Die vorliegende Übersetzung wurde maschinell erstellt. Im Falle eines Konflikts oder eines Widerspruchs zwischen dieser übersetzten Fassung und der englischen Fassung (einschließlich infolge von Verzögerungen bei der Übersetzung) ist die englische Fassung maßgeblich.
# Vorbereiten von Trainingsdaten für Amazon Personalize
Nachdem Sie [einen Anwendungsfall oder ein Rezept für eine Domain ausgewählt](use-cases-and-recipes.md) und die Datenanforderungen notiert haben, können Sie mit der Vorbereitung Ihrer Daten beginnen. Amazon Personalize kann die folgenden Datentypen verwenden:
+ [**Artikelinteraktionen**](interactions-datasets.md) — In Amazon Personalize ist eine *Artikelinteraktion* ein positives Interaktionsereignis zwischen einem Benutzer und einem Artikel in Ihrem Katalog. Zum Beispiel ein Nutzer, der sich einen Film ansieht, sich ein Angebot ansieht oder ein Paar Schuhe kauft.
+ [**Artikel**](items-datasets.md) — Artikelmetadaten können Informationen wie Preis, SKU-Typ, Beschreibung oder Verfügbarkeit für jeden Artikel in Ihrem Katalog enthalten.
+ [**Benutzer**](users-datasets.md) — Benutzermetadaten können Informationen wie Alter, Geschlecht, Treuemitgliedschaft und Interessen für jeden Ihrer Benutzer enthalten.
+ [**Aktionen**](actions-datasets.md) — Eine *Aktion* ist eine Interaktionsaktivität, die Sie Ihren Kunden vielleicht empfehlen möchten. Zu den Aktionen können die Installation Ihrer mobilen App, das Ausfüllen eines Mitgliedsprofils, die Teilnahme an Ihrem Treueprogramm oder die Anmeldung für Werbe-E-Mails gehören. Für das Next-Best-Action Rezept ist der Datensatz Aktionen erforderlich. In keinem anderen benutzerdefinierten Rezept- oder Domain-Anwendungsfall werden Actions-Daten verwendet.
+ [**Aktionsinteraktionen**](action-interactions-datasets.md) — Eine Aktionsinteraktion ist ein Interaktionsereignis zwischen einem Benutzer und einer Aktion. Das Next-Best-Action Rezept verwendet diese Daten und die Daten in Ihrem Aktionen-Datensatz, um Ihren Benutzern Aktionen zu empfehlen. In keinem anderen benutzerdefinierten Rezept- oder Domain-Anwendungsfall werden Action-Interaction-Daten verwendet.
Amazon Personalize speichert Daten in *Datensätzen*, einen für jeden Datentyp. Jeder Datensatz hat unterschiedliche Anforderungen. Wenn Sie Daten in einen Amazon Personalize importieren, können Sie wählen, ob Sie Datensätze in großen Mengen, einzeln oder beides importieren möchten. Bei Massenimporten wird eine große Anzahl von historischen Datensätzen importiert, die in einer oder mehreren CSV-Dateien in einem Amazon S3 S3-Bucket gespeichert sind.
+ Wenn Sie keine Massendaten haben, können Sie einzelne Importvorgänge verwenden, um Daten zu sammeln und Ereignisse zu streamen, bis Sie die Schulungsanforderungen von Amazon Personalize und die Datenanforderungen Ihres Domain-Anwendungsfalls oder -Rezepts erfüllen. Informationen zum Aufzeichnen von Ereignissen finden Sie unter[Aufzeichnung von Ereignissen in Echtzeit zur Beeinflussung von Empfehlungen](recording-events.md). Informationen zum Importieren einzelner Datensätze finden Sie unter[Einzelne Datensätze in einen Amazon Personalize importieren](incremental-data-updates.md).
+ Wenn Sie sich nicht sicher sind, ob Sie über genügend Daten verfügen, oder wenn Sie Fragen zu deren Qualität haben, können Sie Ihre Daten in einen Amazon Personalize-Datensatz importieren und mit Amazon Personalize analysieren. Weitere Informationen finden Sie unter [Analysieren von Qualität und Quantität von Daten in Amazon Personalize Personalize-Datensätzen](analyzing-data.md).
Die folgenden Abschnitte enthalten Datenanforderungen für jeden Amazon Personalize Personalize-Datensatztyp und Richtlinien für die Vorbereitung von Massendaten. Wenn Sie nicht über Massendaten verfügen, lesen Sie sich die Abschnitte durch, um mehr über die erforderlichen und optionalen Daten zu erfahren, die Sie mit einzelnen Importvorgängen importieren können. Wenn Sie zusätzliche Hilfe bei der Formatierung Ihrer Daten benötigen, können Sie Amazon SageMaker AI Data Wrangler (Data Wrangler) verwenden, um Ihre Daten vorzubereiten. Weitere Informationen finden Sie unter [Vorbereiten und Importieren von Massendaten mit Amazon SageMaker AI Data Wrangler](preparing-importing-with-data-wrangler.md).
Nachdem Sie Ihre Daten vorbereitet haben, können Sie eine Schema-JSON-Datei erstellen. Diese Datei informiert Amazon Personalize über die Struktur Ihrer Daten. Weitere Informationen finden Sie unter [JSON-Schema-Dateien für Amazon Personalize Personalize-Schemas erstellen](how-it-works-dataset-schema.md).
**Topics**
+ [Richtlinien für das Format von Massendaten für alle Datentypen](#general-formatting-guidelines)
+ [Vorbereiten von Artikelinteraktionsdaten für das Training](interactions-datasets.md)
+ [Artikelmetadaten für das Training vorbereiten](items-datasets.md)
+ [Benutzermetadaten für das Training vorbereiten](users-datasets.md)
+ [Aktionsmetadaten für das Training vorbereiten](actions-datasets.md)
+ [Vorbereiten von Aktionsinteraktionsdaten für das Training](action-interactions-datasets.md)
## Richtlinien für das Format von Massendaten für alle Datentypen
Mithilfe der folgenden Richtlinien und Anforderungen können Sie sicherstellen, dass Ihre Massendaten korrekt formatiert sind.
+ Ihre Eingabedaten müssen sich in einer CSV-Datei (durch Kommas getrennte Werte) befinden.
+ Die erste Zeile Ihrer CSV-Datei muss Ihre Spaltenüberschriften enthalten. Die Überschriften sollten nicht von Anführungszeichen (") umgeben sein.
+ Spalten müssen eindeutige alphanumerische Namen haben. Sie können beispielsweise nicht gleichzeitig ein `GENRES_FIELD_1` Feld und ein `GENRESFIELD1` Feld hinzufügen.
+ Wenn Sie mehrere CSV-Dateien importieren, müssen alle Spaltenüberschriften in allen Dateien übereinstimmen.
+ Stellen Sie sicher, dass Sie über die erforderlichen Felder für Ihren Datensatztyp verfügen und dass ihre Namen den Anforderungen von Amazon Personalize entsprechen. Beispielsweise könnten Ihre Artikeldaten IDs für jeden Ihrer Artikel eine Spalte `ITEM_IDENTIFICATION_NUMBER` mit dem Namen with haben. Um diese Spalte als ITEM\$1ID-Feld zu verwenden, benennen Sie die Spalte in um. `ITEM_ID` Wenn Sie Data Wrangler verwenden, um Ihre Daten zu formatieren, können Sie die Transformation **Map columns for Amazon Personalize** Data Wrangler verwenden, um sicherzustellen, dass Ihre Spalten korrekt benannt sind.
Informationen zur Verwendung von Data Wrangler zur Vorbereitung Ihrer Daten finden Sie unter. [Vorbereiten und Importieren von Massendaten mit Amazon SageMaker AI Data Wrangler](preparing-importing-with-data-wrangler.md)
+ Jeder Datensatz in Ihrer CSV-Datei muss sich in einer einzigen Zeile befinden.
+ Amazon Personalize unterstützt keine komplexen Datentypen wie Arrays und Maps.
+ Damit Amazon Personalize beim Training oder Filtern boolesche Daten verwendet, verwenden Sie Zeichenkettenwerte `"False"` und/oder `"True"` numerische Werte `1` für true und `0` false.
+ Wenn Sie Data Wrangler zum Formatieren Ihrer Daten verwenden, können Sie die Data Wrangler-Transformation „[Wert als Typ analysieren](https://docs.aws.amazon.com/sagemaker/latest/dg/data-wrangler-transform.html#data-wrangler-transform-cast-type)“ verwenden, um die Datentypen zu konvertieren.
+ `TIMESTAMP`*und die `CREATION_TIMESTAMP` Daten müssen im UNIX-Zeitformat für die Epoche vorliegen.* Weitere Informationen finden Sie unter [Daten mit Zeitstempel](interactions-datasets.md#timestamp-data).
+ Vermeiden Sie es, `"` Zeichen oder Sonderzeichen in die Daten der Artikel-ID, Benutzer-ID und Aktions-ID aufzunehmen.
+ Wenn Ihre Daten nicht-ASCII-kodierte Zeichen enthalten, muss Ihre CSV-Datei im UTF-8-Format codiert sein.
+ Stellt sicher, dass Sie alle Textdaten wie unter beschrieben formatieren. [Unstrukturierte Textmetadaten](items-datasets.md#text-data)
# Vorbereiten von Artikelinteraktionsdaten für das Training
Eine *Artikelinteraktion* ist ein positives Interaktionsereignis zwischen einem Benutzer und einem Artikel in Ihrem Katalog. Beispiel: Ein Nutzer schaut sich einen Film an, schaut sich ein Angebot an oder kauft ein Paar Schuhe. Sie importieren Daten über die Interaktionen Ihrer Benutzer mit Ihren Artikeln in einen *Datensatz mit Artikelinteraktionen*. Sie können mehrere Ereignistypen aufzeichnen, z. B. *„Klicken“, „**Ansehen*“ oder „*Kaufen*“.
Wenn ein Benutzer beispielsweise auf einen bestimmten Artikel *klickt* und den Artikel dann mit *„Gefällt mir“* markiert, können Sie Amazon Personalize diese Ereignisse als Trainingsdaten verwenden lassen. *Für jedes Ereignis würden Sie die ID des Benutzers, die ID des Artikels, den Zeitstempel (im Unix-Zeitepochenformat) und den Ereignistyp (*Klicken* und Gefällt mir) aufzeichnen.* Anschließend würden Sie beide Artikelinteraktionsereignisse zu einem Datensatz mit *Artikelinteraktionen* hinzufügen.
Für alle Domain-Anwendungsfälle und benutzerdefinierten Rezepte müssen sich Ihre Daten zu Interaktionen mit mehreren Artikeln in einer CSV-Datei befinden. Jede Zeile sollte eine einzelne Interaktion zwischen einem Benutzer und einem Artikel darstellen. Nachdem Sie Ihre Daten vorbereitet haben, können Sie eine Schema-JSON-Datei erstellen. Diese Datei informiert Amazon Personalize über die Struktur Ihrer Daten. Weitere Informationen finden Sie unter [JSON-Schema-Dateien für Amazon Personalize Personalize-Schemas erstellen](how-it-works-dataset-schema.md).
Die folgenden Abschnitte enthalten weitere Informationen zur Vorbereitung Ihrer Artikelinteraktionsdaten für Amazon Personalize. Richtlinien für das Massendatenformat für alle Datentypen finden Sie unter Richtlinien für das [Massendatenformat](preparing-training-data.md#general-formatting-guidelines)
**Topics**
+ [Anforderungen an Daten zur Artikelinteraktion](#item-interaction-requirements)
+ [Daten mit Zeitstempel](#timestamp-data)
+ [Daten zu Ereignistyp und Ereigniswert](#event-type-and-event-value-data)
+ [Kontextuelle Metadaten](#interactions-contextual-metadata)
+ [Daten zu Eindrücken](#interactions-impressions-data)
+ [Beispiel für Interaktionsdaten](#interactions-data-schema-example)
## Anforderungen an Daten zur Artikelinteraktion
In den folgenden Abschnitten werden die Anforderungen an Artikelinteraktionsdaten für Amazon Personalize aufgeführt. Weitere Kontingente finden Sie unter[Endpunkte und Kontingente von Amazon Personalize](limits.md).
### Mindestanforderungen an die Schulung
Für alle Domain-Anwendungsfälle und benutzerdefinierten Rezepturen müssen Ihre Daten zu Interaktionen mit mehreren Artikeln die folgenden Angaben enthalten:
+ Mindestens 1000 Datensätze zu Interaktionen mit Artikeln von Benutzern, die mit Artikeln in Ihrem Katalog interagieren. Diese Interaktionen können aus Massenimporten, gestreamten Ereignissen oder beidem stammen.
+ Mindestens 25 eindeutige Benutzer IDs mit jeweils mindestens zwei Artikelinteraktionen.
Für Qualitätsempfehlungen empfehlen wir, mindestens 50.000 Artikelinteraktionen von mindestens 1.000 Benutzern mit jeweils zwei oder mehr Artikelinteraktionen durchzuführen.
Um eine Empfehlung oder eine benutzerdefinierte Lösung zu erstellen, müssen Sie mindestens einen *Datensatz mit Artikelinteraktionen* erstellen.
### Anforderungen an die Spalten
Ihre Artikelinteraktionsdaten müssen die folgenden Spalten enthalten.
+ USER\$1ID — Die eindeutige Kennung des Benutzers, der mit dem Element interagiert hat. Jedes Ereignis muss eine USER\$1ID haben. Es muss eine `string` mit einer maximalen Länge von 256 Zeichen sein.
+ ITEM\$1ID — Die eindeutige Kennung des Elements, mit dem der Benutzer interagiert hat. Jedes Ereignis muss eine Element-ID haben. Es muss eine `string` mit einer maximalen Länge von 256 Zeichen sein.
+ TIMESTAMP — Die Zeit, zu der das Ereignis eingetreten ist (im Zeitformat der Unix-Epoche in Sekunden). Jede Interaktion muss einen TIMESTAMP haben. Weitere Informationen finden Sie unter [Daten mit Zeitstempel](#timestamp-data).
+ *EVENT\$1TYPE — Die Art des Interaktionsereignisses mit einem Artikel, z. B. *Klicken*, *Ansehen* oder Kauf.* Für Domain-Empfehlungen benötigen Sie eine Spalte mit dem Ereignistyp und jede Interaktion muss einen Ereignistyp haben. Für alle benutzerdefinierten Rezepte wird eine Spalte EVENT\$1TYPE empfohlen, ist aber optional. Wenn Sie sie hinzufügen, muss jedes Ereignis einen Ereignistyp haben. Weitere Informationen finden Sie unter [Daten zu Ereignistyp und Ereigniswert](#event-type-and-event-value-data).
Es steht Ihnen frei, je nach Ihrem Anwendungsfall und Ihren Daten weitere benutzerdefinierte Spalten hinzuzufügen. Die maximale Anzahl optionaler Metadatenspalten beträgt 5. Diese Spalten können empty/null Werte enthalten. Wir empfehlen, dass diese Spalten zu mindestens 70 Prozent vollständig sind.
## Daten mit Zeitstempel
Zeitstempeldaten müssen im Zeitformat der Unix-Epoche in Sekunden vorliegen. Der Epoch-Zeitstempel in Sekunden für das Datum 31. Juli 2020 lautet beispielsweise 1596238243. [Verwenden Sie einen Epochenkonverter — Unix-Zeitstempelkonverter, um Datumsangaben in Zeitstempel der Unix-Epoche zu konvertieren.](https://www.epochconverter.com)
Amazon Personalize verwendet Zeitstempeldaten, um die Aktualität zu berechnen und zeitbasierte Muster zu identifizieren. Es hilft Amazon Personalize dabei, die Empfehlungen up-to-date an die sich ändernden Präferenzen der Benutzer anzupassen.
## Daten zu Ereignistyp und Ereigniswert
In einem Datensatz mit Artikelinteraktionen können Ereignistyp- und Ereigniswertdaten für jede Interaktion gespeichert werden. Nur benutzerdefinierte Ressourcen verwenden Daten zu Ereigniswerten.
### Daten vom Ereignistyp
Der Ereignistyp einer Elementinteraktion bietet Kontext zu ihrer Art und Bedeutung. Beispiele für Ereignistypen könnten *„Klicken“, „**Ansehen*“ oder „*Kaufen*“ sein. Amazon Personalize verwendet Ereignistypdaten wie *Klick* - oder *Kaufdaten*, um die Absicht und das Interesse der Nutzer zu ermitteln. Die maximale Anzahl verschiedener Ereignistypen in Kombination mit der Gesamtzahl optionaler Metadatenspalten in einem Datensatz mit Artikelinteraktionen beträgt 10.
Für Domain-Empfehlungen benötigen Sie eine Spalte mit Ereignistyp und jede Interaktion muss über einen Ereignistyp verfügen. Für alle benutzerdefinierten Rezepte wird eine Spalte EVENT\$1TYPE empfohlen, ist aber optional. Wenn Sie sie hinzufügen, muss jedes Ereignis einen Ereignistyp haben.
Wenn Sie benutzerdefinierte Ressourcen erstellen, können Sie die für das Training verwendeten Ereignisse nach Ereignistyp auswählen. Wenn Ihr Datensatz mehrere Ereignistypen in einer EVENT\$1TYPE-Spalte enthält und Sie bei der Konfiguration einer benutzerdefinierten Lösung keinen Ereignistyp angeben, verwendet Amazon Personalize alle Artikelinteraktionsdaten für das Training mit gleichem Gewicht, unabhängig vom Typ. Weitere Informationen finden Sie unter [Auswahl der für das Training verwendeten Artikelinteraktionsdaten](event-values-types.md).
Wenn Sie mehrere Ereignistypen haben und das Rezept User-Personalization-v 2 oder Personalized-Ranking-v 2 verwenden, können Sie bei der Konfiguration einer benutzerdefinierten Lösung unterschiedliche Gewichtungen für verschiedene Typen angeben. Sie können beispielsweise eine Lösung so konfigurieren, dass Kaufereignissen mehr Gewicht beigemessen wird als Klickereignissen. Weitere Informationen finden Sie unter [Optimierung einer Lösung mit Event-Konfiguration](optimizing-solution-events-config.md).
Für die folgenden Anwendungsfälle gelten spezifische Anforderungen an den Ereignistyp:
Anwendungsfälle für die Domäne VIDEO\$1ON\$1DEMAND
+ Weil Sie X gesehen haben, sind mindestens 1000 Ereignisse erforderlich. `Watch`
+ Für „Am beliebtesten“ sind mindestens 1000 `Watch` Ereignisse erforderlich.
Anwendungsfälle für E-Commerce-Domains
+ Für die meisten aufgerufenen Ereignisse sind mindestens 1000 `View` Ereignisse erforderlich.
+ Für Bestseller sind mindestens 1000 `Purchase` Ereignisse erforderlich.
#### Positive und negative Ereignistypen
Amazon Personalize geht davon aus, dass jede Interaktion positiv ist. Interaktionen mit einem negativen Ereignistyp, *wie z. B. Abneigung*, verhindern nicht unbedingt, dass der Artikel in future Empfehlungen des Benutzers erscheint.
Es gibt folgende Möglichkeiten, wie negative Ereignisse und das Desinteresse der Nutzer die Empfehlungen beeinflussen können:
+ Für alle Domain-Anwendungsfälle und das [Personalisierung durch Benutzer](native-recipe-new-item-USER_PERSONALIZATION.md) Rezept kann Amazon Personalize Impressionsdaten verwenden. Wenn ein Artikel in den Impressionsdaten erscheint und ein Benutzer ihn nicht auswählt, ist es weniger wahrscheinlich, dass der Artikel in Empfehlungen erscheint. Weitere Informationen finden Sie unter [Daten zu Eindrücken](#interactions-impressions-data).
+ Wenn Sie benutzerdefinierte Ressourcen verwenden und positive und negative Ereignistypen importieren, können Sie nur anhand positiver Ereignistypen trainieren und dann Elemente herausfiltern, mit denen der Nutzer negativ interagiert hat. Weitere Informationen erhalten Sie unter [Auswahl der für das Training verwendeten Artikelinteraktionsdaten](event-values-types.md) und [Empfehlungen und Benutzersegmente filtern](filter.md).
### Daten zu Ereigniswerten (benutzerdefinierte Ressourcen)
Bei Daten zum Ereigniswert kann es sich um den Prozentsatz eines Films handeln, den ein Benutzer angesehen hat, oder um eine Bewertung von 10 Punkten. Wenn Sie benutzerdefinierte Lösungen erstellen, können Sie die für das Training verwendeten Datensätze auf der Grundlage der Daten in den Spalten EVENT\$1TYPE und EVENT\$1VALUE auswählen. Bei Domain-Empfehlungen verwendet Amazon Personalize keine Daten zu Ereigniswerten und Sie können Ereignisse nicht vor dem Training filtern.
Um Datensätze nach Typ und Wert auszuwählen, zeichnen Sie Daten zu Ereignistyp und Ereigniswert für Ereignisse auf. Nicht alle Ereignisse müssen einen Ereigniswert haben. Welchen Wert Sie für jedes Ereignis auswählen, hängt davon ab, welche Daten Sie ausschließen möchten und welche Ereignistypen Sie aufzeichnen. Beispielsweise können Sie die Benutzeraktivität, z. B. den Prozentsatz der Videos, die der Benutzer angesehen hat, für die Art von *Wiedergabeereignissen* abgleichen.
Wenn Sie eine Lösung konfigurieren, legen Sie einen bestimmten Wert als Schwellenwert fest, um Datensätze vom Training auszuschließen. **Wenn Ihre EVENT\$1VALUE-Daten für Ereignisse mit dem Wert EVENT\$1TYPE „*Ansehen*“ den Prozentsatz eines Videos darstellen, das ein Benutzer angesehen hat, und Sie den Schwellenwert für den Ereigniswert auf 0,5 und den anzuzeigenden Ereignistyp festlegen, trainiert Amazon Personalize das Modell, indem es nur Interaktionsereignisse verwendet, deren EVENT\$1VALUE größer oder gleich 0,5 ist.**
Weitere Informationen finden Sie unter [Auswahl der für das Training verwendeten Artikelinteraktionsdaten](event-values-types.md).
## Kontextuelle Metadaten
Bei bestimmten Rezepten und Anwendungsfällen für Empfehlungen kann Amazon Personalize kontextbezogene Metadaten verwenden, um zugrunde liegende Muster zu identifizieren, die die relevantesten Elemente für Ihre Benutzer aufdecken. Kontextuelle Metadaten sind Interaktionsdaten, die Sie zum Zeitpunkt eines Ereignisses in der Umgebung des Benutzers sammeln, z. B. dessen Standort oder Gerätetyp. Sie können auch den Kontext eines Benutzers angeben, wenn Sie Empfehlungen für den Benutzer erhalten.
Fügen Sie kontextbezogene Metadaten hinzu, um Ihren Benutzern ein persönlicheres Erlebnis zu bieten und die Kaltstartphase für neue Benutzer zu verkürzen. In der Kaltstartphase sind Empfehlungen aufgrund fehlender historischer Benutzerdaten weniger relevant.
Wenn Ihre CSV-Datei für Artikelinteraktionen beispielsweise eine Spalte DEVICE\$1TYPE mit `phone` Werten `tablet` und enthält, kann Amazon Personalize herausfinden, wie Kunden auf unterschiedlichen Geräten unterschiedlich einkaufen. Wenn Sie Empfehlungen für einen Benutzer erhalten, können Sie dessen Gerät angeben. Empfehlungen sind dann relevanter, auch wenn der Benutzer keinen Interaktionshistorie hat.
Im Folgenden wird gezeigt, wie Sie eine CSV-Datei mit Artikelinteraktionen mit einer Spalte DEVICE\$1TYPE als kontextuelle Metadaten formatieren würden.
```
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
.....
```
Für Domain-Datensatzgruppen können in den folgenden empfohlenen Anwendungsfällen kontextuelle Metadaten verwendet werden:
+ [Für Sie empfohlen](ECOMMERCE-use-cases.md#recommended-for-you-use-case)(E-COMMERCE-Domäne)
+ [Top-Tipps für Sie](VIDEO_ON_DEMAND-use-cases.md#top-picks-use-case)(Domäne VIDEO\$1ON\$1DEMAND)
Für benutzerdefinierte Ressourcen beinhalten Rezepte, die kontextuelle Metadaten verwenden, Folgendes:
+ [Benutzerpersonalisierung-v2](native-recipe-user-personalization-v2.md) und [Personalisierung durch Benutzer](native-recipe-new-item-USER_PERSONALIZATION.md)
+ [Personalisiertes Ranking V2](native-recipe-personalized-ranking-v2.md) und [Personalisierte Rangfolge](native-recipe-search.md)
Informationen darüber, wie Sie beim Abrufen von Empfehlungen Kontext einbeziehen, finden Sie unter. [Erhöhung der Relevanz von Empfehlungen mit kontextuellen Metadaten](contextual-metadata.md) Ein durchgängiges Beispiel, das zeigt, wie Sie kontextuelle Metadaten verwenden können, finden Sie im folgenden Blogbeitrag zum AWS Thema Machine Learning: [Erhöhung der Relevanz Ihrer Amazon Personalize Personalize-Empfehlungen durch Nutzung von](https://aws.amazon.com/blogs/machine-learning/increasing-the-relevance-of-your-amazon-personalize-recommendations-by-leveraging-contextual-information/) Kontextinformationen.
## Daten zu Eindrücken
Impressionen sind Listen von Elementen, die für einen Benutzer sichtbar waren, als er mit einem bestimmten Element interagierte (z. B. darauf klickte oder es sich ansah). Wenn Sie einen Domain-Anwendungsfall verwenden, der Personalisierung oder das [Personalisierung durch Benutzer](native-recipe-new-item-USER_PERSONALIZATION.md) Rezept vorsieht, kann Amazon Personalize die Impressionsdaten als Leitfaden für die Erkundung verwenden.
Bei der Erkundung schließen Empfehlungen einige Elemente oder Aktionen ein, bei denen es in der Regel weniger wahrscheinlich ist, dass sie dem Benutzer empfohlen werden, wie z. B. neue Artikel oder Aktionen, Artikel oder Aktionen mit wenigen Interaktionen oder Artikel oder Aktionen, die für den Benutzer aufgrund seines bisherigen Verhaltens weniger relevant sind. Je häufiger ein Artikel in den Impressionsdaten vorkommt, desto unwahrscheinlicher ist es, dass Amazon Personalize den Artikel in die Suche einbezieht.
Wenn Sie eine Empfehlung oder Lösung erstellen, schließt Amazon Personalize Impressionsdaten immer aus dem Training aus. Das liegt daran, dass Amazon Personalize Ihre Modelle nicht mit Impressionsdaten trainiert. Stattdessen verwendet es sie, wenn Sie Empfehlungen erhalten, um dem Benutzer bei der Erkundung zu helfen.
Impressionswerte können maximal 1000 Zeichen lang sein (einschließlich des Zeichens mit dem senkrechten Balken). Für Domain-Datensatzgruppen können in den folgenden empfohlenen Anwendungsfällen Impressionsdaten verwendet werden:
+ [Für Sie empfohlen](ECOMMERCE-use-cases.md#recommended-for-you-use-case)(E-COMMERCE-Domäne)
+ [Top-Tipps für Sie](VIDEO_ON_DEMAND-use-cases.md#top-picks-use-case)(Domäne VIDEO\$1ON\$1DEMAND)
Weitere Informationen zur Erkundung finden Sie unter. [Exploration (Erkundung)](use-case-recipe-features.md#about-exploration) Amazon Personalize kann zwei Arten von Impressionen modellieren: [Implizite Eindrücke](#implicit-impressions-info) und[Explizite Eindrücke](#explicit-impressions-info).
### Explizite Eindrücke
*Explizite Impressionen* sind Impressionen, die Sie manuell aufzeichnen und an Amazon Personalize senden. Verwenden Sie explizite Impressionen, um die Ergebnisse von Amazon Personalize zu manipulieren. Die Reihenfolge der Artikel hat keine Auswirkung.
Angenommen, Sie haben eine Einkaufsanwendung, die Empfehlungen für Schuhe bietet. Wenn Sie nur Schuhe empfehlen, die derzeit auf Lager sind, können Sie diese Artikel anhand expliziter Impressionen angeben. Ihr Empfehlungs-Workflow mit expliziten Impressionen könnte wie folgt aussehen:
1. Sie fordern mithilfe der Amazon Personalize [GetRecommendations](API_RS_GetRecommendations.md) Personalize-API Empfehlungen für einen Ihrer Benutzer an.
1. Amazon Personalize generiert Empfehlungen für den Benutzer, der Ihr Modell (Lösungsversion) verwendet, und gibt sie in der API-Antwort zurück.
1. Sie zeigen dem Benutzer nur die empfohlenen Schuhe, die auf Lager sind.
1. Beim inkrementellen Datenimport in Echtzeit zeichnen Sie, wenn Ihr Benutzer mit einem Paar Schuhen interagiert (z. B. klickt), die Auswahl in einem [PutEvents](API_UBS_PutEvents.md) API-Aufruf auf und listen die empfohlenen Artikel, die auf Lager sind, im `impression` Parameter auf. Ein Codebeispiel finden Sie unter. [Aufzeichnen von Interaktionsereignissen mit Artikeldaten](putevents-including-impressions-data.md)
Um Impressionen in historische Artikelinteraktionsdaten zu importieren, können Sie explizite Impressionen in Ihrer CSV-Datei auflisten und jedes Element durch ein '\$1' trennen. Das vertikale Balkenzeichen wird auf die Obergrenze von 1000 Zeichen angerechnet. Ein Beispiel finden Sie unter [Formatieren expliziter Impressionen](#data-prep-including-explicit-impressions).
1. Amazon Personalize verwendet die Impressionsdaten als Leitfaden für die Erkundung, wobei future Empfehlungen neue Schuhe mit weniger Interaktionsdaten oder Relevanz beinhalten.
#### Formatieren expliziter Impressionen
Um explizite Impressionen in Ihre CSV-Datei aufzunehmen, fügen Sie eine IMPRESSION-Spalte hinzu. Fügen Sie für jede Artikelinteraktion eine Liste von ItemIDs hinzu, die durch einen senkrechten Strich, das Zeichen '\$1', getrennt sind. Das Zeichen mit dem senkrechten Balken wird auf die Obergrenze von 1000 Zeichen für Impressionsdaten angerechnet. Wenn Sie in den [PutEvents](API_UBS_PutEvents.md) Vorgang explizite Impressionen einbeziehen, geben Sie die Elemente in einer Reihe von Zeichenfolgen an.
Im Folgenden finden Sie einen kurzen Auszug aus einer CSV-Datei, die explizite Impressionen in der `IMPRESSION` Spalte enthält.
| EVENT\$1TYPE | EINDRUCK | ITEM\$1ID | TIMESTAMP (ZEITSTEMPEL) | USER\$1ID |
| --- | --- | --- | --- | --- |
| klicken Sie auf | 73\$170\$117\$195\$196 | 73 | 1586731606 | BENUTZER\$11 |
| klicken Sie auf | 35\$182\$178\$157\$120\$163\$11\$190\$176\$175\$149\$171\$126\$124\$125\$16 | 35 | 1586735164 | BENUTZER\$12 |
| ... | ... | ... | ... | ... |
In der Anwendung wurden `USER_1` Benutzerelemente`73`,,`70`, und `17` angezeigt`95`, `96` und der Benutzer entschied sich schließlich für das Element. `73` Wenn Sie auf der Grundlage dieser Daten eine neue Lösungsversion erstellen `70``17`, `96` werden die Elemente`95`,, und dem Benutzer seltener empfohlen`USER_1`.
### Implizite Eindrücke
*Implizite Impressionen* sind die von Amazon Personalize abgerufenen Empfehlungen, die Sie dem Benutzer zeigen. Ihre CSV-Datei muss keine Spalten IMPRESSION oder RECOMMENDATION\$1ID enthalten, um implizite Impressionen zu verwenden. Stattdessen fügen Sie die `RecommendationId` (von den [GetPersonalizedRanking](API_RS_GetPersonalizedRanking.md) Operationen [GetRecommendations](API_RS_GetRecommendations.md) und zurückgegeben) in Anfragen ein. [PutEvents](API_UBS_PutEvents.md) Amazon Personalize leitet die impliziten Impressionen auf der Grundlage Ihrer Empfehlungsdaten ab.
Möglicherweise haben Sie eine Anwendung, die Empfehlungen für das Streamen von Videos bereitstellt. Ihr Empfehlungs-Workflow mit impliziten Impressionen könnte wie folgt aussehen:
1. Sie fordern mithilfe des Amazon Personalize [GetRecommendations](API_RS_GetRecommendations.md) Personalize-API-Vorgangs Videoempfehlungen für einen Ihrer Benutzer an.
1. Amazon Personalize generiert Empfehlungen für den Benutzer, der Ihr Modell (Lösungsversion) verwendet, und gibt sie mit einer Antwort `recommendationId` in der API zurück.
1. Sie zeigen Ihrem Benutzer die Videoempfehlungen in Ihrer Anwendung.
1. Wenn Ihr Benutzer mit einem Video interagiert (z. B. klickt), zeichnen Sie die Auswahl in einem [PutEvents](API_UBS_PutEvents.md) API-Aufruf auf und fügen Sie das `recommendationId` als Parameter hinzu. Ein Codebeispiel finden Sie unter[Aufzeichnen von Interaktionsereignissen mit Artikeldaten](putevents-including-impressions-data.md).
1. Amazon Personalize verwendet die`recommendationId`, um die Impressionsdaten aus den vorherigen Videoempfehlungen abzuleiten, und verwendet dann die Impressionsdaten als Leitfaden für die Erkundung, wobei future Empfehlungen neue Videos mit weniger Interaktionsdaten oder Relevanz beinhalten.
Weitere Informationen zur Aufzeichnung von Ereignissen mit impliziten Impressionsdaten finden Sie unter. [Aufzeichnen von Interaktionsereignissen mit Artikeldaten](putevents-including-impressions-data.md)
## Beispiel für Interaktionsdaten
Die folgenden Interaktionsdaten stellen historische Benutzeraktivitäten auf einer Streaming-Video-Website dar. Sie könnten die Daten verwenden, um ein Modell zu trainieren, das Filmempfehlungen auf der Grundlage der Interaktionsdaten der Benutzer bereitstellt. Beachten Sie, dass einige Werte für EVENT\$1VALUE Null sind.
```
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 benötigt die `TIMESTAMP` Spalte `USER_ID``ITEM_ID`, und. `USER_ID`ist die Kennung für einen Benutzer Ihrer Anwendung. `ITEM_ID`ist die Kennung für einen Film. `EVENT_TYPE`und `EVENT_VALUE` sind die Identifikatoren für Benutzerinteraktionen. In den Beispieldaten handelt es sich bei den Ereignissen um `click` Ereignisse `watch` und bei den Werten um den Prozentsatz eines Videos, den ein Benutzer angesehen hat. Der `TIMESTAMP` steht für die Zeit der Unix-Zeit, in der der Film gekauft wurde.
Nachdem Sie Ihre Daten vorbereitet haben, können Sie eine Schema-JSON-Datei erstellen. Diese Datei informiert Amazon Personalize über die Struktur Ihrer Daten. Weitere Informationen finden Sie unter [JSON-Schema-Dateien für Amazon Personalize Personalize-Schemas erstellen](how-it-works-dataset-schema.md). So würde die Schema-JSON-Datei für die Beispieldaten aussehen.
```
{
"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"
}
```
# Artikelmetadaten für das Training vorbereiten
Zu den Artikelmetadaten gehören numerische und kategoriale Daten zu den Elementen, mit denen Ihre Benutzer interagieren. Zu den Artikelmetadaten gehören beispielsweise der Erstellungszeitstempel, der Preis, das Genre, die Beschreibung und die Verfügbarkeit. Sie importieren Metadaten zu Ihren Artikeln in einen Amazon Personalize *Items-Datensatz*.
Abhängig von Ihrem Domain-Anwendungsfall oder Ihrer benutzerdefinierten Rezeptur können Artikelmetadaten Amazon Personalize dabei helfen, Benutzern relevantere Artikel zu empfehlen, ähnliche Artikel genauer vorherzusagen oder aussagekräftigere Benutzersegmente zu empfehlen. Und es kann Amazon Personalize dabei helfen, neue Artikel in Empfehlungen aufzunehmen. Artikelmetadaten sind für einige Domain-Anwendungsfälle erforderlich und für alle benutzerdefinierten Rezepte optional. Weitere Informationen finden Sie in den Datenanforderungen für Ihren Domain-Anwendungsfall oder Ihr Rezept unter[Ihren Anwendungsfall mit den Ressourcen von Amazon Personalize abgleichen](use-cases-and-recipes.md).
Beim Training verwendet Amazon Personalize keine nicht kategorischen Zeichenkettendaten wie Artikeltitel oder Autorendaten. Durch den Import dieser Daten können die Empfehlungen jedoch immer noch verbessert werden. Weitere Informationen finden Sie unter [Nicht kategorische Zeichenkettendaten](#item-string-data).
Die maximale Anzahl von Artikeln, die Amazon Personalize während der Schulung berücksichtigt, hängt von Ihrem Anwendungsfall oder Ihrer Rezeptur ab. Nur Artikel, die während der Schulung berücksichtigt wurden, können in Empfehlungen erscheinen.
+ Für User-Personalization-v 2 oder Personalized-Ranking-v 2 beträgt die maximale Anzahl von Elementen, die von einem Modell während des Trainings berücksichtigt werden, 5 Millionen. Diese Elemente stammen sowohl aus dem Datensatz Artikel als auch aus dem Datensatz Artikelinteraktionen.
+ Für alle Domain-Anwendungsfälle und benutzerdefinierten Rezepte mit Ausnahme von User-Personalization-v 2 und Personalized-Ranking-v 2 beträgt die maximale Anzahl von Elementen, die von einem Modell beim Training und bei der Generierung von Empfehlungen berücksichtigt werden, 750.000.
Für alle Domain-Anwendungsfälle und benutzerdefinierten Rezepte müssen sich Ihre Massenartikeldaten in einer CSV-Datei befinden. Jede Zeile in der Datei sollte für ein eindeutiges Element stehen. Nachdem Sie Ihre Daten vorbereitet haben, können Sie eine Schema-JSON-Datei erstellen. Diese Datei informiert Amazon Personalize über die Struktur Ihrer Daten. Weitere Informationen finden Sie unter [JSON-Schema-Dateien für Amazon Personalize Personalize-Schemas erstellen](how-it-works-dataset-schema.md).
In den folgenden Abschnitten finden Sie weitere Informationen zur Vorbereitung Ihrer Artikelmetadaten für Amazon Personalize. Richtlinien für das Massendatenformat für alle Datentypen finden Sie unter Richtlinien für das [Massendatenformat](preparing-training-data.md#general-formatting-guidelines)
**Topics**
+ [Anforderungen an Artikeldaten](#item-data-requirements)
+ [Zeitstempeldaten der Erstellung](#creation-timestamp-data)
+ [Kategorische Metadaten](#item-categorical-data)
+ [Unstrukturierte Textmetadaten](#text-data)
+ [Numerische Daten](#item-numerical-data)
+ [Nicht kategorische Zeichenkettendaten](#item-string-data)
+ [Beispiel für Artikel-Metadaten](#items-data-example)
## Anforderungen an Artikeldaten
Im Folgenden sind die Anforderungen an Artikelmetadaten für Amazon Personalize aufgeführt.
Wenn Sie sich nicht sicher sind, ob Sie über genügend Daten verfügen, oder wenn Sie Fragen zu deren Qualität haben, können Sie Ihre Daten in einen Amazon Personalize-Datensatz importieren und mit Amazon Personalize analysieren. Weitere Informationen finden Sie unter [Analysieren von Qualität und Quantität von Daten in Amazon Personalize Personalize-Datensätzen](analyzing-data.md).
+ Für alle Domain-Anwendungsfälle und benutzerdefinierten Rezepte benötigen Sie eine ITEM\$1ID-Spalte, in der die eindeutige Kennung für jeden Artikel gespeichert wird. Jeder Artikel muss eine Artikel-ID haben. Es muss eine `string` mit einer maximalen Länge von 256 Zeichen sein.
+ Für benutzerdefinierte Rezepte müssen Ihre Daten mindestens eine kategoriale Zeichenfolge oder eine numerische Metadatenspalte enthalten. Spalten mit Elementmetadaten können empty/null Werte enthalten. Wir empfehlen, dass diese Spalten zu mindestens 70 Prozent vollständig sind.
+ Bei Domain-Anwendungsfällen hängen die erforderlichen Spalten von Ihrer Domain ab. Weitere Informationen finden Sie unter [Anforderungen an die VIDEO\$1ON\$1DEMAND-Domain](#vod-item-data-req) oder [Anforderungen an die E-COMMERCE-Domain](#retail-item-data-req).
+ Die maximale Anzahl von Metadatenspalten beträgt 100.
### Anforderungen an die VIDEO\$1ON\$1DEMAND-Domain
Für einige Anwendungsfälle sind Elementmetadaten erforderlich (siehe). [Anwendungsfälle für VIDEO\$1ON\$1DEMAND](VIDEO_ON_DEMAND-use-cases.md) Falls optional, empfehlen wir dennoch, Artikelmetadaten zu importieren, um die relevantesten Empfehlungen zu erhalten. Wenn Sie Artikelmetadaten importieren, müssen Ihre Daten die folgenden Spalten enthalten:
+ ITEM\$1ID
+ GENRES (kategorisch`string`)
+ CREATION\$1TIMESTAMP (im Zeitformat für die Unix-Epoche)
Im Folgenden sind weitere empfohlene Spalten und ihre erforderlichen Typen aufgeführt. Der `null` Typ gibt an, dass in der Spalte möglicherweise Werte fehlen. Wir empfehlen, dass diese Spalten zu mindestens 70 Prozent vollständig sind. Die Aufnahme dieser Spalten kann die Empfehlungen verbessern.
+ PREIS (Float)
+ DAUER (Float)
+ GENRE\$1L2 (kategorisch,) `string` `null`
+ GENRE\$1L3 (kategorisch,) `string` `null`
+ DURCHSCHNITTLICHE\$1BEWERTUNG `float` (`null`,)
+ PRODUKTBESCHREIBUNG (textuell,) `string` `null`
+ CONTENT\$1OWNER (kategorisch`string`,`null`) — Das Unternehmen, dem das Video gehört. Die Werte könnten beispielsweise HBO, Paramount und NBC lauten.
+ CONTENT\$1CLASSIFICATION (kategorisch`string`,`null`) — Die Bewertung des Inhalts. Die Werte könnten beispielsweise G, PG, PG-13, R, NC-17 und nicht bewertet sein.
### Anforderungen an die E-COMMERCE-Domain
Artikelmetadaten sind für alle E-COMMERCE-Anwendungsfälle optional. Wenn Sie über Artikeldaten verfügen, empfehlen wir, diese zu importieren, um die relevantesten Empfehlungen zu erhalten. Wenn Sie Artikelmetadaten importieren, müssen Ihre Daten die folgenden Spalten enthalten:
+ ITEM\$1ID
+ PREIS (`float`)
+ CATEGORY\$1L1 (kategorisch`string`) — Informationen zum Formatieren von kategorialen Daten finden Sie unter. [Kategorische Metadaten](#item-categorical-data)
Im Folgenden werden weitere empfohlene Spalten und ihre erforderlichen Typen aufgeführt. Der `null` Typ gibt an, dass in der Spalte möglicherweise Werte fehlen. Wir empfehlen, dass diese Spalten zu mindestens 70 Prozent vollständig sind. Die Aufnahme dieser Spalten kann die Empfehlungen verbessern.
+ CATEGORY\$1L2 (kategorisch,) `string` `null`
+ CATEGORY\$1L3 (kategorisch,) `string` `null`
+ PRODUKTBESCHREIBUNG (textuell,) `string` `null`
+ ERSTELLUNGSZEITSTEMPEL () `float`
+ AGE\$1GROUP (kategorisch`string`,`null`) — Die Altersgruppe, für die der Artikel bestimmt ist. Werte können Neugeborene, Säuglinge, Kinder und Erwachsene sein.
+ ERWACHSENE (kategorisch`string`,`null`) — Gibt an, ob der Artikel ausschließlich Erwachsenen vorbehalten ist, z. B. Alkohol. Die Werte können ja oder nein sein.
+ GESCHLECHT (kategorisch`string`,`null`) — Das Geschlecht, für das der Artikel bestimmt ist. Die Werte können männlich, weiblich und unisex sein.
## Zeitstempeldaten der Erstellung
Die Zeitstempeldaten für die Erstellung müssen im Unix-Epochenzeitformat in Sekunden vorliegen. Der Zeitstempel der Epoche in Sekunden für das Datum 31. Juli 2020 lautet beispielsweise 1596238243. [Verwenden Sie einen Epochenkonverter — Unix-Zeitstempelkonverter, um Datumsangaben in Zeitstempel der Unix-Epoche zu konvertieren.](https://www.epochconverter.com)
Amazon Personalize verwendet Zeitstempeldaten der Erstellung (im Zeitformat Unix-Epoche, in Sekunden), um das Alter eines Artikels zu berechnen und die Empfehlungen entsprechend anzupassen.
Wenn Daten zum Erstellungszeitstempel für einen oder mehrere Artikel fehlen, leitet Amazon Personalize diese Informationen aus etwaigen Interaktionsdaten ab und verwendet den Zeitstempel der ältesten Interaktionsdaten des Artikels als Erstellungszeitstempel des Artikels. Wenn ein Artikel keine Interaktionsdaten hat, wird sein Erstellungszeitstempel als Zeitstempel der letzten Interaktion im Trainingssatz festgelegt und Amazon Personalize betrachtet ihn als neuen Artikel.
## Kategorische Metadaten
Bei bestimmten Rezepten und allen Domain-Anwendungsfällen verwendet Amazon Personalize kategorische Metadaten, wie z. B. das Genre oder die Farbe eines Artikels, um zugrunde liegende Muster zu identifizieren, die die relevantesten Artikel für Ihre Benutzer aufdecken. Sie definieren Ihren eigenen Wertebereich auf der Grundlage Ihres Anwendungsfalls. Kategorische Metadaten können in jeder Sprache verfasst sein.
Bei Elementen mit mehreren Kategorien trennen Sie die einzelnen Werte durch den senkrechten Balken '\$1' voneinander. Für ein GENRES-Feld könnten Ihre Daten für ein Element beispielsweise lauten. `Action|Crime|Biopic` Wenn Sie über mehrere Ebenen von kategorialen Daten verfügen und einige Elemente mehrere Kategorien für jede Ebene in der Hierarchie haben, verwenden Sie für jede Ebene eine separate Spalte und fügen Sie hinter jedem Feldnamen einen Ebenenindikator an: GENRES, GENRE\$1L2, GENRE\$1L3. Auf diese Weise können Sie Empfehlungen auf der Grundlage von Unterkategorien filtern, auch wenn ein Element zu mehreren Kategorien mit mehreren Ebenen gehört (Informationen zum Erstellen und Verwenden von Filtern finden Sie unter). [Empfehlungen und Benutzersegmente filtern](filter.md) Ein Video könnte beispielsweise die folgenden Daten für jede Kategorieebene enthalten:
+ GENRES: Aktion \$1 Abenteuer
+ GENRE\$1L2: Krimi \$1 Western
+ GENRE\$1L3: Biopic
In diesem Beispiel handelt es sich bei dem Video um Action > Verbrechen > Biopic-Hierarchie *und* Abenteuer > Western > Biopic-Hierarchie. Wir empfehlen, nur bis zu L3 zu verwenden, aber Sie können bei Bedarf auch mehr Stufen verwenden.
Kategorische Werte können maximal 1000 Zeichen lang sein. Wenn Sie ein Element mit einem kategorialen Wert mit mehr als 1000 Zeichen haben, schlägt Ihr Datensatz-Importjob fehl. Wir empfehlen, dass kategoriale Spalten maximal 1000 mögliche Werte haben. Der Import von kategorialen Daten mit mehr Werten kann sich negativ auf Empfehlungen auswirken. Folgendes kann Ihnen helfen, die Anzahl der möglichen Werte für eine kategoriale Spalte zu reduzieren:
+ Stellen Sie sicher, dass die Werte einer konsistenten Benennungskonvention folgen, und achten Sie auf Tippfehler. Verwenden Sie beispielsweise „Herrenschuhe“, anstatt eine Mischung aus „Herrenschuhe“, „Herrenschuhe“ und „Herrenschuhe“ zu verwenden.
+ Konsolidieren Sie ähnliche Kategorien, die leicht unterschiedliche Begriffe verwenden, die sich auf dieselbe zugrunde liegende Kategorie beziehen, wie „Schuhe“ und „Sneakers“.
+ Wenn Ihre Daten eine hierarchische Struktur haben, in der umfassendere Kategorien (wie „Schuhe“) spezifischere Unterkategorien enthalten (z. B. „Herrenschuhe“, „Damenschuhe“, „Kinderschuhe“), verwenden Sie für jede Ebene eine separate Spalte und fügen Sie hinter jedem Feldnamen eine Ebenenanzeige an. Zum Beispiel CATEGORY\$11, CATEGORY\$12 und CATEGORY\$13. Dadurch können mehrdeutige oder sich überschneidende Kategorien reduziert werden.
Bei allen Rezepten und Domänen können Sie kategoriale Daten importieren und diese verwenden, um Empfehlungen auf der Grundlage der Attribute eines Artikels zu filtern. Informationen zum Filtern von Empfehlungen finden Sie unter[Empfehlungen und Benutzersegmente filtern](filter.md).
## Unstrukturierte Textmetadaten
Bei bestimmten Rezepten und Domains kann Amazon Personalize aussagekräftige Informationen aus unstrukturierten Textmetadaten wie Produktbeschreibungen, Produktrezensionen oder Filmzusammenfassungen extrahieren. Amazon Personalize verwendet unstrukturierten Text, um relevante Artikel für Ihre Benutzer zu identifizieren, insbesondere wenn Artikel neu sind oder weniger Interaktionsdaten enthalten. Sie können höchstens ein Textfeld hinzufügen. Nehmen Sie unstrukturierte Textdaten in Ihren Artikeldatensatz auf, um die Klickraten und die Konversationsrate für neue Artikel in Ihrem Katalog zu erhöhen.
Wenn Sie Ihre unstrukturierten Textmetadaten vorbereiten, setzen Sie den Text in doppelte Anführungszeichen und entfernen Sie alle Zeilenumbrüche. Verwenden Sie das `\` Zeichen, um doppelte Anführungszeichen oder\$1 -Zeichen in Ihren Daten zu maskieren. Amazon Personalize schneidet Textfelder bis zur Zeichenbeschränkung ab. Stellen Sie sicher, dass sich die relevantesten Informationen im Text am Anfang des Felds befinden.
Unstrukturierte Textwerte können in allen Sprachen außer Chinesisch und Japanisch höchstens 20.000 Zeichen enthalten. Für Chinesisch und Japanisch können Sie maximal 7.000 Zeichen verwenden. Amazon Personalize kürzt Werte, die die Zeichenbeschränkung überschreiten, auf die Zeichenbeschränkung.
Sie können unstrukturierte Textelemente in mehreren Sprachen einreichen, aber der Text jedes Elements sollte nur in einer Sprache verfasst sein. Text kann in den folgenden Sprachen verfasst sein:
+ Chinesisch (vereinfacht)
+ Chinesisch (traditionell)
+ Englisch
+ Französisch
+ Deutsch
+ Japanisch
+ Portugiesisch
+ Spanisch
## Numerische Daten
Amazon Personalize kann numerische Artikelmetadaten wie Preis oder Videodauer verwenden, um relevantere Empfehlungen für Benutzer zu generieren. Diese numerischen Daten können als ganze Zahlen oder Dezimalwerte dargestellt werden.
Wenn Sie die [Personalisierung durch Benutzer](native-recipe-new-item-USER_PERSONALIZATION.md) oder [Personalisierte Rangfolge](native-recipe-search.md) benutzerdefinierte Rezepte verwenden, können Sie eine Amazon Personalize Personalize-Lösung für ein Ziel optimieren, das sich auf Artikelmetadaten bezieht und zusätzlich maximale Relevanz bietet, z. B. die Maximierung des Umsatzes. Wenn Sie Ihre Lösung konfigurieren, wählen Sie die numerische Metadatenspalte in Ihrem Artikeldatensatz aus, die sich auf Ihr Ziel bezieht. Sie könnten beispielsweise eine VIDEO\$1LENGTH-Spalte wählen, um die Streaming-Minuten zu maximieren, oder eine PRICE-Spalte, um den Umsatz zu maximieren.
Weitere Informationen finden Sie unter [Optimierung einer Lösung für ein zusätzliches Ziel](optimizing-solution-for-objective.md).
## Nicht kategorische Zeichenkettendaten
Mit Ausnahme von Artikeln verwendet Amazon Personalize beim Training keine nicht kategorischen IDs, nicht textuellen Zeichenkettendaten, wie Artikeltitel oder Autorendaten. Amazon Personalize kann es jedoch mit den folgenden Funktionen verwenden. Nicht kategorische Werte können maximal 1000 Zeichen lang sein.
+ Amazon Personalize kann Artikelmetadaten in Empfehlungen aufnehmen, einschließlich nicht kategorischer Zeichenkettenwerte. Sie können Metadaten verwenden, um Empfehlungen auf Ihrer Benutzeroberfläche zu erweitern, z. B. um den Namen des Regisseurs zu einem Karussell mit Filmempfehlungen hinzuzufügen. Weitere Informationen finden Sie unter [Artikelmetadaten in Empfehlungen](campaigns.md#create-campaign-return-metadata).
+ Wenn Sie dies verwenden[Ähnliche Artikel](native-recipe-similar-items.md), können Sie Batch-Empfehlungen mit Themen generieren. Wenn Sie Batch-Empfehlungen mit Themen generieren, müssen Sie im Batch-Inferenzjob eine Spalte mit dem Elementnamen angeben. Weitere Informationen finden Sie unter [Batch-Empfehlungen mit Themen aus dem Content Generator](themed-batch-recommendations.md).
+ Sie können Filter erstellen, um Elemente auf der Grundlage von Zeichenkettendaten, die nicht kategorisch sind, in Empfehlungen aufzunehmen oder daraus zu entfernen. Weitere Informationen zu Filtern finden Sie unter [Empfehlungen und Benutzersegmente filtern](filter.md).
## Beispiel für Artikel-Metadaten
Die ersten Zeilen mit Filmmetadaten in einer CSV-Datei könnten wie folgt aussehen.
```
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."
...
...
```
Die `ITEM_ID` Spalte ist erforderlich und speichert eindeutige Kennungen für jedes einzelne Element. `GENRE`In der Spalte werden kategoriale Metadaten für jeden Film gespeichert, und in der `DESCRIPTION` Spalte werden unstrukturierte Textmetadaten gespeichert. In der `CREATION_TIMESTAMP` Spalte wird die Erstellungszeit jedes Elements im Unix-Epochenzeitformat in Sekunden gespeichert.
Nachdem Sie Ihre Daten vorbereitet haben, können Sie eine Schema-JSON-Datei erstellen. Diese Datei informiert Amazon Personalize über die Struktur Ihrer Daten. Weitere Informationen finden Sie unter [JSON-Schema-Dateien für Amazon Personalize Personalize-Schemas erstellen](how-it-works-dataset-schema.md). So würde die Schema-JSON-Datei für die obigen Beispieldaten aussehen.
```
{
"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"
}
```
# Benutzermetadaten für das Training vorbereiten
Zu den Benutzerdaten, die Sie in Amazon Personalize importieren können, gehören numerische Daten wie das Alter des Benutzers und kategorische Metadaten wie Geschlecht oder Treuemitgliedschaft. Sie importieren Metadaten über Ihre Benutzer in einen Amazon Personalize *Users-Datensatz*.
Abhängig von Ihrem Domain-Anwendungsfall oder Ihrer benutzerdefinierten Rezeptur können Benutzermetadaten Amazon Personalize dabei helfen, Benutzern relevantere Artikel zu empfehlen oder aussagekräftigere Benutzersegmente zu empfehlen. Und nach dem Training kann es Ihrem Modell helfen, Artikel für Benutzer ohne Interaktionsdaten zu empfehlen. Weitere Informationen darüber, welche Anwendungsfälle oder Rezepte Benutzermetadaten verwenden, finden Sie in den Datenanforderungen für Ihren Domain-Anwendungsfall oder Ihr Rezept unter[Ihren Anwendungsfall mit den Ressourcen von Amazon Personalize abgleichen](use-cases-and-recipes.md).
Beim Training verwendet Amazon Personalize keine unkategorischen Zeichenketten-Benutzerdaten wie Benutzernamen, Stichwörter über den Benutzer oder Tags. Der Import dieser Daten kann die Empfehlungen jedoch immer noch verbessern. Weitere Informationen finden Sie unter [Nicht kategorische Zeichenkettendaten](#user-string-data).
Für alle Domain-Anwendungsfälle und benutzerdefinierten Rezepte müssen sich Ihre Massenbenutzerdaten in einer CSV-Datei befinden. Jede Zeile in der Datei sollte für einen eindeutigen Benutzer stehen. Nachdem Sie Ihre Daten vorbereitet haben, können Sie eine Schema-JSON-Datei erstellen. Diese Datei informiert Amazon Personalize über die Struktur Ihrer Daten. Weitere Informationen finden Sie unter [JSON-Schema-Dateien für Amazon Personalize Personalize-Schemas erstellen](how-it-works-dataset-schema.md).
In den folgenden Abschnitten finden Sie weitere Informationen zur Vorbereitung Ihrer Benutzerdaten für Amazon Personalize. Richtlinien für das Massendatenformat für alle Datentypen finden Sie unter Richtlinien für das [Massendatenformat](preparing-training-data.md#general-formatting-guidelines)
**Topics**
+ [Anforderungen an Benutzerdaten](#user-data-requirements)
+ [Kategorische Metadaten](#user-categorical-data)
+ [Nicht kategorische Zeichenkettendaten](#user-string-data)
+ [Beispiel für Benutzermetadaten](#users-data-example)
## Anforderungen an Benutzerdaten
Im Folgenden sind die Anforderungen an Benutzerdaten für Amazon Personalize aufgeführt. Es steht Ihnen frei, je nach Ihrem Anwendungsfall und Ihren Daten weitere benutzerdefinierte Spalten hinzuzufügen.
+ Ihre Daten müssen über eine USER\$1ID-Spalte verfügen, in der die eindeutige Kennung für jeden Benutzer gespeichert ist. Jeder Benutzer muss eine Benutzer-ID haben. Es muss eine `string` mit einer maximalen Länge von 256 Zeichen sein.
+ Ihre Daten müssen mindestens eine kategoriale Zeichenfolge oder eine numerische Metadatenspalte enthalten. Benutzermetadatenspalten können empty/null Werte für einige Benutzer enthalten. Wir empfehlen, dass diese Spalten zu mindestens 70 Prozent vollständig sind.
+ Die maximale Anzahl von Metadatenspalten ist 25.
Wenn Sie sich nicht sicher sind, ob Sie über genügend Daten verfügen, oder wenn Sie Fragen zu deren Qualität haben, können Sie Ihre Daten in einen Amazon Personalize-Datensatz importieren und mit Amazon Personalize analysieren. Weitere Informationen finden Sie unter [Analysieren von Qualität und Quantität von Daten in Amazon Personalize Personalize-Datensätzen](analyzing-data.md).
## Kategorische Metadaten
Bei einigen Rezepten und allen Domain-Anwendungsfällen verwendet Amazon Personalize kategorische Metadaten, wie das Geschlecht, die Interessen oder den Mitgliedschaftsstatus eines Benutzers, um zugrunde liegende Muster zu identifizieren, die die relevantesten Elemente für Ihre Benutzer aufdecken. Sie definieren Ihren eigenen Wertebereich auf der Grundlage Ihres Anwendungsfalls. Kategorische Metadaten können in jeder Sprache vorliegen.
Bei Benutzern mit mehreren Kategorien trennen Sie die einzelnen Werte durch den senkrechten Balken '\$1' voneinander. Für ein INTERESSEN-Feld könnten Ihre Daten für einen Benutzer beispielsweise `Movies|TV Shows|Music`
Bei allen Rezepten und Domänen können Sie kategoriale Metadaten importieren und sie verwenden, um Empfehlungen anhand der Attribute eines Benutzers zu filtern. Informationen zum Filtern von Empfehlungen finden Sie unter[Empfehlungen und Benutzersegmente filtern](filter.md).
Kategorische Werte können maximal 1000 Zeichen lang sein. Wenn Sie einen Benutzer mit einem kategorialen Wert mit mehr als 1000 Zeichen haben, schlägt Ihr Datensatz-Importjob fehl.
## Nicht kategorische Zeichenkettendaten
Mit Ausnahme von Benutzern IDs verwendet Amazon Personalize beim Training keine nicht kategorischen Zeichenkettendaten, wie z. B. Benutzernamen, Stichwörter über den Benutzer oder Tags. Amazon Personalize kann es jedoch beim Filtern von Empfehlungen verwenden. Sie können Filter erstellen, um Artikel auf der Grundlage von nicht kategorischen Zeichenkettendaten über den Benutzer, für den Sie Empfehlungen erhalten, in Empfehlungen aufzunehmen oder daraus zu entfernen. CurrentUser Weitere Informationen zu Filtern finden Sie unter [Empfehlungen und Benutzersegmente filtern](filter.md). Nicht kategorische Werte können maximal 1000 Zeichen lang sein.
## Beispiel für Benutzermetadaten
Die ersten Zeilen mit Benutzermetadaten in einer CSV-Datei könnten wie folgt aussehen.
```
USER_ID,AGE,GENDER,INTEREST
5,34,Male,hiking
6,56,Female,music
8,65,Male,movies|TV shows|music
...
...
```
Die `USER_ID` Spalte ist erforderlich und speichert eindeutige Kennungen für jeden einzelnen Benutzer. Die `AGE` Spalte besteht aus numerischen Metadaten. In den `INTEREST` Spalten `GENDER` und werden kategoriale Metadaten für jeden Benutzer gespeichert.
Nachdem Sie Ihre Daten vorbereitet haben, können Sie eine Schema-JSON-Datei erstellen. Diese Datei informiert Amazon Personalize über die Struktur Ihrer Daten. Weitere Informationen finden Sie unter [JSON-Schema-Dateien für Amazon Personalize Personalize-Schemas erstellen](how-it-works-dataset-schema.md). So würde die Schema-JSON-Datei für die obigen Beispieldaten aussehen.
```
{
"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"
}
```
# Aktionsmetadaten für das Training vorbereiten
Eine *Aktion* ist eine Aktivität, die Interaktionen generiert oder Umsätze generiert, die Sie Ihren Benutzern empfehlen möchten. Zu den Aktionen können die Installation Ihrer mobilen App, das Ausfüllen eines Mitgliedsprofils, die Teilnahme an Ihrem Treueprogramm oder die Anmeldung für Werbe-E-Mails gehören. Sie importieren Daten über Ihre Aktionen in einen Amazon Personalize *Actions-Datensatz*. Zu den Daten für eine Aktion gehören beispielsweise eine eindeutige ID für die Aktion, der geschätzte Wert der Aktion oder der Ablaufzeitstempel der Aktion.
Wenn Sie [Next-Best-Action verwenden, müssen Sie Aktionsmetadaten](native-recipe-next-best-action.md) importieren. Mit diesem Rezept prognostiziert Amazon Personalize anhand der Aktionen, die Sie in Ihren Aktionsdatensatz importieren, die nächstbeste Aktion. Keine anderen Rezepte oder Anwendungsfälle verwenden Aktionsmetadaten. Sie können keinen Actions-Datensatz in einer Domain-Datensatzgruppe erstellen.
Beim Training verwendet Amazon Personalize keine nicht kategorischen Zeichenkettenaktionsdaten wie Aktionstitel oder Tags. Der Import dieser Daten kann jedoch die Empfehlungen dennoch verbessern. Weitere Informationen finden Sie unter [Nicht kategorische Zeichenkettendaten](#action-string-data).
Ihre Daten für Massenaktionen müssen sich in einer CSV-Datei befinden. Jede Zeile in der Datei sollte eine eindeutige Aktion darstellen. Nachdem Sie Ihre Daten vorbereitet haben, können Sie eine Schema-JSON-Datei erstellen. Diese Datei informiert Amazon Personalize über die Struktur Ihrer Daten. Weitere Informationen finden Sie unter [JSON-Schema-Dateien für Amazon Personalize Personalize-Schemas erstellen](how-it-works-dataset-schema.md).
In den folgenden Abschnitten finden Sie weitere Informationen zur Vorbereitung Ihrer Aktionsmetadaten für Amazon Personalize. Richtlinien für das Massendatenformat für alle Datentypen finden Sie unter Richtlinien für das [Massendatenformat](preparing-training-data.md#general-formatting-guidelines)
**Topics**
+ [Anforderungen an Aktionsdaten](#action-data-requirements)
+ [Daten zum Ablauf der Aktion, Zeitstempel](#action-expiration-timestamp-data)
+ [Häufigkeitsdaten wiederholen](#action-repeat-frequency)
+ [Wertdaten](#action-value-data)
+ [Daten mit Zeitstempel der Erstellung](#action-creation-timestamp-data)
+ [Kategorische Metadaten](#action-categorical-data)
+ [Nicht kategorische Zeichenkettendaten](#action-string-data)
+ [Beispiel für Aktions-Metadaten](#actions-data-example)
## Anforderungen an Aktionsdaten
Im Folgenden sind die Anforderungen an Aktionsdaten für Amazon Personalize aufgeführt.
+ Sie benötigen eine ACTION\$1ID-Spalte, in der die eindeutige Kennung für jede Aktion gespeichert ist. Jede Aktion muss eine Element-ID haben. Es muss eine `string` mit einer maximalen Länge von 256 Zeichen sein.
+ Ihre Daten müssen mindestens eine kategoriale Zeichenfolge oder eine numerische Metadatenspalte enthalten. Aktionsmetadatenspalten können empty/null Werte enthalten. Wir empfehlen, dass diese Spalten zu mindestens 70 Prozent vollständig sind.
+ Während des Modelltrainings berücksichtigt Amazon Personalize maximal 1000 Aktionen. Wenn Sie mehr als 1000 Aktionen importieren, entscheidet Amazon Personalize, welche Aktionen in die Schulung aufgenommen werden sollen, wobei neuen Aktionen (Aktionen, die Sie kürzlich ohne Interaktionen hinzugefügt haben) und bestehenden Aktionen mit Daten zu aktuellen Interaktionen Priorität eingeräumt wird.
+ Die maximale Anzahl von Spalten ist 10.
## Daten zum Ablauf der Aktion, Zeitstempel
Ein Ablaufzeitstempel für eine Aktion gibt das Datum an, an dem eine Aktion nicht mehr gültig ist. Sie geben Zeitstempeldaten für den Ablauf einer Aktion im Zeitformat Unix-Epoche in Sekunden an. Wenn eine Aktion abgelaufen ist, nimmt Amazon Personalize sie nicht in Empfehlungen auf.
Geben Sie einen Ablaufzeitstempel für Ihre Aktionen an, wenn Sie deren Auftreten in Empfehlungen auf einen bestimmten Zeitraum beschränken möchten. Angenommen, Sie haben eine Anwendung, die während eines bestimmten Monats eine Mitgliederaktion durchführt. Sie könnten einen Ablaufzeitstempel für die *Anmeldeaktion für* das Ende dieses Monats festlegen. Amazon Personalize hört automatisch auf, diese Aktion zu empfehlen, wenn dieses Datum erreicht ist.
Wenn Sie den Ablaufzeitstempel für eine neue Aktion auf einen Zeitpunkt in der Vergangenheit setzen oder wenn Sie den Zeitstempel einer Aktion auf einen Zeitpunkt in der Vergangenheit aktualisieren, kann es bis zu 2 Stunden dauern, bis die Aktion aus den Empfehlungen entfernt ist.
## Häufigkeitsdaten wiederholen
Die Daten zur Wiederholungshäufigkeit geben an, wie viele Tage Amazon Personalize warten sollte, um eine bestimmte Aktion zu empfehlen, nachdem ein Benutzer damit interagiert hat. Dies basiert auf der Historie des Benutzers in Ihrem Datensatz „Aktionsinteraktionen“. Sie geben die Wiederholungshäufigkeit einer Aktion in Tagen mit einem Maximum von 30 an.
Angenommen, Sie haben eine E-Commerce-Anwendung, bei der jeder Benutzer ein Konto und ein Profil erstellt. Wenn Sie eine `complete profile` Aktion haben und eine Woche warten möchten, nachdem ein Benutzer mit ihr interagiert hat, bevor Sie sie erneut empfehlen, würden Sie für die Aktion 7 Tage angeben. `REPEAT_FREQENCY` Nach 7 Tagen beginnt Amazon Personalize, die Aktion für Empfehlungen in Betracht zu ziehen.
Wenn Sie keine Wiederholungshäufigkeit für eine Aktion angeben, begrenzt Amazon Personalize nicht, wie oft sie in Empfehlungen erscheint.
## Wertdaten
Wertdaten sind der Geschäftswert oder die Bedeutung jeder Aktion. Der Wert einer Aktion `value` kann zwischen 1 und 10 liegen, wobei 10 die wertvollste Aktion in Ihrem Datensatz ist.
Beispielsweise könnten Sie zwei Aktionen haben, eine für die Registrierung für Ihr Basisabonnement und eine für die Registrierung für Ihren Premium-Service. Für den Basisdienst können Sie einen Wert von `5` und für den Premium-Dienst einen Wert von angeben. `10`
Amazon Personalize verwendet Wertdaten als eine Eingabe, wenn es darum geht, die beste Aktion zu ermitteln, die Sie Ihren Benutzern empfehlen können. Wenn ein Benutzer beispielsweise die gleiche Wahrscheinlichkeit hat, die eine oder andere Aktion auszuführen, stuft Amazon Personalize die Aktion mit dem höchsten Wert in Bezug auf Empfehlungen höher ein.
## Daten mit Zeitstempel der Erstellung
Amazon Personalize verwendet Zeitstempeldaten der Erstellung (im Zeitformat Unix-Epoche, in Sekunden), um das Alter einer Aktion zu berechnen und die Empfehlungen entsprechend anzupassen.
Wenn Sie nicht über Zeitstempeldaten für die Erstellung verfügen, leitet Amazon Personalize diese Informationen aus allen Aktionsinteraktionsdaten ab. Es verwendet den Zeitstempel der ältesten Interaktionsdaten der Aktion als Zeitstempel für die Erstellung der Aktion. Wenn eine Aktion keine Interaktionsdaten hat, wird ihr Erstellungszeitstempel als Zeitstempel der letzten Interaktion im Trainingssatz festgelegt, und Amazon Personalize betrachtet sie als neue Aktion.
## Kategorische Metadaten
Amazon Personalize verwendet kategorische Metadaten zu Aktionen, wie Saisonalität oder Aktionsexklusivität, um die zugrunde liegenden Muster zu identifizieren, die die besten Aktionen für Ihre Benutzer aufzeigen. Sie definieren Ihren eigenen Wertebereich auf der Grundlage Ihres Anwendungsfalls. Kategorische Metadaten können in jeder Sprache verfasst sein.
Sie können kategoriale Daten importieren und sie verwenden, um Empfehlungen auf der Grundlage der Attribute einer Aktion zu filtern. Informationen zum Filtern von Empfehlungen finden Sie unter[Empfehlungen und Benutzersegmente filtern](filter.md).
Kategorische Werte können maximal 1000 Zeichen lang sein. Wenn Sie eine Aktion mit einem kategorialen Wert mit mehr als 1000 Zeichen haben, schlägt Ihr Datensatz-Importjob fehl.
## Nicht kategorische Zeichenkettendaten
Mit Ausnahme von Aktionen IDs verwendet Amazon Personalize beim Training keine nicht kategorischen Zeichenkettendaten, wie z. B. den Namen einer Aktion, Schlüsselwörter zur Aktion oder Tags. Amazon Personalize kann es jedoch beim Filtern von Empfehlungen verwenden. Sie können Filter erstellen, um Aktionen auf der Grundlage von nicht kategorischen Zeichenkettendaten in Empfehlungen einzubeziehen oder daraus zu entfernen. Weitere Informationen zu Filtern finden Sie unter [Empfehlungen und Benutzersegmente filtern](filter.md). Nicht kategorische Werte können maximal 1000 Zeichen lang sein.
## Beispiel für Aktions-Metadaten
Die ersten Zeilen mit Aktionsmetadaten in einer CSV-Datei könnten wie folgt aussehen.
```
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
...
...
```
Die Spalte `ACTION_ID` ist obligatorisch. Die `MEMBERSHIP_LEVEL` Spalte ist ein kategoriales Zeichenfolgenfeld. Die `REPEAT_FREQUENCY` Felder `VALUE``CREATION_TIMESTAMP`, und sind reservierte Schlüsselwörter mit den erforderlichen Typen.
Nachdem Sie Ihre Daten vorbereitet haben, können Sie eine Schema-JSON-Datei erstellen. Diese Datei informiert Amazon Personalize über die Struktur Ihrer Daten. Weitere Informationen finden Sie unter [JSON-Schema-Dateien für Amazon Personalize Personalize-Schemas erstellen](how-it-works-dataset-schema.md). So würde die Schema-JSON-Datei für die obigen Beispieldaten aussehen.
```
{
"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"
}
```
# Vorbereiten von Aktionsinteraktionsdaten für das Training
Wenn Sie das benutzerdefinierte Rezept „[Next-Best-Action](native-recipe-next-best-action.md)“ verwenden, verwendet Amazon Personalize Daten zu Aktionsinteraktionen, um das Interesse der Benutzer zu ermitteln und die Aktionen vorherzusagen, die sie am wahrscheinlichsten ergreifen werden. [Eine *Aktionsinteraktion ist eine Interaktion*, an der ein Benutzer und eine Aktion in Ihrem Actions-Datensatz beteiligt sind.](actions-datasets.md) Wenn Sie beispielsweise eine *Registrierungsaktion in Ihrem Aktionen-Datensatz* haben und ein Benutzer diese Aktion ausführt, würden Sie die Benutzer-ID, die ID der Aktion, den Zeitstempel und für den Ereignistyp den Datensatz aufzeichnen. `TAKEN`
Sie importieren Aktionsinteraktionen in einen Amazon Personalize *Action-Interaktions-Datensatz*. Sie können Aktionsereignisse im Rahmen eines Datensatz-Import-Jobs in großen Mengen importieren oder sie mit dem [PutActionInteractions](API_UBS_PutActionInteractions.md) API-Vorgang in Echtzeit streamen. Sie können in einer Domain-Datensatzgruppe keine Ressourcen für die nächste beste Aktion, einschließlich der Datensätze „Aktionen“ und „Aktionsinteraktionen“, erstellen.
Ihre Daten zu Interaktionen mit Massenaktionen müssen sich in einer CSV-Datei befinden. Jede Zeile in der Datei sollte eine eindeutige Interaktion zwischen einem Benutzer und einer Aktion darstellen. Nachdem Sie Ihre Daten vorbereitet haben, können Sie eine Schema-JSON-Datei erstellen. Diese Datei informiert Amazon Personalize über die Struktur Ihrer Daten. Weitere Informationen finden Sie unter [JSON-Schema-Dateien für Amazon Personalize Personalize-Schemas erstellen](how-it-works-dataset-schema.md).
In den folgenden Abschnitten finden Sie weitere Informationen zur Vorbereitung Ihrer Aktionsinteraktionsdaten für Amazon Personalize. Richtlinien für das Massendatenformat für alle Datentypen finden Sie unter [Richtlinien für das Massendatenformat](preparing-training-data.md#general-formatting-guidelines).
**Topics**
+ [Datenanforderungen für Aktionen, Interaktionen](#action-interaction-requirements)
+ [Daten vom Ereignistyp](#action-interaction-event-type-data)
+ [Beispiel für Daten zu Aktionen, Interaktionen](#action-interactions-data-schema-example)
## Datenanforderungen für Aktionen, Interaktionen
Es gibt keine Mindestanforderung für Daten zu Aktionsinteraktionen. Wir empfehlen, dass Sie diese Daten importieren, um qualitativ hochwertige Handlungsempfehlungen zu erhalten. Wenn Sie keine Daten zu Aktionsinteraktionen haben, können Sie einen leeren Datensatz für Aktionsinteraktionen erstellen und mithilfe der [PutActionInteractions](API_UBS_PutActionInteractions.md) API-Operation die Interaktionen Ihrer Kunden mit Aktionen aufzeichnen.
Ihre Aktionsinteraktionsdaten müssen mindestens die folgenden Spalten enthalten. Es steht Ihnen frei, je nach Ihrem Anwendungsfall und Ihren Daten weitere benutzerdefinierte Spalten hinzuzufügen.
+ USER\$1ID — Die eindeutige Kennung des Benutzers, der mit dem Element interagiert hat. Jedes Ereignis muss eine USER\$1ID haben. Es muss eine `string` mit einer maximalen Länge von 256 Zeichen sein.
+ ACTION\$1ID — Die eindeutige Kennung des Elements, mit dem der Benutzer interagiert hat. Jedes Ereignis muss eine Element-ID haben. Es muss eine `string` mit einer maximalen Länge von 256 Zeichen sein.
+ TIMESTAMP — Die Zeit, zu der das Ereignis eingetreten ist (im Zeitformat der Unix-Epoche in Sekunden). Jede Aktionsinteraktion muss einen TIMESTAMP haben. Weitere Informationen finden Sie unter [Daten mit Zeitstempel](interactions-datasets.md#timestamp-data).
+ EVENT\$1TYPE — Ob die Aktion ausgeführt, Nicht ausgeführt oder Angesehen wurde. Jede Aktionsinteraktion muss einen Ereignistyp haben. Weitere Informationen finden Sie unter [Daten vom Ereignistyp](#action-interaction-event-type-data).
Bis Sie Aktionsinteraktionsdaten importieren, empfiehlt Amazon Personalize Aktionen in Ihrem System ohne Personalisierung, und die Neigungswerte liegen bei 0,0. Eine Aktion erhält eine Punktzahl, wenn die Aktion Folgendes erreicht hat:
+ Mindestens 50 Aktionsinteraktionen mit dem Ereignistyp TAKEN.
+ Mindestens 50 Aktionsinteraktionen mit dem Ereignistyp NOT\$1TAKEN oder VIEWED.
Diese Aktionsinteraktionen müssen in der letzten Schulung zur Lösungsversion vorhanden sein und innerhalb von 6 Wochen ab dem letzten Interaktionszeitstempel im Datensatz Aktionsinteraktionen stattfinden.
## Daten vom Ereignistyp
Amazon Personalize kann Muster in Ereignistypdaten verwenden, um die Aktionen zu identifizieren, die Ihre Benutzer höchstwahrscheinlich ergreifen werden. Wenn ein Kunde beispielsweise häufig eine E-Mail-Abonnementaktion ignoriert (gekennzeichnet mit dem Ereignistyp NOT\$1TAKEN), passt Amazon Personalize die Empfehlungen möglicherweise an, sodass weniger dieser Aktionen angeboten werden.
Sie können nur die folgenden Ereignistypen für Aktionsereignisse verwenden. Amazon Personalize verwendet diese Ereignisse, um mehr über Ihren Benutzer zu erfahren und zu berechnen, welche Aktionen als Nächstes empfohlen werden sollten.
+ Ergriffen — *Erledigte* Ereignisse aufzeichnen, wenn ein Benutzer eine empfohlene Maßnahme ergreift.
+ Nicht ausgeführt — Ereignisse, die *nicht ausgeführt wurden*, aufzeichnen, wenn Ihr Benutzer sich bewusst dafür entscheidet, die Aktion nicht auszuführen, nachdem er sich die Aktion angesehen hat. Zum Beispiel, wenn sie *Nein* wählen, wenn Sie ihnen die Aktion zeigen. Ereignisse, die *nicht durchgeführt wurden*, können darauf hinweisen, dass der Kunde an der Aktion nicht interessiert ist.
+ Angesehen — *Angesehene* Ereignisse aufzeichnen, wenn Sie einem Benutzer eine Aktion zeigen, bevor er sich entscheidet, ob er eine Aktion ausführt oder nicht. Amazon Personalize verwendet *View-Ereignisse*, um mehr über die Interessen Ihrer Benutzer zu erfahren. Wenn ein Benutzer beispielsweise eine Aktion betrachtet, sie aber nicht ausführt, ist dieser Benutzer möglicherweise in future nicht an dieser Aktion interessiert.
## Beispiel für Daten zu Aktionen, Interaktionen
Die ersten Zeilen einer CSV-Datei mit Aktionsinteraktionsdaten und allen erforderlichen Spalten könnten wie folgt aussehen.
```
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
...
...
```
Nachdem Sie Ihre Daten vorbereitet haben, können Sie eine Schema-JSON-Datei erstellen. Diese Datei informiert Amazon Personalize über die Struktur Ihrer Daten. Weitere Informationen finden Sie unter [JSON-Schema-Dateien für Amazon Personalize Personalize-Schemas erstellen](how-it-works-dataset-schema.md). So würde die Schema-JSON-Datei für die obigen Beispieldaten aussehen.
```
{
"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"
}
```