本文属于机器翻译版本。若本译文内容与英语原文存在差异，则一律以英文原文为准。

维护建议相关性

随着目录的增长，相关建议可以提高应用程序的用户参与度、点击率和转化率。要维护和提高针对用户的 Amazon Personalize 建议相关性，请更新数据和自定义资源。这样，Amazon Personalize 可以从用户的最新行为中学习，并在建议中加入您的最新物品。

使数据集保持最新状态

随着目录的增长，使用批量或单个数据导入操作来更新历史数据。有关导入历史数据的更多信息，请参阅将训练数据导入 Amazon Personalize 数据集。有关训练模型后导入的数据如何影响建议的信息，请参阅训练后更新数据集中的数据。

对于可提供个性化实时建议的使用案例和配方，将您的物品交互数据集与用户的行为保持同步。通过记录项目与事件跟踪器的交互以及 PutEvents API操作来实现此目的。Amazon Personalize 会根据您的用户在与您的目录交互时的最新活动来更新建议。有关实时个性化的信息，请参阅实时个性化。有关记录实时事件的更多信息，请参阅记录实时事件以影响推荐。

维护域推荐器

Amazon Personalize 每 7 天自动重新训练一次支持推荐器的模型。这是一次全面的再训练，基于数据集中的全部数据创建全新的模型。如果您修改训练中使用的列，则 Amazon Personalize 会自动开始对支持推荐器的模型进行全面的重新训练。

推荐器重新训练过程中，您仍可从推荐器中获得建议。在重新训练完成之前，推荐器使用之前的配置和模型。要跟踪更新，您可以在 Amazon Personalize 控制台的推荐器详细信息页面上，查看最新推荐器更新的时间戳。或者，您可以查看 DescribeRecommender 操作的 latestRecommenderUpdate 详细信息。

维护自定义解决方案

默认情况下，所有新解决方案都使用自动训练，每 7 天创建一次新的解决方案版本。培训将继续，直到您删除解决方案。

创建解决方案时，我们建议您使用自动培训来管理解决方案版本的创建。这样可以更轻松地维护您的解决方案。它省去了解决方案从最新数据中学习所需的手动培训。如果没有自动训练，则必须手动为解决方案创建新的解决方案版本，以便从最新数据中学习。有关配置自动训练的更多信息，请参阅配置自动训练。

您的训练频率取决于您的业务需求、您使用的方法以及导入数据的频率。对于所有食谱，我们建议至少每周进行一次培训。对于自动训练，这是默认的训练频率。如果您经常添加新物品或动作，则可能需要更高的训练频率，具体取决于您的食谱。