamp di epoca Unix, usa un convertitore Epoch - Convertitore di timestamp Unix.](https://www.epochconverter.com)
Amazon Personalize utilizza i dati di data e ora per calcolare l'attualità e identificare eventuali modelli basati sul tempo. Aiuta Amazon Personalize a mantenere i consigli in linea up-to-date con l'evoluzione delle preferenze degli utenti.
## Dati sul tipo e sul valore dell'evento
Un set di dati sulle interazioni tra elementi può memorizzare i dati sul tipo di evento e sul valore dell'evento per ogni interazione. Solo le risorse personalizzate utilizzano i dati sui valori degli eventi.
### Dati sul tipo di evento
Il tipo di evento di un'interazione tra elementi fornisce un contesto sulla sua natura e sul suo significato. Alcuni esempi di tipi di evento possono essere *click*, *watch* o *purchase*. Amazon Personalize utilizza dati sul tipo di evento, come i dati *su clic* o *acquisti*, per identificare l'intenzione e l'interesse dell'utente. Il numero massimo di tipi di eventi distinti combinato con il numero totale di colonne di metadati opzionali in un set di dati sulle interazioni tra elementi è 10.
Per i consigliatori di dominio, è necessario disporre di una colonna relativa al tipo di evento e ogni interazione deve avere un tipo di evento. Per tutte le ricette personalizzate, una colonna EVENT\$1TYPE è consigliata ma facoltativa. Se la aggiungi, ogni evento deve avere un tipo di evento.
Se crei risorse personalizzate, puoi scegliere gli eventi utilizzati per la formazione in base al tipo di evento. Se il tuo set di dati contiene più tipi di eventi in una colonna EVENT\$1TYPE e non fornisci un tipo di evento quando configuri una soluzione personalizzata, Amazon Personalize utilizza tutti i dati di interazione tra gli elementi per allenamenti con lo stesso peso indipendentemente dal tipo. Per ulteriori informazioni, consulta [Scelta dei dati di interazione tra gli oggetti utilizzati per l'allenamento](event-values-types.md).
Se disponi di più tipi di eventi e utilizzi User-Personalization-v 2 ricette o Personalized-Ranking-v 2 ricette, quando configuri una soluzione personalizzata puoi specificare pesi diversi per tipi diversi. Ad esempio, puoi configurare una soluzione in modo da dare più peso agli eventi di acquisto rispetto ai click events. Per ulteriori informazioni, consulta [Ottimizzazione di una soluzione con configurazione degli eventi](optimizing-solution-events-config.md).
I seguenti casi d'uso hanno requisiti specifici per il tipo di evento:
Casi d'uso del dominio VIDEO\$1ON\$1DEMAND
+ Perché hai guardato X, sono necessari almeno 1000 eventi. `Watch`
+ Il più popolare richiede almeno 1000 `Watch` eventi.
Casi d'uso del dominio E-COMMERCE
+ I più visti richiedono almeno 1000 `View` eventi.
+ I best seller richiedono almeno 1000 `Purchase` eventi.
#### Tipi di eventi positivi e negativi
Amazon Personalize presuppone che qualsiasi interazione sia positiva. Le interazioni con un tipo di evento negativo, come l'*antipatia*, non impediranno necessariamente all'elemento di apparire nelle raccomandazioni future dell'utente.
Di seguito sono riportati i modi in cui gli eventi negativi e il disinteresse degli utenti influiscono sui consigli:
+ Per tutti i casi d'uso del dominio e per la [Personalizzazione dell'utente](native-recipe-new-item-USER_PERSONALIZATION.md) ricetta, Amazon Personalize può utilizzare i dati sulle impressioni. Quando un elemento appare nei dati sulle impressioni e un utente non lo sceglie, è meno probabile che venga visualizzato nei consigli. Per ulteriori informazioni, consulta [Dati sulle impressioni](#interactions-impressions-data).
+ Se utilizzi risorse personalizzate e importi tipi di eventi positivi e negativi, puoi allenarti solo sui tipi di eventi positivi e poi filtrare gli elementi con cui l'utente ha interagito negativamente. Per ulteriori informazioni, consultare [Scelta dei dati di interazione tra gli oggetti utilizzati per l'allenamento](event-values-types.md) e [Suggerimenti di filtraggio e segmenti di utenti](filter.md).
### Dati sui valori degli eventi (risorse personalizzate)
I dati sul valore dell'evento possono essere la percentuale di un film guardato da un utente o una valutazione su 10. Se crei soluzioni personalizzate, puoi scegliere i record utilizzati per la formazione in base ai dati nelle colonne EVENT\$1TYPE ed EVENT\$1VALUE. Con i consigliatori di dominio, Amazon Personalize non utilizza dati sul valore degli eventi e non puoi filtrare gli eventi prima della formazione.
Per scegliere i record in base al tipo e al valore, registra i dati relativi al tipo e al valore dell'evento per gli eventi. Non tutti gli eventi devono avere un valore di evento. Il valore scelto per ogni evento dipende dai dati che si desidera escludere e dai tipi di eventi che si stanno registrando. Ad esempio, potresti abbinare l'attività dell'utente, ad esempio la percentuale di video che l'utente ha guardato, ai tipi di eventi di *visualizzazione*.
Quando si configura una soluzione, si imposta un valore specifico come soglia per escludere i record dalla formazione. Ad esempio, se i tuoi dati EVENT\$1VALUE per gli eventi con un EVENT\$1TYPE di *orologio* sono la percentuale di un video guardato da un utente, se imposti la soglia del valore dell'evento su 0,5 e il tipo di evento da guardare, *Amazon* Personalize addestra il modello utilizzando solo eventi di interazione dell'*orologio* con un EVENT\$1VALUE maggiore o uguale a 0,5.
Per ulteriori informazioni, consulta [Scelta dei dati di interazione tra gli oggetti utilizzati per l'allenamento](event-values-types.md)
## Metadati contestuali
Con determinate ricette e casi d'uso consigliati, Amazon Personalize può utilizzare metadati contestuali per identificare i modelli sottostanti che rivelano gli elementi più pertinenti per i tuoi utenti. I metadati contestuali sono dati sulle interazioni che raccogli nell'ambiente dell'utente al momento di un evento, come la sua posizione o il tipo di dispositivo. Puoi anche specificare il contesto di un utente quando ricevi consigli per l'utente.
Includi metadati contestuali per offrire un'esperienza più personalizzata agli utenti e ridurre la fase di avvio a freddo per i nuovi utenti. La fase di avvio a freddo è quella in cui le raccomandazioni sono meno pertinenti a causa della mancanza di dati storici sugli utenti.
Ad esempio, se il file CSV delle interazioni tra articoli include una colonna DEVICE\$1TYPE con `tablet` e valori, `phone` Amazon Personalize può scoprire in che modo i clienti effettuano acquisti in modo diverso con dispositivi diversi. Quando ricevi consigli per un utente, puoi specificare il suo dispositivo e i consigli saranno più pertinenti, anche se l'utente non ha una cronologia delle interazioni.
Di seguito viene illustrato come formattare un file CSV di interazione tra elementi con una colonna DEVICE\$1TYPE come metadati contestuali.
```
ITEM_ID,USER_ID,TIMESTAMP,DEVICE_TYPE,EVENT_TYPE
shoe12345,12,1428624000,Tablet,CLICK
shoe12346,12,1420416000,Tablet,CLICK
shoe12347,12,1410652800,Tablet,BUY
shoe4444,13,1409961600,Phone,CLICK
shoe4445,13,1402876800,Phone,BUY
shoe4336,13,1402185600,Phone,CLICK
.....
```
Per i gruppi di set di dati Domain, i seguenti casi d'uso dei consigliatori possono utilizzare metadati contestuali:
+ [Consigliato per te](ECOMMERCE-use-cases.md#recommended-for-you-use-case)(dominio ECOMMERCE)
+ [Le migliori scelte per te](VIDEO_ON_DEMAND-use-cases.md#top-picks-use-case)(dominio VIDEO\$1ON\$1DEMAND)
Per le risorse personalizzate, le ricette che utilizzano metadati contestuali includono quanto segue:
+ [Personalizzazione dell'utente-v2](native-recipe-user-personalization-v2.md) e [Personalizzazione dell'utente](native-recipe-new-item-USER_PERSONALIZATION.md)
+ [Classifica-personalizzata-v2](native-recipe-personalized-ranking-v2.md) e [Personalized-Ranking](native-recipe-search.md)
Per informazioni sull'inclusione del contesto quando ricevi consigli, consulta. [Maggiore rilevanza delle raccomandazioni con metadati contestuali](contextual-metadata.md) Per un esempio completo che mostra come utilizzare i metadati contestuali, consulta il seguente post sul AWS Machine Learning Blog: [Aumentare la pertinenza dei consigli di Amazon Personalize](https://aws.amazon.com/blogs/machine-learning/increasing-the-relevance-of-your-amazon-personalize-recommendations-by-leveraging-contextual-information/) sfruttando le informazioni contestuali.
## Dati sulle impressioni
Le impressioni sono elenchi di elementi che erano visibili a un utente quando interagiva con (ad esempio, faceva clic o guardava) un determinato elemento. Se utilizzi un caso d'uso del dominio che fornisce la personalizzazione o la [Personalizzazione dell'utente](native-recipe-new-item-USER_PERSONALIZATION.md) ricetta, Amazon Personalize può utilizzare i dati sulle impressioni per guidare l'esplorazione.
Con l'esplorazione, i consigli includono alcuni elementi o azioni che in genere sarebbero meno propensi a essere consigliati all'utente, come nuovi elementi o azioni, elementi o azioni con poche interazioni o elementi o azioni meno rilevanti per l'utente in base al suo comportamento precedente. Più frequentemente un articolo compare nei dati sulle impressioni, meno è probabile che Amazon Personalize includa l'articolo nell'esplorazione.
Quando crei un programma o una soluzione, Amazon Personalize esclude sempre i dati sulle impressioni dalla formazione. Questo perché Amazon Personalize non addestra i tuoi modelli con dati sulle impressioni. Invece, li utilizza quando ricevi consigli per guidare l'esplorazione per l'utente.
I valori delle impressioni possono contenere al massimo 1000 caratteri (incluso il carattere della barra verticale). Per i gruppi di set di dati Domain, i seguenti casi d'uso consigliati possono utilizzare i dati sulle impressioni:
+ [Consigliato per te](ECOMMERCE-use-cases.md#recommended-for-you-use-case)(dominio ECOMMERCE)
+ [Le migliori scelte per te](VIDEO_ON_DEMAND-use-cases.md#top-picks-use-case)(dominio VIDEO\$1ON\$1DEMAND)
Per ulteriori informazioni sull'esplorazione, vedere. [Esplorazione](use-case-recipe-features.md#about-exploration) Amazon Personalize può modellare due tipi di impressioni: e. [Impressioni implicite](#implicit-impressions-info) [Impressioni esplicite](#explicit-impressions-info)
### Impressioni esplicite
*Le impressioni esplicite* sono impressioni che registri e invii manualmente ad Amazon Personalize. Usa impressioni esplicite per manipolare i risultati di Amazon Personalize. L'ordine degli articoli non ha alcun impatto.
Ad esempio, potresti avere un'applicazione per lo shopping che fornisce consigli per le scarpe. Se consigli solo scarpe attualmente disponibili, puoi specificare questi articoli utilizzando impressioni esplicite. Il tuo flusso di lavoro di raccomandazione che utilizza impressioni esplicite potrebbe essere il seguente:
1. Richiedi consigli per uno dei tuoi utenti utilizzando l'API Amazon Personalize[GetRecommendations](API_RS_GetRecommendations.md).
1. Amazon Personalize genera consigli per l'utente che utilizza il tuo modello (versione della soluzione) e li restituisce nella risposta dell'API.
1. Mostri all'utente solo le scarpe consigliate e disponibili in magazzino.
1. Per l'importazione incrementale dei dati in tempo reale, quando l'utente interagisce con (ad esempio, facendo clic) con un paio di scarpe, registri la scelta in una chiamata all'[PutEvents](API_UBS_PutEvents.md)API ed elenchi gli articoli consigliati disponibili nel parametro. `impression` Per un esempio di codice, consulta. [Registrazione degli eventi di interazione tra gli elementi con i dati sulle impressioni](putevents-including-impressions-data.md)
Per importare le impressioni nei dati storici sulle interazioni tra elementi, puoi elencare le impressioni esplicite nel tuo file csv e separare ogni elemento con un carattere '\$1'. Il carattere della barra verticale viene conteggiato fino al limite di 1000 caratteri. Per un esempio, consulta [Formattazione di impressioni esplicite](#data-prep-including-explicit-impressions).
1. Amazon Personalize utilizza i dati sulle impressioni per guidare l'esplorazione, mentre le raccomandazioni future includono scarpe nuove con meno interazioni, dati o rilevanza.
#### Formattazione di impressioni esplicite
Per includere impressioni esplicite nel file CSV, aggiungi una colonna IMPRESSION. Per ogni interazione tra elementi, aggiungi un elenco di ItemID separati da una barra verticale, '\$1', carattere. Il carattere a barra verticale viene conteggiato ai fini del limite di 1000 caratteri per i dati sulle impressioni. Se si includono impressioni esplicite durante il [PutEvents](API_UBS_PutEvents.md) funzionamento, si specificano gli elementi in una matrice di stringhe.
Di seguito è riportato un breve estratto da un file CSV che include impressioni esplicite nella colonna. `IMPRESSION`
| EVENT\$1TYPE | IMPRESSIONE | ITEM\$1ID | TIMESTAMP | USER\$1ID |
| --- | --- | --- | --- | --- |
| clicca | 73\$170\$117\$195\$196 | 73 | 1586731606 | UTENTE\$11 |
| clicca | 35\$182\$178\$157\$120\$163\$11\$190\$176\$175\$149\$171\$126\$124\$125\$16 | 35 | 1586735164 | UTENTE\$12 |
| ... | ... | ... | ... | ... |
L'applicazione mostrava `USER_1` gli elementi utente`73`,`70`, `17``95`, `96` e alla fine l'utente ha scelto l'elemento. `73` Quando si crea una nuova versione della soluzione basata su questi dati`70`, gli elementi `17``95`,, `96` verranno consigliati all'utente meno frequentemente`USER_1`.
### Impressioni implicite
*Le impressioni implicite* sono i consigli, recuperati da Amazon Personalize, che mostri all'utente. Non è necessario che il file CSV includa le colonne IMPRESSION o RECOMMENDATION\$1ID per utilizzare le impressioni implicite. Invece, includi `RecommendationId` (restituito da and operations) nelle [GetRecommendations](API_RS_GetRecommendations.md) richieste. [GetPersonalizedRanking](API_RS_GetPersonalizedRanking.md) [PutEvents](API_UBS_PutEvents.md) Amazon Personalize ricava le impressioni implicite in base ai dati delle tue raccomandazioni.
Ad esempio, potresti avere un'applicazione che fornisce consigli per lo streaming di video. Il flusso di lavoro di raccomandazione che utilizza le impressioni implicite potrebbe essere il seguente:
1. Richiedi consigli video per uno dei tuoi utenti utilizzando il funzionamento dell'[GetRecommendations](API_RS_GetRecommendations.md)API Amazon Personalize.
1. Amazon Personalize genera consigli per l'utente che utilizza il tuo modello (versione della soluzione) e li restituisce con una risposta `recommendationId` nell'API.
1. I video consigliati all'utente vengono mostrati nell'applicazione.
1. Quando l'utente interagisce con un video (ad esempio facendo clic), registra la scelta in una chiamata all'[PutEvents](API_UBS_PutEvents.md)API e includila `recommendationId` come parametro. Per un esempio di codice, consulta. [Registrazione degli eventi di interazione tra gli elementi con i dati sulle impressioni](putevents-including-impressions-data.md)
1. Amazon Personalize utilizza il `recommendationId` per ricavare i dati sulle impressioni dai consigli video precedenti, quindi utilizza i dati sulle impressioni per guidare l'esplorazione, laddove i consigli futuri includono nuovi video con meno dati o rilevanza sulle interazioni.
Per ulteriori informazioni sulla registrazione di eventi con dati impliciti sulle impressioni, consulta. [Registrazione degli eventi di interazione tra gli elementi con i dati sulle impressioni](putevents-including-impressions-data.md)
## Esempio di dati sulle interazioni
I seguenti dati sulle interazioni rappresentano l'attività storica degli utenti da un sito Web di streaming video. Puoi utilizzare i dati per addestrare un modello che fornisca consigli sui film basati sui dati di interazione degli utenti. Nota che alcuni valori per EVENT\$1VALUE sono nulli.
```
USER_ID,ITEM_ID,EVENT_TYPE,EVENT_VALUE,TIMESTAMP
196,242,watch,.50,881250949
186,302,watch,.75,891717742
22,377,click,,878887116
244,51,click,,880606923
166,346,watch,.50,886397596
298,474,watch,.25,884182806
115,265,click,,881171488
253,465,watch,.50,891628467
305,451,watch,.75,886324817
```
Amazon Personalize richiede la colonna `USER_ID``ITEM_ID`, e`TIMESTAMP`. `USER_ID`è l'identificatore di un utente della tua applicazione. `ITEM_ID`è l'identificatore di un film. `EVENT_TYPE`e `EVENT_VALUE` sono gli identificatori per le interazioni degli utenti. Nei dati di esempio, gli eventi sono `watch` e `click` gli eventi e i valori sono la percentuale di un video guardato da un utente. `TIMESTAMP`Rappresenta l'epoca Unix in cui è avvenuto l'acquisto del film.
Dopo aver completato la preparazione dei dati, sei pronto per creare un file JSON di schema. Questo file indica ad Amazon Personalize la struttura dei tuoi dati. Per ulteriori informazioni, consulta [Creazione di file JSON di schema per schemi Amazon Personalize](how-it-works-dataset-schema.md). Questo è l'aspetto del file JSON dello schema per i dati di esempio.
```
{
"type": "record",
"name": "Interactions",
"namespace": "com.amazonaws.personalize.schema",
"fields": [
{
"name": "USER_ID",
"type": "string"
},
{
"name": "ITEM_ID",
"type": "string"
},
{ "name": "EVENT_TYPE",
"type": "string"
},
{
"name": "EVENT_VALUE",
"type": "float"
},
{
"name": "TIMESTAMP",
"type": "long"
}
],
"version": "1.0"
}
```
# Preparazione dei metadati degli articoli per la formazione
I metadati degli elementi includono dati numerici e categorici sugli elementi con cui gli utenti interagiscono. Esempi di metadati degli articoli includono data e ora di creazione, prezzo, genere, descrizione e disponibilità. Importi i metadati sui tuoi articoli in un set di dati Amazon *Personalize* Items.
A seconda del caso d'uso del dominio o della ricetta personalizzata, i metadati degli articoli possono aiutare Amazon Personalize a consigliare articoli più pertinenti agli utenti, prevedere con maggiore precisione articoli simili o consigliare segmenti di utenti più significativi. Inoltre, può aiutare Amazon Personalize a inserire nuovi elementi nei consigli. I metadati degli articoli sono obbligatori per alcuni casi d'uso del dominio e facoltativi per tutte le ricette personalizzate. Per ulteriori informazioni, consulta i requisiti in materia di dati per il caso d'uso o la ricetta del dominio in[Adattamento del tuo caso d'uso alle risorse di Amazon Personalize](use-cases-and-recipes.md).
Durante la formazione, Amazon Personalize non utilizza dati di elementi di stringa non categoriali, come titoli degli articoli o dati dell'autore. Tuttavia, l'importazione di questi dati può comunque migliorare i consigli. Per ulteriori informazioni, consulta [Dati di stringa non categoriali](#item-string-data).
Il numero massimo di articoli che Amazon Personalize considera durante la formazione dipende dal caso d'uso o dalla ricetta. Nei consigli possono comparire solo gli elementi considerati durante l'allenamento.
+ Per User-Personalization-v 2 o Personalized-Ranking-v 2, il numero massimo di elementi considerati da un modello durante l'allenamento è di 5 milioni. Questi elementi provengono sia dal set di dati Items che Item interaction.
+ Per tutti i casi d'uso del dominio e le ricette personalizzate diverse da User-Personalization-v 2 e Personalized-Ranking-v 2, il numero massimo di elementi considerati da un modello durante l'addestramento e la generazione dei consigli è 750.000.
Per tutti i casi d'uso del dominio e le ricette personalizzate, i dati degli articoli in blocco devono essere contenuti in un file CSV. Ogni riga del file deve rappresentare un elemento unico. Dopo aver completato la preparazione dei dati, sei pronto per creare un file JSON di schema. Questo file indica ad Amazon Personalize la struttura dei tuoi dati. Per ulteriori informazioni, consulta [Creazione di file JSON di schema per schemi Amazon Personalize](how-it-works-dataset-schema.md).
Le seguenti sezioni forniscono ulteriori informazioni su come preparare i metadati degli articoli per Amazon Personalize. Per le linee guida sul formato dei dati in blocco per tutti i tipi di dati, consulta le linee guida sul formato dei dati in [blocco](preparing-training-data.md#general-formatting-guidelines)
**Topics**
+ [Requisiti in materia di dati](#item-data-requirements)
+ [Dati relativi al timestamp di creazione](#creation-timestamp-data)
+ [Metadati categoriali](#item-categorical-data)
+ [Metadati di testo non strutturati](#text-data)
+ [Dati numerici](#item-numerical-data)
+ [Dati di stringa non categoriali](#item-string-data)
+ [Esempio di metadati degli elementi](#items-data-example)
## Requisiti in materia di dati
Di seguito sono riportati i requisiti relativi ai metadati degli articoli per Amazon Personalize.
Se non sei sicuro di disporre di dati sufficienti o se hai domande sulla loro qualità, puoi importare i dati in un set di dati Amazon Personalize e utilizzare Amazon Personalize per analizzarli. Per ulteriori informazioni, consulta [Analisi della qualità e della quantità di dati nei set di dati di Amazon Personalize](analyzing-data.md).
+ Per tutti i casi d'uso del dominio e le ricette personalizzate, devi disporre di una colonna ITEM\$1ID che memorizzi l'identificatore univoco per ogni articolo. Ogni articolo deve avere un ID articolo. Deve essere un `string` con una lunghezza massima di 256 caratteri.
+ Per le ricette personalizzate, i dati devono avere almeno una stringa categorica o una colonna di metadati numerici. Le colonne di metadati degli elementi possono includere valori. empty/null È consigliabile che queste colonne siano complete almeno al 70%.
+ Per i casi d'uso del dominio, le colonne richieste dipendono dal dominio. Per ulteriori informazioni, consulta [Requisiti del dominio VIDEO\$1ON\$1DEMAND](#vod-item-data-req) o [Requisiti del dominio E-COMMERCE](#retail-item-data-req).
+ Il numero massimo di colonne di metadati è 100.
### Requisiti del dominio VIDEO\$1ON\$1DEMAND
I metadati di un elemento sono necessari per alcuni casi d'uso (vedi). [Casi d'uso VIDEO\$1ON\$1DEMAND](VIDEO_ON_DEMAND-use-cases.md) Se facoltativo, consigliamo comunque di importare i metadati degli elementi per ottenere i consigli più pertinenti. Se importi i metadati degli articoli, i dati devono includere le seguenti colonne:
+ ITEM\$1ID
+ GENERI (categorico) `string`
+ CREATION\$1TIMESTAMP (nel formato Unix Epoch Time)
Di seguito sono elencate le colonne consigliate aggiuntive e i relativi tipi richiesti. Il `null` tipo indica che la colonna può avere valori mancanti. È consigliabile che queste colonne siano complete almeno al 70 percento. L'inclusione di queste colonne può migliorare i consigli.
+ PREZZO (variabile)
+ DURATA (float)
+ GENRE\$1L2 (categorico,) `string` `null`
+ GENERE\$1L3 (categorico,) `string` `null`
+ VALUTAZIONE\$1MEDIA `float` (`null`,)
+ DESCRIZIONE DEL PRODOTTO (TESTUALE,) `string` `null`
+ CONTENT\$1OWNER (categorico`string`,`null`): la società proprietaria del video. Ad esempio, i valori potrebbero essere HBO, Paramount e NBC.
+ CONTENT\$1CLASSIFICATION (categorico`string`,`null`): la classificazione del contenuto. Ad esempio, i valori potrebbero essere G, PG, PG-13, R, NC-17 e non classificati.
### Requisiti del dominio E-COMMERCE
I metadati degli articoli sono facoltativi per tutti i casi d'uso dell'e-commerce. Se disponi di dati sugli articoli, ti consigliamo di importarli per ottenere i consigli più pertinenti. Se importi i metadati degli articoli, i dati devono avere le seguenti colonne:
+ ITEM\$1ID
+ PREZZO () `float`
+ CATEGORY\$1L1 (categorico`string`): per informazioni sulla formattazione dei dati categoriali, vedere. [Metadati categoriali](#item-categorical-data)
Di seguito sono elencate le colonne consigliate aggiuntive e i relativi tipi obbligatori. Il `null` tipo indica che la colonna può avere valori mancanti. È consigliabile che queste colonne siano complete almeno al 70 percento. L'inclusione di queste colonne può migliorare i consigli.
+ CATEGORY\$1L2 (categorico,) `string` `null`
+ CATEGORY\$1L3 (categorico,) `string` `null`
+ PRODUCT\$1DESCRIPTION (testuale,) `string` `null`
+ CREATION\$1TIMESTAMP () `float`
+ AGE\$1GROUP (categorico`string`,`null`) — La fascia di età a cui è destinato l'articolo. I valori possono essere neonati, lattanti, bambini e adulti.
+ ADULTO (categorico`null`)`string`, - Indica se l'articolo è riservato ai soli adulti, ad esempio per quanto riguarda gli alcolici. I valori possono essere sì o no.
+ GENERE (categorico`string`,`null`): il sesso a cui è destinato l'articolo. I valori possono essere maschili, femminili e unisex.
## Dati relativi al timestamp di creazione
I dati del timestamp di creazione devono essere in formato Unix epoch Time in secondi. Ad esempio, il timestamp Epoch in secondi per la data 31 luglio 2020 è 1596238243. [Per convertire le date in timestamp di epoca Unix, usa un convertitore Epoch - Convertitore di timestamp Unix.](https://www.epochconverter.com)
Amazon Personalize utilizza i dati di data e ora di creazione (in formato Unix epoch time, in secondi) per calcolare l'età di un articolo e modificare i consigli di conseguenza.
Se mancano i dati relativi al timestamp di creazione per uno o più articoli, Amazon Personalize deduce queste informazioni dai dati di interazione, se presenti, e utilizza il timestamp dei dati di interazione più vecchi dell'articolo come timestamp di creazione dell'articolo. Se un elemento non ha dati di interazione, il relativo timestamp di creazione viene impostato come il timestamp dell'ultima interazione nel set di formazione e Amazon Personalize lo considera un nuovo elemento.
## Metadati categoriali
Con determinate ricette e tutti i casi d'uso del dominio, Amazon Personalize utilizza metadati categoriali, come il genere o il colore di un articolo, per identificare i modelli sottostanti che rivelano gli articoli più pertinenti per i tuoi utenti. Definisci il tuo intervallo di valori in base al tuo caso d'uso. I metadati categoriali possono essere in qualsiasi lingua.
Per gli elementi con più categorie, separa ogni valore con la barra verticale '\$1'. Ad esempio, per un campo GENRES, i dati per un elemento potrebbero essere. `Action|Crime|Biopic` Se disponi di più livelli di dati categoriali e alcuni elementi hanno più categorie per ogni livello della gerarchia, usa una colonna separata per ogni livello e aggiungi un indicatore di livello dopo ogni nome di campo: GENRES, GENRE\$1L2, GENRE\$1L3. Ciò consente di filtrare i consigli in base alle sottocategorie, anche se un elemento appartiene a più categorie a più livelli (per informazioni sulla creazione e l'utilizzo dei filtri, consulta). [Suggerimenti di filtraggio e segmenti di utenti](filter.md) Ad esempio, un video potrebbe contenere i seguenti dati per ogni livello di categoria:
+ GENERI: Azione\$1Avventura
+ GENERE\$1L2: Crimine\$1Western
+ GENERE\$1L3: Biopic
In questo esempio, il video si trova nella gerarchia azione > crimine > biopic *e* nella gerarchia avventura > western > biopic. Si consiglia di utilizzare solo fino a L3, ma è possibile utilizzare più livelli se necessario.
I valori categoriali possono contenere un massimo di 1000 caratteri. Se hai un elemento con un valore categorico con più di 1000 caratteri, il processo di importazione del set di dati avrà esito negativo. Consigliamo che le colonne categoriali abbiano al massimo 1000 valori possibili. L'importazione di dati categoriali con più valori può influire negativamente sui consigli. Quanto segue può aiutarti a ridurre il numero di valori possibili per una colonna categorica:
+ Assicurati che i valori seguano una convenzione di denominazione coerente e verifica la presenza di errori di battitura. Ad esempio, usa «Scarpe da uomo» anziché avere un mix di «Scarpe da uomo», «Scarpe da uomo» e «Calzature da uomo».
+ Consolida categorie simili che utilizzano termini leggermente diversi che si riferiscono alla stessa categoria sottostante, come «Scarpe» e «scarpe da ginnastica».
+ Se i tuoi dati hanno una struttura gerarchica, in cui le categorie più ampie (come «Calzature») contengono sottocategorie più specifiche (come «Scarpe da uomo», «Scarpe da donna», «Scarpe per bambini»), utilizza una colonna separata per ogni livello e aggiungi un indicatore di livello dopo ogni nome di campo. Ad esempio, CATEGORY\$11, CATEGORY\$12 e CATEGORY\$13. Ciò può ridurre le categorie ambigue o sovrapposte.
Con tutte le ricette e i domini, puoi importare dati categoriali e utilizzarli per filtrare i consigli in base agli attributi di un articolo. Per informazioni sui consigli di filtraggio, consulta. [Suggerimenti di filtraggio e segmenti di utenti](filter.md)
## Metadati di testo non strutturati
Con determinate ricette e domini, Amazon Personalize può estrarre informazioni significative da metadati di testo non strutturati, come descrizioni dei prodotti, recensioni di prodotti o sinossi di film. Amazon Personalize utilizza testo non strutturato per identificare gli elementi pertinenti per gli utenti, in particolare quando gli articoli sono nuovi o hanno meno dati sulle interazioni. Puoi aggiungere al massimo 1 campo testuale. Includi dati di testo non strutturati nel set di dati Items per aumentare le percentuali di clic e le percentuali di conversazione per i nuovi articoli del catalogo.
Quando prepari i metadati di testo non strutturati, raccogli il testo tra virgolette doppie e rimuovi i nuovi caratteri di riga. Usa il `\` carattere per evitare le virgolette doppie o i caratteri\$1 nei tuoi dati. Amazon Personalize tronca i campi di testo al limite di caratteri. Assicurati che le informazioni più pertinenti nel testo si trovino all'inizio del campo.
I valori di testo non strutturati possono contenere al massimo 20.000 caratteri in tutte le lingue tranne il cinese e il giapponese. Per il cinese e il giapponese, puoi avere al massimo 7.000 caratteri. Amazon Personalize tronca i valori che superano il limite di caratteri al limite di caratteri.
Puoi inviare elementi di testo non strutturati in più lingue, ma il testo di ogni elemento deve essere in una sola lingua. Il testo può essere nelle seguenti lingue:
+ Cinese (semplificato)
+ Cinese (tradizionale)
+ Italiano
+ Francese
+ Tedesco
+ Giapponese
+ Portoghese
+ Spagnolo
## Dati numerici
Amazon Personalize può utilizzare i metadati numerici degli articoli, come il prezzo o la durata del video, per generare consigli più pertinenti per gli utenti. Questi dati numerici possono essere rappresentati come numeri interi o valori decimali.
Se utilizzi le ricette [Personalizzazione dell'utente](native-recipe-new-item-USER_PERSONALIZATION.md) o le ricette [Personalized-Ranking](native-recipe-search.md) personalizzate, puoi ottimizzare una soluzione Amazon Personalize per un obiettivo relativo ai metadati degli articoli oltre alla massima pertinenza, come la massimizzazione delle entrate. Quando configuri la tua soluzione, scegli la colonna di metadati numerici nel set di dati Items correlata al tuo obiettivo. Ad esempio, puoi scegliere una colonna VIDEO\$1LENGTH per massimizzare i minuti di streaming o una colonna PRICE per massimizzare le entrate.
Per ulteriori informazioni, consulta [Ottimizzazione di una soluzione per un obiettivo aggiuntivo](optimizing-solution-for-objective.md).
## Dati di stringa non categoriali
Ad eccezione dell'articolo IDs, Amazon Personalize non utilizza dati di stringa non testuali non categoriali durante la formazione, come i titoli degli articoli o i dati degli autori. Tuttavia, Amazon Personalize può utilizzarlo con le seguenti funzionalità. I valori non categoriali possono contenere un massimo di 1000 caratteri.
+ Amazon Personalize può includere i metadati degli articoli nei consigli, inclusi valori di stringa non categoriali. Puoi utilizzare i metadati per arricchire i consigli nella tua interfaccia utente, ad esempio aggiungere il nome del regista a un carosello di consigli sui film. Per ulteriori informazioni, consulta [Metadati degli articoli nei consigli](campaigns.md#create-campaign-return-metadata).
+ Se lo utilizzi[Oggetti simili](native-recipe-similar-items.md), puoi generare consigli in batch con temi. Quando si generano consigli in batch con temi, è necessario specificare una colonna con il nome dell'elemento nel processo di inferenza in batch. Per ulteriori informazioni, consulta [Suggerimenti per i batch con temi di Content Generator](themed-batch-recommendations.md).
+ È possibile creare filtri per includere o rimuovere elementi dai consigli in base a dati di stringa non categoriali. Per ulteriori informazioni sui filtri, consultare [Suggerimenti di filtraggio e segmenti di utenti](filter.md).
## Esempio di metadati degli elementi
Le prime righe di metadati dei film in un file CSV potrebbero essere simili alle seguenti.
```
ITEM_ID,GENRES,CREATION_TIMESTAMP,DESCRIPTION
1,Adventure|Animation|Children|Comedy|Fantasy,1570003267,"This is an animated movie that features action, comedy, and fantasy. Audience is children. This movie was released in 2004."
2,Adventure|Children|Fantasy,1571730101,"This is an adventure movie with elements of fantasy. Audience is children. This movie was release in 2010."
3,Comedy|Romance,1560515629,"This is a romantic comedy. The movie was released in 1999. Audience is young women."
4,Comedy|Drama|Romance,1581670067,"This movie includes elements of both comedy and drama as well as romance. This movie was released in 2020."
...
...
```
La `ITEM_ID` colonna è obbligatoria e contiene identificatori univoci per ogni singolo articolo. La `GENRE` colonna memorizza i metadati categorici per ogni film e la `DESCRIPTION` colonna è costituita da metadati testuali non strutturati. La `CREATION_TIMESTAMP` colonna memorizza l'ora di creazione di ogni elemento nel formato Unix Epoch Time in secondi.
Dopo aver completato la preparazione dei dati, sei pronto per creare un file JSON di schema. Questo file indica ad Amazon Personalize la struttura dei tuoi dati. Per ulteriori informazioni, consulta [Creazione di file JSON di schema per schemi Amazon Personalize](how-it-works-dataset-schema.md). Questo è l'aspetto del file JSON dello schema per i dati di esempio sopra riportati.
```
{
"type": "record",
"name": "Items",
"namespace": "com.amazonaws.personalize.schema",
"fields": [
{
"name": "ITEM_ID",
"type": "string"
},
{
"name": "GENRES",
"type": [
"null",
"string"
],
"categorical": true
},
{
"name": "CREATION_TIMESTAMP",
"type": "long"
},
{
"name": "DESCRIPTION",
"type": [
"null",
"string"
],
"textual": true
}
],
"version": "1.0"
}
```
# Preparazione dei metadati utente per la formazione
I dati utente che puoi importare in Amazon Personalize includono dati numerici, come l'età dell'utente, e metadati categoriali, come il sesso o l'iscrizione al programma fedeltà. Importi i metadati sui tuoi utenti in un set di dati Amazon *Personalize Users*.
A seconda del caso d'uso del dominio o della ricetta personalizzata, i metadati utente possono aiutare Amazon Personalize a consigliare articoli più pertinenti agli utenti o a consigliare segmenti di utenti più significativi. E dopo l'addestramento, può aiutare il tuo modello a consigliare elementi per gli utenti senza dati sulle interazioni. Per ulteriori informazioni su quali casi d'uso o ricette utilizzano i metadati degli utenti, consulta i requisiti in materia di dati per il caso d'uso o la ricetta del dominio in[Adattamento del tuo caso d'uso alle risorse di Amazon Personalize](use-cases-and-recipes.md).
Durante la formazione, Amazon Personalize non utilizza stringhe di dati utente non categoriali, come nomi utente, parole chiave sull'utente o tag. Tuttavia, l'importazione di questi dati può comunque migliorare i consigli. Per ulteriori informazioni, consulta [Dati di stringa non categoriali](#user-string-data).
Per tutti i casi d'uso del dominio e le ricette personalizzate, i dati utente in blocco devono essere contenuti in un file CSV. Ogni riga del file deve rappresentare un utente unico. Dopo aver completato la preparazione dei dati, sei pronto per creare un file JSON di schema. Questo file indica ad Amazon Personalize la struttura dei tuoi dati. Per ulteriori informazioni, consulta [Creazione di file JSON di schema per schemi Amazon Personalize](how-it-works-dataset-schema.md).
Le seguenti sezioni forniscono ulteriori informazioni su come preparare i dati utente per Amazon Personalize. Per le linee guida sul formato dei dati in blocco per tutti i tipi di dati, consulta le linee guida sul formato dei dati in [blocco](preparing-training-data.md#general-formatting-guidelines)
**Topics**
+ [Requisiti relativi ai dati utente](#user-data-requirements)
+ [Metadati categoriali](#user-categorical-data)
+ [Dati di stringa non categoriali](#user-string-data)
+ [Esempio di metadati per gli utenti](#users-data-example)
## Requisiti relativi ai dati utente
Di seguito sono riportati i requisiti relativi ai dati utente per Amazon Personalize. Sei libero di aggiungere colonne personalizzate aggiuntive a seconda del tuo caso d'uso e dei tuoi dati.
+ I tuoi dati devono avere una colonna USER\$1ID che memorizza l'identificatore univoco per ogni utente. Ogni utente deve avere un ID utente. Deve essere un `string` con una lunghezza massima di 256 caratteri.
+ I dati devono avere almeno una stringa categorica o una colonna di metadati numerici. Le colonne dei metadati utente possono includere empty/null valori per alcuni utenti. È consigliabile che queste colonne siano complete almeno al 70%.
+ Il numero massimo di colonne di metadati è 25.
Se non sei sicuro di disporre di dati sufficienti o se hai domande sulla loro qualità, puoi importare i dati in un set di dati Amazon Personalize e utilizzare Amazon Personalize per analizzarli. Per ulteriori informazioni, consulta [Analisi della qualità e della quantità di dati nei set di dati di Amazon Personalize](analyzing-data.md).
## Metadati categoriali
Con alcune ricette e tutti i casi d'uso del dominio, Amazon Personalize utilizza metadati categoriali, come il sesso, gli interessi o lo stato di iscrizione dell'utente, per identificare i modelli sottostanti che rivelano gli elementi più pertinenti per i tuoi utenti. Puoi definire il tuo intervallo di valori in base al tuo caso d'uso. I metadati categoriali possono essere in qualsiasi lingua.
Per gli utenti con più categorie, separa ogni valore con la barra verticale '\$1'. Ad esempio, per un campo INTERESSI, i tuoi dati per un utente potrebbero essere. `Movies|TV Shows|Music`
Con tutte le ricette e i domini, puoi importare metadati categorici e utilizzarli per filtrare i consigli in base agli attributi di un utente. Per informazioni sui consigli di filtraggio, consulta. [Suggerimenti di filtraggio e segmenti di utenti](filter.md)
I valori categoriali possono contenere al massimo 1000 caratteri. Se hai un utente con un valore categorico con più di 1000 caratteri, il processo di importazione del set di dati avrà esito negativo.
## Dati di stringa non categoriali
Ad eccezione dell'utente IDs, Amazon Personalize non utilizza dati di stringa non categoriali durante la formazione, come nomi utente, parole chiave sull'utente o tag. Tuttavia, Amazon Personalize può utilizzarlo per filtrare i consigli. Puoi creare filtri per includere o rimuovere elementi dai consigli in base a stringhe di dati non categoriali relativi all'utente per il quale stai ricevendo i consigli. CurrentUser Per ulteriori informazioni sui filtri, consultare [Suggerimenti di filtraggio e segmenti di utenti](filter.md). I valori non categoriali possono contenere un massimo di 1000 caratteri.
## Esempio di metadati per gli utenti
Le prime righe di metadati utente in un file CSV potrebbero essere simili alle seguenti.
```
USER_ID,AGE,GENDER,INTEREST
5,34,Male,hiking
6,56,Female,music
8,65,Male,movies|TV shows|music
...
...
```
La `USER_ID` colonna è obbligatoria e memorizza identificatori univoci per ogni singolo utente. La `AGE` colonna è costituita da metadati numerici. Le `INTEREST` colonne `GENDER` e memorizzano i metadati categorici per ogni utente.
Dopo aver completato la preparazione dei dati, sei pronto per creare un file JSON di schema. Questo file indica ad Amazon Personalize la struttura dei tuoi dati. Per ulteriori informazioni, consulta [Creazione di file JSON di schema per schemi Amazon Personalize](how-it-works-dataset-schema.md). Questo è l'aspetto del file JSON dello schema per i dati di esempio sopra riportati.
```
{
"type": "record",
"name": "Users",
"namespace": "com.amazonaws.personalize.schema",
"fields": [
{
"name": "USER_ID",
"type": "string"
},
{
"name": "AGE",
"type": "int"
},
{
"name": "GENDER",
"type": "string",
"categorical": true
},
{
"name": "INTEREST",
"type": "string",
"categorical": true
}
],
"version": "1.0"
}
```
# Preparazione dei metadati delle azioni per la formazione
Un'*azione* è un'attività di coinvolgimento o di generazione di entrate che potresti consigliare ai tuoi utenti. Le azioni possono includere l'installazione dell'app per dispositivi mobili, il completamento di un profilo di iscrizione, l'iscrizione al programma fedeltà o l'iscrizione a e-mail promozionali. Importi i dati sulle tue azioni in un set di dati Amazon Personalize *Actions*. Esempi di dati per un'azione includono un ID univoco per l'azione, il valore stimato dell'azione o il timestamp di scadenza dell'azione.
Se utilizzi [Next-Best-Action, devi importare i metadati dell'azione](native-recipe-next-best-action.md). Con questa ricetta, Amazon Personalize prevede la migliore azione successiva tra le azioni importate nel set di dati Actions. Nessun'altra ricetta o caso d'uso utilizza metadati di azione. Non è possibile creare un set di dati Actions in un gruppo di set di dati di dominio.
Durante la formazione, Amazon Personalize non utilizza dati di azioni su stringhe non categoriali, come titoli o tag di azioni. Tuttavia, l'importazione di questi dati può comunque migliorare i consigli. Per ulteriori informazioni, consulta [Dati di stringa non categoriali](#action-string-data).
I dati relativi alle azioni collettive devono essere contenuti in un file CSV. Ogni riga del file deve rappresentare un'azione unica. Dopo aver completato la preparazione dei dati, sei pronto per creare un file JSON di schema. Questo file indica ad Amazon Personalize la struttura dei tuoi dati. Per ulteriori informazioni, consulta [Creazione di file JSON di schema per schemi Amazon Personalize](how-it-works-dataset-schema.md).
Le seguenti sezioni forniscono ulteriori informazioni su come preparare i metadati delle azioni per Amazon Personalize. Per le linee guida sul formato dei dati in blocco per tutti i tipi di dati, consulta le linee guida sul formato dei dati in [blocco](preparing-training-data.md#general-formatting-guidelines)
**Topics**
+ [Requisiti relativi ai dati relativi](#action-data-requirements)
+ [Dati relativi al timestamp di scadenza dell'azione](#action-expiration-timestamp-data)
+ [Ripeti i dati sulla frequenza](#action-repeat-frequency)
+ [Value data (Dati valore)](#action-value-data)
+ [Data e ora di creazione](#action-creation-timestamp-data)
+ [Metadati categorici](#action-categorical-data)
+ [Dati di stringa non categoriali](#action-string-data)
+ [Esempio di metadati sulle azioni](#actions-data-example)
## Requisiti relativi ai dati relativi
Di seguito sono riportati i requisiti relativi ai dati di azione per Amazon Personalize.
+ È necessario disporre di una colonna ACTION\$1ID che memorizzi l'identificatore univoco per ogni azione. Ogni azione deve avere un ID articolo. Deve essere un `string` con una lunghezza massima di 256 caratteri.
+ I dati devono avere almeno una stringa categorica o una colonna di metadati numerici. Le colonne di metadati delle azioni possono includere valori. empty/null È consigliabile che queste colonne siano complete almeno al 70%.
+ Durante la formazione dei modelli, Amazon Personalize considera un massimo di 1000 azioni. Se importi più di 1000 azioni, Amazon Personalize decide quali azioni includere nella formazione, dando priorità alle nuove azioni (azioni che hai aggiunto di recente senza interazioni) e alle azioni esistenti con dati sulle interazioni recenti.
+ Il numero massimo di colonne è 10.
## Dati relativi al timestamp di scadenza dell'azione
Un timestamp di scadenza dell'azione specifica la data in cui un'azione non è più valida. Fornisci i dati del timestamp di scadenza dell'azione nel formato Unix Epoch Time, in secondi. Se un'azione è scaduta, Amazon Personalize non la includerà nei consigli.
Specificate un timestamp di scadenza per le azioni se desiderate limitarne la visualizzazione nei consigli a un determinato periodo di tempo. Ad esempio, potresti avere un'applicazione che esegue una richiesta di iscrizione per un determinato mese. Potresti impostare un timestamp di scadenza per l'azione di *iscrizione* per la fine di quel mese. Amazon Personalize smette automaticamente di consigliare questa azione quando viene raggiunta questa data.
Se imposti il timestamp di scadenza su un periodo passato per una nuova azione o se aggiorni il timestamp di un'azione a un periodo passato, possono essere necessarie fino a 2 ore per rimuovere l'azione dai consigli.
## Ripeti i dati sulla frequenza
I dati sulla frequenza di ripetizione specificano quanti giorni Amazon Personalize deve attendere per consigliare una particolare azione dopo che un utente ha interagito con essa, in base alla cronologia dell'utente nel set di dati sulle interazioni Action. Specifichi la frequenza di ripetizione di un'azione in giorni, con un massimo di 30.
Ad esempio, potresti avere un'applicazione di e-commerce in cui ogni utente crea un account e un profilo. Se hai un'`complete profile`azione e desideri attendere una settimana dopo l'interazione di un utente prima di consigliarla nuovamente, devi specificare 7 giorni come azione. `REPEAT_FREQENCY` Dopo 7 giorni, Amazon Personalize inizia a prendere in considerazione l'azione per i consigli.
Se non fornisci una frequenza di ripetizione per un'azione, Amazon Personalize non stabilirà alcun limite al numero di volte in cui l'azione viene visualizzata nei consigli.
## Value data (Dati valore)
I dati di valore sono il valore o l'importanza aziendale di ogni azione. L'azione `value` può essere compresa tra 1 e 10, dove 10 è l'azione più preziosa nel set di dati.
Ad esempio, potresti disporre di due azioni, una per l'iscrizione all'abbonamento di base e l'altra per l'iscrizione al servizio premium. Per il servizio di base, è possibile specificare un valore di `5` e per il servizio premium, un valore di. `10`
Amazon Personalize utilizza i dati di valore come input per determinare l'azione migliore da consigliare ai tuoi utenti. Ad esempio, se un utente ha la stessa probabilità di intraprendere un'azione o un'altra, Amazon Personalize classifica l'azione con il valore più alto più in alto nei consigli.
## Data e ora di creazione
Amazon Personalize utilizza i dati di data e ora di creazione (in formato Unix epoch time, in secondi) per calcolare la durata di un'azione e modificare i consigli di conseguenza.
Se non disponi di dati relativi al timestamp di creazione, Amazon Personalize deduce queste informazioni da qualsiasi dato di interazione delle azioni. Utilizza il timestamp dei dati di interazione più vecchi dell'azione come timestamp di creazione dell'azione. Se un'azione non ha dati di interazione, il relativo timestamp di creazione viene impostato come il timestamp dell'ultima interazione nel set di formazione e Amazon Personalize la considera una nuova azione.
## Metadati categorici
Amazon Personalize utilizza metadati categorici sulle azioni, come la stagionalità o l'esclusività delle azioni, per identificare i modelli sottostanti che rivelano le azioni migliori per i tuoi utenti. Puoi definire il tuo intervallo di valori in base al tuo caso d'uso. I metadati categoriali possono essere in qualsiasi lingua.
Puoi importare dati categoriali e utilizzarli per filtrare i consigli in base agli attributi di un'azione. Per informazioni sui consigli di filtraggio, consulta. [Suggerimenti di filtraggio e segmenti di utenti](filter.md)
I valori categoriali possono contenere un massimo di 1000 caratteri. Se hai un'azione con un valore categorico con più di 1000 caratteri, il processo di importazione del set di dati avrà esito negativo.
## Dati di stringa non categoriali
Ad eccezione dell'azione IDs, Amazon Personalize non utilizza dati di stringa non categoriali durante l'addestramento, come il nome di un'azione, le parole chiave relative all'azione o i tag. Tuttavia, Amazon Personalize può utilizzarlo per filtrare i consigli. Puoi creare filtri per includere o rimuovere azioni dai consigli in base a stringhe di dati non categoriali. Per ulteriori informazioni sui filtri, consultare [Suggerimenti di filtraggio e segmenti di utenti](filter.md). I valori non categoriali possono contenere un massimo di 1000 caratteri.
## Esempio di metadati sulle azioni
Le prime righe di metadati di azione in un file CSV potrebbero essere simili alle seguenti.
```
ACTION_ID,VALUE,MEMBERSHIP_LEVEL,CREATION_TIMESTAMP,REPEAT_FREQUENCY
1,10,Deluxe|Premium,1510003267,7
2,5,Basic,1580003267,7
3,5,Preview,1590003267,3
4,10,Deluxe|Platinum,1560003267,4
...
...
```
La colonna `ACTION_ID` è obbligatoria. La `MEMBERSHIP_LEVEL` colonna è un campo di stringa categorico. I `REPEAT_FREQUENCY` campi `VALUE``CREATION_TIMESTAMP`, e sono parole chiave riservate con i tipi obbligatori.
Dopo aver completato la preparazione dei dati, sei pronto per creare un file JSON di schema. Questo file indica ad Amazon Personalize la struttura dei tuoi dati. Per ulteriori informazioni, consulta [Creazione di file JSON di schema per schemi Amazon Personalize](how-it-works-dataset-schema.md). Questo è l'aspetto del file JSON dello schema per i dati di esempio sopra riportati.
```
{
"type": "record",
"name": "Actions",
"namespace": "com.amazonaws.personalize.schema",
"fields": [
{
"name": "ACTION_ID",
"type": "string"
},
{
"name": "VALUE",
"type": [
"null",
"long"
]
},
{
"name": "MEMBERSHIP_LEVEL",
"type": [
"null",
"string"
],
"categorical": true
},
{
"name": "CREATION_TIMESTAMP",
"type": "long"
},
{
"name": "REPEAT_FREQUENCY",
"type": [
"long",
"null"
]
}
],
"version": "1.0"
}
```
# Preparazione dei dati di interazione delle azioni per l'allenamento
Se utilizzi la ricetta personalizzata [Next-Best-Action](native-recipe-next-best-action.md), Amazon Personalize utilizza i dati sulle interazioni tra azioni per identificare l'interesse degli utenti e prevedere le azioni che probabilmente intraprenderanno. [Un'*interazione d'azione è un'interazione* che coinvolge un utente e un'azione nel set di dati Actions.](actions-datasets.md) Ad esempio, se nel set di dati Actions è presente un'azione di *registrazione* e un utente esegue questa azione, è necessario registrare l'ID dell'utente, l'ID dell'azione, il timestamp e, per il tipo di evento, il record. `TAKEN`
Importi le interazioni di azione in un set di dati sulle *interazioni di Amazon Personalize Action*. Puoi importare eventi di interazione tra azioni in blocco con un processo di importazione di set di dati oppure puoi trasmetterli in streaming in tempo reale con l'operazione API. [PutActionInteractions](API_UBS_PutActionInteractions.md) Non puoi creare le prossime risorse di azione migliori, inclusi i set di dati Actions e Action Interactions, in un gruppo di set di dati di dominio.
I dati delle interazioni relative alle azioni di massa devono essere contenuti in un file CSV. Ogni riga del file deve rappresentare un'interazione unica tra un utente e un'azione. Dopo aver completato la preparazione dei dati, sei pronto per creare un file JSON di schema. Questo file indica ad Amazon Personalize la struttura dei tuoi dati. Per ulteriori informazioni, consulta [Creazione di file JSON di schema per schemi Amazon Personalize](how-it-works-dataset-schema.md).
Le seguenti sezioni forniscono ulteriori informazioni su come preparare i dati di interazione delle azioni per Amazon Personalize. Per le linee guida sul formato dei dati in blocco per tutti i tipi di dati, consulta le linee guida sul formato [dei dati in blocco](preparing-training-data.md#general-formatting-guidelines).
**Topics**
+ [Azione, interazione, dati, requisiti.](#action-interaction-requirements)
+ [Dati sul tipo di evento](#action-interaction-event-type-data)
+ [Esempio di dati sulle interazioni tra azioni](#action-interactions-data-schema-example)
## Azione, interazione, dati, requisiti.
Non esiste un requisito minimo per i dati sulle interazioni di azione. Ti consigliamo di importarli per consigli sulle azioni di qualità. Se non disponi di dati sulle interazioni Action, puoi creare un set di dati sulle interazioni Action vuoto e registrare le interazioni dei tuoi clienti con le azioni utilizzando l'operazione [PutActionInteractions](API_UBS_PutActionInteractions.md) API.
I dati sulle interazioni di azione devono contenere almeno le seguenti colonne. Sei libero di aggiungere colonne personalizzate aggiuntive a seconda del tuo caso d'uso e dei tuoi dati.
+ USER\$1ID: l'identificatore univoco dell'utente che ha interagito con l'elemento. Ogni evento deve avere un USER\$1ID. Deve essere un `string` con una lunghezza massima di 256 caratteri.
+ ACTION\$1ID — L'identificatore univoco dell'elemento con cui l'utente ha interagito. Ogni evento deve avere un ID articolo. Deve essere un `string` con una lunghezza massima di 256 caratteri.
+ TIMESTAMP — L'ora in cui si è verificato l'evento (nel formato Unix Epoch Time in secondi). Ogni interazione di azione deve avere un TIMESTAMP. Per ulteriori informazioni, consulta [Dati relativi al timestamp](interactions-datasets.md#timestamp-data).
+ EVENT\$1TYPE: indica se l'azione è stata eseguita, non eseguita o visualizzata. Ogni interazione di azione deve avere un tipo di evento. Per ulteriori informazioni, consulta [Dati sul tipo di evento](#action-interaction-event-type-data).
Fino a quando non importi i dati di interazione delle azioni, Amazon Personalize consiglia azioni senza personalizzazione e i punteggi di propensione sono 0,0. Un'azione avrà un punteggio dopo che l'azione avrà il seguente punteggio:
+ Almeno 50 interazioni d'azione con il tipo di evento TAKEN.
+ Almeno 50 interazioni di azione con il tipo di evento NOT\$1TAKEN o VIEWED.
Queste interazioni di azione devono essere presenti al corso di formazione sulla versione più recente della soluzione e devono avvenire entro un periodo di 6 settimane dall'ultimo timestamp di interazione nel set di dati sulle interazioni Action.
## Dati sul tipo di evento
Amazon Personalize può utilizzare modelli nei dati relativi ai tipi di evento per identificare le azioni più probabili che gli utenti intraprenderanno. Ad esempio, se un cliente ignora spesso un'azione di sottoscrizione e-mail (indicata con il tipo di evento NOT\$1TAKEN), Amazon Personalize potrebbe modificare i consigli per includere meno azioni di questo tipo.
Puoi utilizzare solo i seguenti tipi di eventi per gli eventi di interazione con azioni. Amazon Personalize utilizza questi eventi per conoscere il tuo utente e calcolare le azioni successive da consigliare.
+ Intervenuto: registra gli eventi *intrapresi* quando un utente esegue un'azione consigliata.
+ Non eseguito: registra gli eventi *Non eseguiti* quando l'utente sceglie deliberatamente di non intraprendere l'azione dopo averli visualizzati. Ad esempio, se scelgono *No* quando mostri loro l'azione. Gli eventi *Not Taked* possono indicare che il cliente non è interessato all'azione.
+ Visualizzato: registra gli eventi *visualizzati* quando mostri a un utente un'azione prima che decida se intraprendere o meno un'azione. Amazon Personalize utilizza *View* events per conoscere gli interessi dei tuoi utenti. Ad esempio, se un utente visualizza un'azione ma non la esegue, potrebbe non essere interessato a questa azione in futuro.
## Esempio di dati sulle interazioni tra azioni
Le prime righe di un file CSV con i dati di interazione delle azioni e tutte le colonne obbligatorie potrebbero avere il seguente aspetto.
```
USER_ID,ACTION_ID,EVENT_TYPE,TIMESTAMP
35,73,Viewed,1586731606
54,35,Not taken,1586731609
9,33,Viewed,1586735158
23,10,Taken,1586735697
27,11,Taken,1586735763
...
...
```
Dopo aver completato la preparazione dei dati, sei pronto per creare un file JSON di schema. Questo file indica ad Amazon Personalize la struttura dei tuoi dati. Per ulteriori informazioni, consulta [Creazione di file JSON di schema per schemi Amazon Personalize](how-it-works-dataset-schema.md). Questo è l'aspetto del file JSON dello schema per i dati di esempio sopra riportati.
```
{
"type": "record",
"name": "ActionInteractions",
"namespace": "com.amazonaws.personalize.schema",
"fields": [
{
"name": "USER_ID",
"type": "string"
},
{
"name": "ACTION_ID",
"type": "string"
},
{
"name": "EVENT_TYPE",
"type": "string"
},
{
"name": "TIMESTAMP",
"type": "long"
}
],
"version": "1.0"
}
```