Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris.
# Mempersiapkan data interaksi item untuk pelatihan
*Interaksi item* adalah peristiwa interaksi positif antara pengguna dan item dalam katalog Anda. Misalnya, pengguna menonton film, melihat daftar, atau membeli sepasang sepatu. Anda mengimpor data tentang interaksi pengguna dengan item Anda ke dalam *kumpulan data interaksi Item*. Anda dapat merekam beberapa jenis acara, seperti *klik*, *tonton*, atau *pembelian*.
Misalnya, jika pengguna *mengklik* item tertentu dan kemudian *menyukai* item tersebut, Anda dapat meminta Amazon Personalisasi menggunakan peristiwa ini sebagai data pelatihan. *Untuk setiap peristiwa, Anda akan merekam ID pengguna, ID item, stempel waktu (dalam format zaman waktu Unix), dan jenis acara (*klik* dan suka).* Anda kemudian akan menambahkan kedua peristiwa interaksi item ke *kumpulan data interaksi Item*.
Untuk semua kasus penggunaan domain dan resep khusus, data interaksi item massal Anda harus dalam file CSV. Setiap baris harus mewakili interaksi tunggal antara pengguna dan item. Setelah Anda selesai mempersiapkan data Anda, Anda siap untuk membuat file JSON skema. File ini memberi tahu Amazon Personalize tentang struktur data Anda. Untuk informasi selengkapnya, lihat [Membuat file JSON skema untuk skema Amazon Personalize](how-it-works-dataset-schema.md).
Bagian berikut memberikan informasi selengkapnya tentang cara menyiapkan data interaksi item Anda untuk Amazon Personalize. Untuk pedoman format data massal untuk semua jenis data, lihat [pedoman format data massal](preparing-training-data.md#general-formatting-guidelines)
**Topics**
+ [Persyaratan data interaksi item](#item-interaction-requirements)
+ [Data stempel waktu](#timestamp-data)
+ [Jenis peristiwa dan data nilai acara](#event-type-and-event-value-data)
+ [Metadata kontekstual](#interactions-contextual-metadata)
+ [Data tayangan](#interactions-impressions-data)
+ [Contoh data interaksi](#interactions-data-schema-example)
## Persyaratan data interaksi item
Bagian berikut mencantumkan persyaratan data interaksi item untuk Amazon Personalize. Untuk kuota tambahan, lihat[Titik akhir dan kuota Amazon Personalize](limits.md).
### Persyaratan pelatihan minimum
Untuk semua kasus penggunaan domain dan resep khusus, data interaksi item massal Anda harus memiliki yang berikut:
+ Minimal 1000 catatan interaksi item dari pengguna yang berinteraksi dengan item di katalog Anda. Interaksi ini dapat berasal dari impor massal, atau acara streaming, atau keduanya.
+ Minimal 25 pengguna unik IDs dengan setidaknya dua interaksi item untuk masing-masing.
Untuk rekomendasi kualitas, kami sarankan Anda memiliki setidaknya 50.000 interaksi item dari setidaknya 1.000 pengguna dengan dua atau lebih interaksi item masing-masing.
Untuk membuat pemberi rekomendasi atau solusi khusus, Anda harus setidaknya membuat *kumpulan data interaksi Item*.
### Persyaratan kolom
Data interaksi item Anda harus memiliki kolom berikut.
+ USER\_ID — Pengidentifikasi unik dari pengguna yang berinteraksi dengan item. Setiap acara harus memiliki USER\_ID. Itu harus `string` dengan panjang maksimal 256 karakter.
+ ITEM\_ID — Pengidentifikasi unik dari item yang berinteraksi dengan pengguna. Setiap acara harus memiliki ID item. Itu harus `string` dengan panjang maksimal 256 karakter.
+ TIMESTAMP — Waktu kejadian terjadi (dalam format waktu epoch Unix dalam hitungan detik). Setiap interaksi harus memiliki TIMESTAMP. Untuk informasi selengkapnya, lihat [Data stempel waktu](#timestamp-data).
+ *EVENT\_TYPE - Sifat peristiwa interaksi item, seperti *klik*, *tonton*, atau pembelian.* Untuk pemberi rekomendasi domain, Anda harus memiliki kolom tipe acara dan setiap interaksi harus memiliki jenis acara. Untuk semua resep khusus, kolom EVENT\_TYPE direkomendasikan tetapi opsional. Jika Anda menambahkannya, setiap acara harus memiliki jenis acara. Untuk mengetahui informasi selengkapnya, lihat [Jenis peristiwa dan data nilai acara](#event-type-and-event-value-data).
Anda bebas menambahkan kolom kustom tambahan tergantung pada kasus penggunaan dan data Anda. Jumlah maksimum kolom metadata opsional adalah 5. Kolom ini dapat mencakup empty/null nilai. Kami menyarankan agar kolom-kolom ini minimal 70 persen selesai.
## Data stempel waktu
Data stempel waktu harus dalam format waktu epoch Unix dalam hitungan detik. Misalnya, stempel waktu Epoch dalam detik untuk tanggal 31 Juli 2020 adalah 1596238243. Untuk mengonversi tanggal ke stempel waktu epoch Unix, gunakan konverter [Epoch - konverter](https://www.epochconverter.com) stempel waktu Unix.
Amazon Personalize menggunakan data stempel waktu untuk menghitung kebaruan dan mengidentifikasi pola berbasis waktu. Ini membantu Amazon Personalisasi menjaga rekomendasi up-to-date dengan preferensi pengguna yang terus berkembang.
## Jenis peristiwa dan data nilai acara
Kumpulan data interaksi Item dapat menyimpan jenis peristiwa dan data nilai peristiwa untuk setiap interaksi. Hanya sumber daya khusus yang menggunakan data nilai peristiwa.
### Data tipe acara
Jenis peristiwa interaksi item memberikan konteks tentang sifat dan signifikansinya. Contoh jenis acara mungkin *klik*, *tonton*, atau *beli*. Amazon Personalize menggunakan data tipe peristiwa, seperti data *klik* atau *beli*, untuk mengidentifikasi maksud dan minat pengguna. Jumlah maksimum jenis peristiwa berbeda yang dikombinasikan dengan jumlah total kolom metadata opsional dalam kumpulan data interaksi Item adalah 10.
Untuk pemberi rekomendasi domain, Anda harus memiliki kolom tipe acara dan setiap interaksi harus memiliki jenis acara. Untuk semua resep khusus, kolom EVENT\_TYPE direkomendasikan tetapi opsional. Jika Anda menambahkannya, setiap acara harus memiliki jenis acara.
Jika Anda membuat sumber daya khusus, Anda dapat memilih peristiwa yang digunakan untuk pelatihan berdasarkan jenis acara.Jika kumpulan data Anda memiliki beberapa jenis peristiwa di kolom EVENT\_TYPE, dan Anda tidak memberikan jenis peristiwa saat mengonfigurasi solusi khusus, Amazon Personalize menggunakan semua data interaksi item untuk pelatihan dengan bobot yang sama terlepas dari jenisnya. Untuk informasi selengkapnya, lihat [Memilih data interaksi item yang digunakan untuk pelatihan](event-values-types.md).
Jika Anda memiliki beberapa jenis acara dan menggunakan resep User-Personalization-v 2 atau resep Personalized-Ranking-v 2, saat Anda mengonfigurasi solusi khusus, Anda dapat menentukan bobot yang berbeda untuk jenis yang berbeda. Misalnya, Anda dapat mengonfigurasi solusi untuk memberikan bobot lebih untuk membeli acara daripada peristiwa klik. Untuk informasi selengkapnya, lihat [Mengoptimalkan solusi dengan konfigurasi peristiwa](optimizing-solution-events-config.md).
Kasus penggunaan berikut memiliki persyaratan jenis acara tertentu:
Kasus penggunaan domain VIDEO\_ON\_DEMAND
+ Karena Anda menonton X membutuhkan minimal 1000 `Watch` acara.
+ Paling populer membutuhkan minimal 1000 `Watch` acara.
Kasus penggunaan domain ECOMMERCE
+ Paling banyak dilihat membutuhkan minimal 1000 `View` acara.
+ Penjual terbaik membutuhkan minimal 1000 `Purchase` acara.
#### Jenis peristiwa positif dan negatif
Amazon Personalize mengasumsikan interaksi apa pun adalah interaksi positif. Interaksi dengan jenis peristiwa negatif, seperti tidak *suka*, tidak akan selalu mencegah item muncul di rekomendasi future pengguna.
Berikut ini adalah cara untuk memiliki peristiwa negatif dan rekomendasi pengaruh ketidaktertarikan pengguna:
+ Untuk semua kasus penggunaan domain dan [Personalisasi Pengguna](native-recipe-new-item-USER_PERSONALIZATION.md) resepnya, Amazon Personalize dapat menggunakan data tayangan. Ketika item muncul di data tayangan dan pengguna tidak memilihnya, item tersebut cenderung tidak muncul dalam rekomendasi. Untuk informasi selengkapnya, lihat [Data tayangan](#interactions-impressions-data).
+ Jika Anda menggunakan sumber daya khusus dan mengimpor jenis peristiwa positif dan negatif, Anda dapat melatih hanya pada jenis peristiwa positif dan kemudian menyaring item yang berinteraksi dengan pengguna secara negatif. Untuk informasi selengkapnya, lihat [Memilih data interaksi item yang digunakan untuk pelatihan](event-values-types.md) dan [Memfilter rekomendasi dan segmen pengguna](filter.md).
### Data nilai acara (sumber daya khusus)
Data nilai peristiwa mungkin persentase film yang ditonton pengguna atau peringkat dari 10. Jika Anda membuat solusi khusus, Anda dapat memilih catatan yang digunakan untuk pelatihan berdasarkan data di kolom EVENT\_TYPE dan EVENT\_VALUE. Dengan pemberi rekomendasi domain, Amazon Personalize tidak menggunakan data nilai peristiwa dan Anda tidak dapat memfilter peristiwa sebelum pelatihan.
Untuk memilih rekaman berdasarkan jenis dan nilai, rekam jenis peristiwa dan data nilai peristiwa untuk peristiwa. Tidak semua acara harus memiliki nilai acara. Nilai yang Anda pilih untuk setiap acara tergantung pada data apa yang ingin Anda kecualikan dan jenis acara apa yang Anda rekam. Misalnya, Anda mungkin mencocokkan aktivitas pengguna, seperti persentase video yang ditonton pengguna untuk jenis acara *tontonan*.
Saat mengonfigurasi solusi, Anda menetapkan nilai tertentu sebagai ambang batas untuk mengecualikan catatan dari pelatihan. *Misalnya, jika data EVENT\_VALUE untuk peristiwa dengan EVENT\_TYPE *jam tangan* adalah persentase video yang ditonton pengguna, jika Anda menetapkan ambang nilai peristiwa ke 0,5, dan jenis acara yang akan ditonton, *Amazon* Personalize melatih model hanya menggunakan menonton peristiwa interaksi dengan EVENT\_VALUE lebih besar dari atau sama dengan 0,5.*
Untuk informasi selengkapnya, lihat [Memilih data interaksi item yang digunakan untuk pelatihan](event-values-types.md)
## Metadata kontekstual
Dengan resep dan kasus penggunaan pemberi rekomendasi tertentu, Amazon Personalize dapat menggunakan metadata kontekstual saat mengidentifikasi pola dasar yang mengungkapkan item yang paling relevan untuk pengguna Anda. Metadata kontekstual adalah data interaksi yang Anda kumpulkan di lingkungan pengguna pada saat kejadian, seperti lokasi atau jenis perangkat mereka. Anda juga dapat menentukan konteks pengguna ketika Anda mendapatkan rekomendasi untuk pengguna.
Sertakan metadata kontekstual untuk memberikan pengalaman yang lebih personal bagi pengguna Anda dan kurangi fase awal dingin untuk pengguna baru. Fase cold-start adalah ketika rekomendasi kurang relevan karena kurangnya data pengguna historis.
Misalnya, jika file CSV interaksi item Anda menyertakan kolom DEVICE\_TYPE dengan dan nilai`tablet`, `phone` Amazon Personalize dapat mempelajari cara pelanggan berbelanja secara berbeda dengan perangkat yang berbeda. Ketika Anda mendapatkan rekomendasi untuk pengguna, Anda dapat menentukan perangkat mereka dan rekomendasi akan lebih relevan, bahkan jika pengguna tidak memiliki riwayat interaksi.
Berikut ini menunjukkan bagaimana Anda akan memformat file CSV interaksi item dengan kolom DEVICE\_TYPE sebagai metadata kontekstual.
```
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
.....
```
Untuk grup kumpulan data Domain, kasus penggunaan pemberi rekomendasi berikut dapat menggunakan metadata kontekstual:
+ [Direkomendasikan untuk Anda](ECOMMERCE-use-cases.md#recommended-for-you-use-case)(Domain eCommerce)
+ [Pilihan teratas untuk Anda](VIDEO_ON_DEMAND-use-cases.md#top-picks-use-case)(Domain VIDEO\_ON\_DEMAND)
Untuk sumber daya kustom, resep yang menggunakan metadata kontekstual mencakup yang berikut:
+ [Personalisasi pengguna-v2](native-recipe-user-personalization-v2.md) dan [Personalisasi Pengguna](native-recipe-new-item-USER_PERSONALIZATION.md)
+ [Personalisasi-peringkat-v2](native-recipe-personalized-ranking-v2.md) dan [Peringkat yang Dipersonalisasi](native-recipe-search.md)
Untuk informasi tentang menyertakan konteks saat Anda mendapatkan rekomendasi, lihat[Meningkatkan relevansi rekomendasi dengan metadata kontekstual](contextual-metadata.md). Untuk contoh ujung ke ujung yang menunjukkan cara menggunakan metadata kontekstual, lihat posting Blog AWS Machine Learning berikut: [Meningkatkan relevansi rekomendasi Amazon Personalize Anda dengan](https://aws.amazon.com/blogs/machine-learning/increasing-the-relevance-of-your-amazon-personalize-recommendations-by-leveraging-contextual-information/) memanfaatkan informasi kontekstual.
## Data tayangan
Tayangan adalah daftar item yang terlihat oleh pengguna saat berinteraksi dengan (misalnya, diklik atau ditonton) item tertentu. Jika Anda menggunakan kasus penggunaan domain yang menyediakan personalisasi atau [Personalisasi Pengguna](native-recipe-new-item-USER_PERSONALIZATION.md) resep, Amazon Personalize dapat menggunakan data tayangan untuk memandu eksplorasi.
Dengan eksplorasi, rekomendasi mencakup beberapa item atau tindakan yang biasanya cenderung tidak direkomendasikan bagi pengguna, seperti item atau tindakan baru, item atau tindakan dengan sedikit interaksi, atau item atau tindakan yang kurang relevan bagi pengguna berdasarkan perilaku mereka sebelumnya. Semakin sering suatu item muncul dalam data tayangan, semakin kecil kemungkinan Amazon Personalize menyertakan item dalam eksplorasi.
Saat Anda membuat pemberi rekomendasi atau solusi, Amazon Personalize selalu mengecualikan data tayangan dari pelatihan. Ini karena Amazon Personalize tidak melatih model Anda dengan data tayangan. Sebaliknya, ia menggunakannya ketika Anda mendapatkan rekomendasi untuk memandu eksplorasi bagi pengguna.
Nilai tayangan dapat memiliki paling banyak 1000 karakter (termasuk karakter batang vertikal). Untuk grup kumpulan data Domain, kasus penggunaan pemberi rekomendasi berikut dapat menggunakan data tayangan:
+ [Direkomendasikan untuk Anda](ECOMMERCE-use-cases.md#recommended-for-you-use-case)(Domain eCommerce)
+ [Pilihan teratas untuk Anda](VIDEO_ON_DEMAND-use-cases.md#top-picks-use-case)(Domain VIDEO\_ON\_DEMAND)
Untuk informasi lebih lanjut tentang eksplorasi lihat[Eksplorasi](use-case-recipe-features.md#about-exploration). Amazon Personalize dapat memodelkan dua jenis tayangan: [Tayangan implisit](#implicit-impressions-info) dan. [Tayangan eksplisit](#explicit-impressions-info)
### Tayangan eksplisit
Tayangan *eksplisit adalah tayangan* yang Anda rekam dan kirim secara manual ke Amazon Personalisasi. Gunakan tayangan eksplisit untuk memanipulasi hasil dari Amazon Personalize. Urutan item tidak berdampak.
Misalnya, Anda mungkin memiliki aplikasi belanja yang memberikan rekomendasi untuk sepatu. Jika Anda hanya merekomendasikan sepatu yang saat ini tersedia, Anda dapat menentukan item ini menggunakan tayangan eksplisit. Alur kerja rekomendasi Anda menggunakan tayangan eksplisit mungkin sebagai berikut:
1. Anda meminta rekomendasi untuk salah satu pengguna menggunakan Amazon Personalize API[GetRecommendations](API_RS_GetRecommendations.md).
1. Amazon Personalize menghasilkan rekomendasi untuk pengguna yang menggunakan model Anda (versi solusi) dan mengembalikannya dalam respons API.
1. Anda hanya menunjukkan kepada pengguna sepatu yang direkomendasikan yang tersedia.
1. Untuk impor data inkremental real-time, ketika pengguna berinteraksi dengan (misalnya, mengklik) sepasang sepatu, Anda mencatat pilihan dalam panggilan ke [PutEvents](API_UBS_PutEvents.md) API dan mencantumkan item yang direkomendasikan yang tersedia dalam parameter. `impression` Untuk contoh kode lihat[Merekam peristiwa interaksi item dengan data tayangan](putevents-including-impressions-data.md).
Untuk mengimpor tayangan dalam data interaksi item historis, Anda dapat mencantumkan tayangan eksplisit di file csv Anda dan memisahkan setiap item dengan karakter '\| '. Karakter batang vertikal dihitung menuju batas 1000 karakter. Sebagai contoh lihat[Memformat tayangan eksplisit](#data-prep-including-explicit-impressions).
1. Amazon Personalize menggunakan data tayangan untuk memandu eksplorasi, di mana rekomendasi future menyertakan sepatu baru dengan data interaksi atau relevansi yang lebih sedikit.
#### Memformat tayangan eksplisit
Untuk menyertakan tayangan eksplisit dalam file CSV Anda, tambahkan kolom IMPRESSION. Untuk setiap interaksi item, tambahkan daftar ItemID yang dipisahkan dengan bilah vertikal, '\|', karakter. Karakter batang vertikal dihitung menuju batas 1000 karakter untuk data tayangan. Jika Anda menyertakan tayangan eksplisit dalam [PutEvents](API_UBS_PutEvents.md) operasi, Anda menentukan item dalam array string.
Berikut ini adalah kutipan singkat dari file CSV yang menyertakan tayangan eksplisit di kolom. `IMPRESSION`
| EVENT\_TYPE | KESAN | ITEM\_ID | TIMESTAMP | USER\_ID |
| --- | --- | --- | --- | --- |
| klik | 73\|70\|17 \|95\|96 | 73 | 1586731606 | PENGGUNA\_1 |
| klik | 35 \| 82 \| 78 \| 57 \| 20 \| 63 \| 1 \| 90 \| 76 \| 75 \| 49 \| 71 \| 26 \| 24 \| 25 \| 6 | 35 | 1586735164 | PENGGUNA\_2 |
| ... | ... | ... | ... | ... |
Aplikasi menunjukkan `USER_1` item pengguna`73`,`70`, `17``95`,, `96` dan pengguna akhirnya memilih item`73`. Saat Anda membuat versi solusi baru berdasarkan data ini, item`70`,`17`,`95`, dan `96` akan lebih jarang direkomendasikan kepada pengguna`USER_1`.
### Tayangan implisit
*Tayangan implisit* adalah rekomendasi, diambil dari Amazon Personalize, yang Anda tunjukkan kepada pengguna. File CSV Anda tidak perlu menyertakan kolom IMPRESSION atau RECOMMENTATION\_ID untuk menggunakan tayangan implisit. Sebagai gantinya, Anda menyertakan `RecommendationId` (dikembalikan oleh [GetRecommendations](API_RS_GetRecommendations.md) dan [GetPersonalizedRanking](API_RS_GetPersonalizedRanking.md) operasi) dalam [PutEvents](API_UBS_PutEvents.md) permintaan. Amazon Personalize memperoleh tayangan implisit berdasarkan data rekomendasi Anda.
Misalnya, Anda mungkin memiliki aplikasi yang memberikan rekomendasi untuk streaming video. Alur kerja rekomendasi Anda menggunakan tayangan implisit mungkin sebagai berikut:
1. Anda meminta rekomendasi video untuk salah satu pengguna menggunakan operasi Amazon Personalize [GetRecommendations](API_RS_GetRecommendations.md) API.
1. Amazon Personalize menghasilkan rekomendasi untuk pengguna yang menggunakan model Anda (versi solusi) dan mengembalikannya dengan `recommendationId` respons API.
1. Anda menunjukkan rekomendasi video kepada pengguna Anda di aplikasi Anda.
1. Saat pengguna berinteraksi dengan (misalnya, mengklik) video, rekam pilihan tersebut dalam panggilan ke [PutEvents](API_UBS_PutEvents.md) API dan sertakan parameter `recommendationId` as a. Untuk contoh kode lihat[Merekam peristiwa interaksi item dengan data tayangan](putevents-including-impressions-data.md).
1. Amazon Personalize menggunakan data tayangan `recommendationId` untuk memperoleh data tayangan dari rekomendasi video sebelumnya, dan kemudian menggunakan data tayangan untuk memandu eksplorasi, di mana rekomendasi future menyertakan video baru dengan data interaksi atau relevansi yang lebih sedikit.
Untuk informasi selengkapnya tentang merekam peristiwa dengan data tayangan implisit, lihat[Merekam peristiwa interaksi item dengan data tayangan](putevents-including-impressions-data.md).
## Contoh data interaksi
Data interaksi berikut mewakili aktivitas pengguna historis dari situs web video streaming. Anda dapat menggunakan data untuk melatih model yang menyediakan rekomendasi film berdasarkan data interaksi pengguna. Perhatikan bahwa beberapa nilai untuk EVENT\_VALUE adalah null.
```
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 membutuhkan kolom`USER_ID`,`ITEM_ID`, dan`TIMESTAMP`. `USER_ID`adalah pengenal untuk pengguna aplikasi Anda. `ITEM_ID`adalah pengenal untuk sebuah film. `EVENT_TYPE`dan `EVENT_VALUE` merupakan pengidentifikasi untuk interaksi pengguna. Dalam data sampel, peristiwa adalah `watch` dan `click` peristiwa dan nilainya adalah persentase video yang ditonton pengguna. `TIMESTAMP`Ini mewakili waktu zaman Unix saat pembelian film berlangsung.
Setelah Anda selesai mempersiapkan data Anda, Anda siap untuk membuat file JSON skema. File ini memberi tahu Amazon Personalize tentang struktur data Anda. Untuk informasi selengkapnya, lihat [Membuat file JSON skema untuk skema Amazon Personalize](how-it-works-dataset-schema.md). Seperti inilah tampilan file JSON skema untuk data sampel.
```
{
"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"
}
```