As traduções são geradas por tradução automática. Em caso de conflito entre o conteúdo da tradução e da versão original em inglês, a versão em inglês prevalecerá.
# Como o Amazon Personalize funciona
O Amazon Personalize usa seus dados para treinar modelos de recomendação baseados em domínio ou personalizáveis. Você usa uma API de recomendação privada na sua aplicação para solicitar recomendações em tempo real. O Amazon Personalize também oferece suporte a fluxos de trabalho em lote para obter recomendações de itens e segmentos de usuários.
![\[Mostra o fluxo de trabalho do Amazon Personalize, desde a importação de dados e treinamento de modelo até a obtenção de recomendações.\]](http://docs.aws.amazon.com/pt_br/personalize/latest/dg/images/how-it-works.png)
**Topics**
+ [Detalhes do fluxo de trabalho do Amazon Personalize](personalize-workflow.md)
+ [Termos do Amazon Personalize](terms.md)
+ [Tipos de dados que o Amazon Personalize pode usar](datasets.md)
# Detalhes do fluxo de trabalho do Amazon Personalize
Confira a seguir o fluxo de trabalho do Amazon Personalize. Para ver uma lista de verificação com os recursos, requisitos e orientações sobre dados do Amazon Personalize, consulte [Lista de verificação de prontidão](readiness-checklist.md).
1. **[Combine seu caso de uso com os recursos do Amazon Personalize](use-cases-and-recipes.md)**: o Amazon Personalize oferece recursos com base no domínio e recursos personalizados configurados para casos diferentes. Ao combinar seu caso de uso com um recurso Amazon Personalize, observe seus requisitos de dados. Depois que você escolher um caso de uso ou uma fórmula, essas informações poderão ajudar na preparação dos dados.
1. **[Prepare seus dados de treinamento](preparing-training-data.md)**: com base no caso de uso do seu domínio ou nos requisitos de dados da fórmula personalizada, prepare seus dados de treinamento em massa em um arquivo CSV. Dependendo do seu caso de uso ou fórmula, o Amazon Personalize pode usar dados de itens, usuários, ações e interações com ações. Se você não tiver dados em massa, poderá usar operações de importação individuais para coletar dados e transmitir eventos até atender aos requisitos de treinamento do Amazon Personalize e aos requisitos de dados do seu caso de uso ou fórmula de domínio.
1. **[Crie arquivos JSON de esquema para seus dados](how-it-works-dataset-schema.md)**: crie arquivos JSON de esquema para cada tipo de dados que você está importando. Esses arquivos descrevem a estrutura e o conteúdo dos seus dados, incluindo nomes de colunas e seus tipos de dados.
1. **[Crie um grupo de conjuntos de dados](data-prep-ds-group.md)**: um grupo de conjunto de dados é um contêiner de recursos do Amazon Personalize. Você pode criar um grupo de conjuntos de dados de domínio com recursos pré-configurados para os domínios VIDEO\$1ON\$1DEMAND ou ECOMMERCE. Com um grupo de conjuntos de dados personalizado, você só pode criar recursos personalizados.
1. **[Crie esquemas e conjuntos de dados](data-prep-creating-datasets.md)**: um *esquema* informa ao Amazon Personalize sobre a estrutura dos dados e permite que o Amazon Personalize analise os dados. Um *conjunto de dados* é um contêiner para dados de treinamento no Amazon Personalize.
1. **[Importe dados de treinamento para conjuntos de dados](import-data.md)**: importe registros preparados para itens, usuários, ações ou interações com ações. Você pode importar registros em massa ou individualmente.
1. **Treine e implante um modelo**: para treinar e implantar um modelo para os domínios VIDEO\$1ON\$1DEMAND ou ECOMMERCE, você cria recomendadores de domínio. Para recursos personalizados, você cria uma solução personalizada e uma versão da solução. Para recomendações em tempo real, implante a versão da solução em uma campanha.
+ Para obter informações sobre como criar recomendadores de domínio, consulte [Recomendadores de domínio](creating-recommenders.md).
+ Para obter informações sobre como criar e implantar recursos personalizados, consulte [Recursos personalizados](create-custom-resources.md).
1. **[Receba recomendações](getting-recommendations.md)**: use seu recomendador ou campanha personalizada para obter recomendações. Com eles, você pode incluir ou excluir certos itens das recomendações. Para obter mais informações, consulte [Como filtrar recomendações e segmentos de usuários](filter.md). Com os recursos personalizados, você também recebe recomendações em lote ou segmentos de usuários sem criar uma campanha.
1. **[Registre eventos em tempo real](recording-events.md)**: registre eventos em tempo real à medida que os clientes interagem com as recomendações. Isso cria dados de interações e os mantém atualizados. Também informa o Amazon Personalize sobre os interesses atuais do usuário, o que pode melhorar a relevância das recomendações.
Depois que você completar o fluxo de trabalho do Amazon Personalize pela primeira vez, mantenha seus dados atualizados e treine regularmente as soluções personalizadas que usam o treinamento manual. Isso permite que seu modelo aprenda com a atividade mais recente do usuário e sustente e melhore a relevância das recomendações. Para obter mais informações, consulte [Manter a relevância da recomendação](maintaining-relevance.md).
# Termos do Amazon Personalize
Esta seção apresenta os termos usados no Amazon Personalize.
**Topics**
+ [Importação e gerenciamento de dados](#data-terms)
+ [Treinamento](#training-terms)
+ [Implantação de modelo e recomendações](#deployment-terms)
## Importação e gerenciamento de dados
Os termos a seguir estão relacionados à importação, exportação e formatação de dados no Amazon Personalize.
**conjunto de dados de ações**
Um contêiner para os metadados sobre suas ações. Uma ação é uma atividade que gera engajamento ou receita que convém recomendar aos usuários, como a instalação do seu aplicativo móvel ou inscrição em um programa de fidelidade. Os metadados das ações podem incluir a data e a hora de expiração da ação, o valor, os dados de frequência de repetição e os metadados categóricos. Esse tipo de dados é usado somente por [Fórmula Next-Best-Action](native-recipe-next-best-action.md).
**conjunto de dados de interações com ações**
Um contêiner para dados históricos e em tempo real que você coleta de interações entre usuários e itens. Cada interação com ação consiste em um ID de usuário, um ID de ação, um carimbo de data e hora, o tipo de evento e quaisquer dados adicionais sobre a interação, como metadados categóricos. Esse tipo de dados é usado somente por [Fórmula Next-Best-Action](native-recipe-next-best-action.md).
**metadados contextuais**
Dados de interações que você coleta sobre o contexto de navegação de um usuário (como dispositivo usado ou localização) quando ocorre um evento (como um clique). Os metadados contextuais podem melhorar a relevância das recomendações para usuários novos e antigos.
**conjunto de dados**
Um contêiner para dados que você carrega para o Amazon Personalize. Há cinco tipos de conjuntos de dados no Amazon Personalize: usuários, itens, conjunto de dados de interações com itens e ações.
**grupo de conjuntos de dados**
Um contêiner para recursos do Amazon Personalize, incluindo conjuntos de dados, recomendadores de domínio e recursos personalizados. Um grupo de conjuntos de dados organiza seus recursos em coleções independentes, nas quais os recursos de um grupo de conjuntos de dados não podem influenciar os recursos em nenhum outro grupo de conjuntos de dados. Um grupo de conjuntos de dados pode ser um grupo de conjuntos de dados de domínio ou personalizados.
**grupo de conjuntos de dados do domínio**
Um grupo de conjuntos de dados com recursos pré-configurados para diferentes domínios de negócios e casos de uso. O Amazon Personalize gerencia o ciclo de vida dos modelos de treinamento e de implantação. Depois de criar um grupo de conjuntos de dados de domínio, você escolhe o domínio comercial, importa dados e cria recomendadores cada um dos seus casos de uso. Use o recomendador no aplicativo para obter recomendações com a operação GetRecommendations.
Se começar com um grupo de conjunto de dados de domínio, você ainda pode adicionar recursos personalizados, como soluções e versões de soluções treinadas com fórmulas para casos de uso customizados.
**grupo de conjuntos de dados personalizados**
Um grupo de conjuntos de dados apenas com recursos personalizados, incluindo soluções, versões de soluções, filtros, campanhas e trabalhos de inferência em lote. Use uma campanha para receber recomendações com a operação GetRecommendations. Você gerencia o ciclo de vida dos modelos de treinamento e de implantação. Se você começar com um grupo de conjuntos de dados personalizados, não será possível associá-lo a um domínio posteriormente. Convém criar outro grupo de conjuntos de dados de domínio.
**trabalho de exportação do conjunto de dados**
Uma ferramenta de exportação de registros que envia os registros em um conjunto de dados para um ou mais arquivos CSV em um bucket do Amazon S3. O arquivo CSV de saída inclui uma linha de cabeçalho com nomes de colunas que correspondem aos campos no esquema do conjunto de dados.
**trabalho de importação do conjunto de dados**
Uma ferramenta de importação em massa que preenche seu conjunto de dados do Amazon Personalize com dados de um arquivo CSV no seu bucket do Amazon S3.
**event**
Uma ação do usuário, como um clique, uma compra ou uma visualização de vídeo, que você registra e da qual faz upload em um conjunto de dados de interações com itens do Amazon Personalize. Você importa eventos em massa de um arquivo CSV, incrementalmente com o console Amazon Personalize e em tempo real.
**impressões explícitas**
Uma lista de itens adicionados manualmente a um conjunto de dados de interações com itens do Amazon Personalize. Ao contrário das impressões implícitas, que o Amazon Personalize deriva automaticamente dos seus dados de recomendação, nas impressões explícitas você escolhe o que incluir.
**impressões implícitas**
As recomendações que seu aplicativo mostra ao usuário. Ao contrário das impressões explícitas, adicionadas manualmente a um conjunto de dados de interações com itens, o Amazon Personalize gera automaticamente as impressões implícitas com base nos dados de recomendações.
**dados de impressões**
A lista de itens que você apresentou a um usuário quando ele interagiu com um item específico ao clicar, assistir, comprar e assim por diante. O Amazon Personalize usa dados de impressões para calcular a relevância dos novos itens para um usuário com base na frequência com que os usuários selecionaram ou ignoraram o mesmo item.
**conjunto de dados de interações**
Um contêiner para dados históricos e em tempo real que você coleta de interações entre usuários e itens (*[eventos](https://docs.aws.amazon.com/glossary/latest/reference/glos-chap.html#event)*). Os dados de interações podem incluir dados de tipos de evento e [metadados contextuais](https://docs.aws.amazon.com/glossary/latest/reference/glos-chap.html#contextual-metadata).
**conjunto de dados de itens**
Um contêiner para metadados sobre seus itens, como preço, gênero ou disponibilidade.
**frequência de repetição**
Um tipo de metadados de ações que você pode importar para um conjunto de dados de ações. Os dados de frequência de repetição especificam quantos dias o Amazon Personalize deve esperar para recomendar uma ação específica depois que um usuário interagir com ela, com base no histórico do usuário no conjunto de dados de interações com ações.
**esquema**
Um objeto JSON no formato [Apache Avro](https://avro.apache.org/docs/current/) que informa ao Amazon Personalize sobre a estrutura dos seus dados. O Amazon Personalize usa seu esquema para analisar seus dados.
**conjunto de dados de usuários**
Um contêiner para metadados sobre seus usuários, como idade, gênero ou programa de fidelidade.
## Treinamento
Os termos a seguir estão relacionados ao treinamento de um modelo no Amazon Personalize.
**fórmula de semelhanças item a item (SIMS)**
Uma fórmula de *[RELATED\$1ITEMS](https://docs.aws.amazon.com/glossary/latest/reference/glos-chap.html#related-items)* que usa os dados de um conjunto de dados de interações para fazer recomendações para itens semelhantes a um item específico. A fórmula SIMS calcula a similaridade com base na forma como os usuários interagem com os itens, em vez de combinar os metadados do item, como preço ou cor.
**item-affinity**
Uma fórmula USER\$1SEGMENTATION que usa os dados de um conjunto de dados de interações e de um de itens para criar segmentos de usuário para cada item especificado com base na probabilidade de os usuários interagirem com o item.
**item-attribute-affinity**
Uma fórmula USER\$1SEGMENTATION que usa os dados de um conjunto de dados de interações com itens e de um de itens para criar um segmento de usuário para cada atributo de item especificado com base na probabilidade de os usuários interagirem com os itens que tenham o atributo.
**Fórmula Next-Best-Action**
Essa fórmula gera recomendações em tempo real para as próximas melhores ações para os usuários. A próxima melhor ação para um usuário é a ação que ele provavelmente realizará. Por exemplo, inscrever-se no programa de fidelidade, baixar a aplicação ou solicitar um cartão de crédito. Para obter mais informações, consulte [Fórmula Next-Best-Action](native-recipe-next-best-action.md).
**Fórmula Personalized-Ranking-v2**
Uma fórmula *[PERSONALIZED\$1RANKING](https://docs.aws.amazon.com/glossary/latest/reference/glos-chap.html#personalized-ranking-recipes)* que classifica uma coleção de itens que você fornece com base no nível de interesse previsto para um usuário específico. Essa fórmula usa uma arquitetura baseada em transformadores para treinar um modelo que aprende com os dados de interações com itens, metadados de itens e metadados de usuários. Use a fórmula Personalized-Ranking-v2 para personalizar a ordem das listas selecionadas de itens ou resultados de pesquisa personalizados para um usuário específico. Ela pode treinar até 5 milhões de itens e gerar recomendações mais relevantes com uma latência menor do que a versão anterior.
**fórmula de classificações personalizadas**
Uma fórmula *[PERSONALIZED\$1RANKING](https://docs.aws.amazon.com/glossary/latest/reference/glos-chap.html#personalized-ranking-recipes)* que classifica uma coleção de itens que você fornece com base no nível de interesse previsto para um usuário específico. Use a fórmula de classificação personalizada para personalizar a ordem das listas selecionadas de itens ou resultados de pesquisa personalizados para um usuário específico.
**fórmula de contagem de popularidade**
Uma fórmula *[USER\$1PERSONALIZATION](https://docs.aws.amazon.com/glossary/latest/reference/glos-chap.html#user-personalization-recipes)* que recomenda os itens que tiveram mais interações com usuários exclusivos.
**recomendador**
Uma ferramenta de grupo de conjuntos de dados de domínio que gera recomendações. Você cria um recomendador para um grupo de conjuntos de dados de domínio e usa no aplicativo para receber recomendações em tempo real com a API GetRecommendations. Ao criar um recomendador, você especifica um caso de uso, e o Amazon Personalize treina os modelos que apoiam o recomendador com as melhores configurações para o caso de uso.
**fórmula**
Um algoritmo do Amazon Personalize pré-configurado para prever os itens com os quais um usuário interagirá (para fórmulas USER\$1PERSONALIZATION), calcular itens que sejam semelhantes a itens específicos nos quais um usuário demonstrou interesse (fórmulas RELATED\$1ITEMS) ou classificar uma coleção de itens que você fornece com base no interesse previsto para um usuário específico (fórmulas PERSONALIZED\$1RANKING).
**solução**
A fórmula, os parâmetros personalizados e os modelos treinados (versões da solução) que o Amazon Personalize usa para gerar recomendações.
**versão da solução**
Um modelo treinado que você cria como parte de uma solução no Amazon Personalize. Você implanta uma versão da solução em uma campanha para ativar a API de personalização que você usa para solicitar recomendações.
**modo de treinamento**
O escopo do treinamento a ser realizado ao criar uma versão da solução. Há dois modos diferentes: FULL e UPDATE. O modo FULL cria uma nova versão da solução com base na totalidade dos dados de treinamento dos conjuntos de dados no grupo de conjuntos de dados. O modo UPDATE atualiza incrementalmente a versão da solução existente para recomendar novos itens que você adicionou desde o último treinamento.
Com a User-Personalization-v2 ou a Next-Best-Action, o Amazon Personalize atualiza automaticamente a versão mais recente da solução treinada com o modo de treinamento COMPLETO. Consulte [Atualizações automáticas](use-case-recipe-features.md#automatic-updates).
**Fórmula User-Personalization-v2**
Uma fórmula *[USER\$1PERSONALIZATION](https://docs.aws.amazon.com/glossary/latest/reference/glos-chap.html#user-personalization-recipes)* que recomenda itens para o usuário interagir de acordo com as preferências. Essa fórmula usa uma arquitetura baseada em transformadores para treinar um modelo que aprende com os dados de interações com itens, metadados de itens e metadados de usuários. Ela pode treinar até 5 milhões de itens e gerar recomendações mais relevantes com uma latência menor do que a versão anterior.
**Fórmula User-Personalization**
Uma fórmula *[USER\$1PERSONALIZATION](https://docs.aws.amazon.com/glossary/latest/reference/glos-chap.html#user-personalization-recipes)* baseada em Rede Neural Recorrente Hierárquica (HRNN) que prevê os itens com os quais um usuário interagirá. A fórmula user-personalization usa dados de exploração e impressões de itens para gerar recomendações de novos itens.
## Implantação de modelo e recomendações
Os termos a seguir estão relacionados à implantação e ao uso de um modelo para gerar recomendações.
**período de otimização da ação**
O período de tempo que o Amazon Personalize usa ao prever as ações que o usuário provavelmente realizará. Por exemplo, se o período de otimização de ações for de 14 dias, o Amazon Personalize prevê as ações que os usuários provavelmente realizarão nos próximos 14 dias. Você configura o período de otimização da ação ao criar uma solução com a [Fórmula Next-Best-Action](native-recipe-next-best-action.md).
**trabalho de inferência em lote**
Uma ferramenta que importa seus dados de entrada em lote de um bucket do Amazon S3, usa a versão da solução para gerar recomendações e exporta as recomendações para um bucket do Amazon S3. Recomendamos usar um local diferente para seus dados de saída (uma pasta ou um bucket diferente do Amazon S3). Use um trabalho de inferência em lote para ter recomendações de grandes conjuntos de dados que não requerem atualizações em tempo real.
**trabalho de segmento em lote**
Uma ferramenta que importa seus dados de entrada em lote de um bucket do Amazon S3, usa a versão da solução para gerar segmentos de usuários e exporta os segmentos de usuários para um bucket do Amazon S3. Recomendamos usar um local diferente para seus dados de saída (uma pasta ou um bucket diferente do Amazon S3). Use uma tarefa de segmentação em lote com uma solução que utiliza uma fórmula USER\$1SEGMENTATION para criar segmentos de usuários com base na probabilidade de o usuário interagir com itens diferentes ou itens com atributos de item diferentes.
**campaign**
Uma versão da solução implantada (modelo treinado) com capacidade de transação dedicada e provisionada para criar recomendações em tempo real para os usuários do seu aplicativo. Depois de criar uma campanha, você pode usar as operações de API `getRecommendations` ou `getPersonalizedRanking` para obter recomendações.
**exploração de dados**
Com a exploração, as recomendações incluem alguns itens ou ações que normalmente teriam menor probabilidade de ser recomendados para o usuário, como novos itens ou ações, itens ou ações com poucas interações ou itens ou ações menos relevantes com base no comportamento anterior do usuário.
**atribuição de métrica**
Uma ferramenta que você usa para medir o impacto das recomendações de itens. Uma atribuição de métrica cria relatórios com base nos dados de itens e de interações com itens importados e nas métricas especificadas. Por exemplo, a duração total dos filmes assistidos pelos usuários ou o número total de eventos de cliques.
**recomendações**
Uma lista de itens com os quais o Amazon Personalize prevê que um usuário interagirá. Dependendo da fórmula do Amazon Personalize usada, as recomendações podem ser uma lista de itens (fórmulas USER\$1PERSONALIZATION e RELATED\$1ITEMS) ou uma classificação de uma coleção de itens que você forneceu (fórmulas PERSONALIZED\$1RANKING).
**segmentos de usuários**
Uma lista com os quais o Amazon Personalize prevê que os usuários interagirão com seu catálogo. Dependendo da fórmula USER\$1SEGMENTATION usada, você cria segmentos de usuário com base nos itens (fórmula Item-Affinity) e nos metadados dos itens (fórmula Item-Attribute-Affinity). Você cria segmentos de usuário com um trabalho de segmentação em lote.
# Tipos de dados que o Amazon Personalize pode usar
Os tópicos a seguir apresentam os diferentes tipos de dados que você pode importar para o Amazon Personalize.
**Topics**
+ [Dados de interações](#interactions-summary)
+ [Dados do Item](#items-summary)
+ [Dados do usuário](#users-summary)
+ [Dados de ações](#actions-summary)
+ [Dados de interações com ações](#actions-interactions-summary)
## Dados de interações
Uma *interação* é um *evento* que você registra e depois importa como dados de treinamento. O Amazon Personalize gera recomendações com base principalmente nos dados de interações. Os dados de interações podem incluir o seguinte:
+ Tipo de evento e dados de valor do evento
+ Metadados contextuais
+ Dados de impressões
Você deve importar dados de interações para um *conjunto de dados de interações com itens*. Para obter mais detalhes sobre conjuntos de dados de interações, consulte [Dados de interações com itens](interactions-datasets.md).
## Dados do Item
Os metadados do item que o Amazon Personalize pode usar incluem o seguinte:
+ Dados numéricos sobre cada item, como seu preço.
+ Metadados categóricos sobre cada item, como o gênero ou a cor do item.
+ Dados de carimbo de data e hora de criação para cada item.
+ Metadados de texto não estruturados, como descrições de produtos ou sinopses de filmes.
Você importa metadados sobre seus itens para um conjunto de dados de *itens*. Para obter mais informações sobre conjuntos de dados de itens, consulte [Metadados de itens](items-datasets.md).
## Dados do usuário
Os metadados de usuário que o Amazon Personalize pode usar incluem o seguinte:
+ Dados numéricos sobre cada usuário, como sua idade.
+ Metadados categóricos sobre cada usuário, como gênero ou status de associação de fidelidade.
Você importa metadados sobre seus usuários para um conjunto de dados de *usuários*. Para obter mais informações sobre conjuntos de dados de usuários, consulte [Metadados do usuário](users-datasets.md).
## Dados de ações
Os dados de ações que o Amazon Personalize pode usar são os seguintes:
+ O valor comercial ou a importância de cada ação.
+ Metadados categóricos de cada ação, como sazonalidade ou exclusividade da ação.
+ Dados do carimbo de data e hora de expiração da ação que especificam quando o Amazon Personalize deve parar de recomendar cada ação.
+ Os dados de frequência de repetição que especificam o tempo que o Amazon Personalize deve esperar antes de recomendar cada ação após a interação do usuário com ela.
Você deve importar dados sobre as ações para um *conjunto de dados de ações*. Não é possível criar os recursos de próximas melhores ações, incluindo os conjuntos de dados de interações com ações e ações, em um grupo de conjuntos de dados de domínio. Para obter mais informações sobre conjuntos de dados de ações, consulte [Metadados de ações](actions-datasets.md).
## Dados de interações com ações
Os dados que o Amazon Personalize pode usar das interações dos usuários com ações são os seguintes:
+ Dados de tipos de eventos
+ Metadados categóricos
Você deve importar dados de interações para um *conjunto de dados de interações com ações*. Não é possível criar os recursos de próximas melhores ações, incluindo os conjuntos de dados de interações com ações e ações, em um grupo de conjuntos de dados de domínio. Para obter mais detalhes sobre conjuntos de dados de interações com ações, consulte [Dados de interações com ações](action-interactions-datasets.md).