기계 번역으로 제공되는 번역입니다. 제공된 번역과 원본 영어의 내용이 상충하는 경우에는 영어 버전이 우선합니다.
# 학습 후 데이 세트의 데이터 업데이트
카탈로그가 커지면 추가 학습 데이터를 데이터세트로 가져옵니다. 이렇게 하면 데이터를 최신으로 유지하고 Amazon Personalize 추천의 관련성을 개선할 수 있습니다. 대량 또는 개별 데이터 가져오기 작업으로 더 많은 데이터를 가져올 수 있습니다.
+ 레코드를 개별적으로 가져오는 경우 Amazon Personalize는 새 레코드를 데이터세트에 추가합니다. 개별 항목, 사용자 또는 작업을 업데이트하려면 ID는 같아도 속성이 수정된 레코드를 가져오면 됩니다. 개별 가져오기 작업당 최대 10개의 레코드를 가져올 수 있습니다.
레코드를 개별적으로 가져오는 방법에 대한 자세한 내용은 [개별 레코드를 Amazon Personalize 데이터세트로 가져오기](incremental-data-updates.md)단원을 참조하세요. 실시간 이벤트 기록에 대한 자세한 내용은 [추천 사항에 영향을 미치기 위한 실시간 이벤트 기록](recording-events.md) 섹션을 참조하세요.
+ 대량 가져오기를 사용하면 [다른 가져오기 작업을 생성](bulk-data-import-step.md)하여 대량 데이터를 에 추가하거나 대체할 수 있습니다. 기본 설정으로 데이터세트 가져오기 작업은 대량으로 가져온 데이터세트의 기존 데이터를 대체합니다. 대신 작업의 [가져오기 모드](bulk-data-import-step.md#bulk-import-modes)를 변경하여 기존 데이터에 새 레코드를 추가할 수 있습니다.
데이터 세트 가져오기 작업과 함께 항목 상호 작용 데이터 세트 또는 작업 상호 작용 데이터 세트에 데이터를 추가하려면, 새 항목 상호 작용 또는 작업 상호 작용 레코드가 1,000개 이상 있어야 합니다. 대량 가져오기를 완료한 후 20분 이내에 Amazon Personalize는 데이터 세트 그룹에서 생성한 모든 필터를 새로운 대량 데이터로 업데이트합니다. 이 업데이트를 통해 Personalize는 사용자에 대한 추천을 필터링할 때 최신 데이터를 사용할 수 있습니다.
항목 또는 사용자 데이터 세트를 만든 후 해당 스키마를 새 스키마 또는 기존 스키마로 바꿀 수 있습니다. 데이터세트를 생성한 후 데이터 구조가 변경된 경우 데이터세트의 스키마를 교체할 수 있습니다. 예를 들어 항목 메타데이터의 새 열이 있어서 학습 중에 Personalize에서 고려하길 원할 수 있습니다. 또는 추천을 필터링할 때만 사용할 데이터 열을 추가할 수도 있습니다. 자세한 내용은 [데이터세트의 스키마를 바꾸어 새 열 추가](updating-dataset-schema.md) 섹션을 참조하세요.
추천자 또는 사용자 지정 솔루션 버전을 생성한 후 새 데이터가 추천에 미치는 영향은 유형, 가져오기 방법, 도메인 사용 사례 또는 사용하는 사용자 지정 레시피에 따라 달라집니다. 다음 섹션에서는 새 데이터가 다음 학습 전에 실시간 추천 사항 및 배치 추천 사항에 미치는 영향을 설명합니다.
**Topics**
+ [새 데이터가 실시간 추천에 영향을 미치는 방식](how-new-data-influences-recommendations.md)
+ [새 데이터가 배치 추천 사항에 미치는 영향(사용자 지정 리소스)](how-new-data-influences-batch-recommendations.md)
# 새 데이터가 실시간 추천에 영향을 미치는 방식
추천자 또는 사용자 지정 솔루션 버전을 생성한 후 새 데이터가 실시간 추천에 미치는 영향은 데이터 유형, 가져오기 방법 및 사용하는 도메인 사용 사례 또는 사용자 지정 레시피에 따라 달라집니다. 다음 섹션에서는 새 데이터가 다음 학습 전에 실시간 추천 사항에 미치는 영향을 설명합니다.
학습은 추천자의 주간 자동 학습 또는 자동 또는 수동 솔루션 버전 생성일 수 있습니다. User-Personalization을 사용한 수동 학습의 경우 기본 `FULL` 학습 모드를 사용하려면 `trainingMode`를 생략합니다.
**Topics**
+ [새 상호작용](#new-interactions)
+ [새 항목](#new-items)
+ [신규 사용자](#new-users)
+ [새로운 작업](#new-actions)
## 새 상호작용
새 상호 작용은 마지막 재교육 이후에 가져온 항목 또는 작업 상호 작용입니다. 실시간 데이터 및 대량 데이터의 경우, 상호 작용에 새 항목 또는 작업이 포함되면 레시피 또는 사용 사례에서 탐색을 제공할 경우 Amazon Personalize에서 학습 없는 추천에 새 항목 또는 작업을 고려할 수 있습니다. 자세한 내용은 [새 항목](#new-items) 또는 [새로운 작업](#new-actions)을 참조하세요.
**실시간 이벤트**
실시간 개인 맞춤을 특징으로 하는 사용 사례 및 레시피의 경우 Amazon Personalize는 사용자와 마지막 학습 시 기존 항목 또는 작업 간의 실시간 상호 작용을 즉시 사용합니다. 이벤트에서 사용자를 위한 추천을 생성할 때 Amazon Personalize는 이러한 실시간 상호 작용을 사용합니다. 실시간 개인화에 대한 자세한 내용은 [실시간 개인 맞춤](use-case-recipe-features.md#about-real-time-personalization)단원을 참조하세요.
유사한 항목 추천과 같이 실시간 개인 맞춤을 특징으로 하지 않는 도메인 사용 사례 및 사용자 지정 레시피의 경우 모델은 재학습 후에야 실시간 상호작용 데이터에서 학습합니다.
**대량 상호작용**
*대량 상호 작용*의 경우 증분 *및* 전체 데이터세트 가져오기 작업 모두에 대해 모델은 다음 학습 후에만 대량 항목 상호 작용 또는 작업 상호 작용 데이터에서 학습합니다. 대량 데이터는 실시간 개인 맞춤을 위한 추천을 업데이트하는 데는 사용되지 않습니다.
대량 데이터 가져오기에 대한 자세한 내용은 [데이터세트 가져오기 작업을 사용하여 대량 데이터를 Amazon Personalize로 가져오기](bulk-data-import-step.md) 섹션을 참조하세요.
## 새 항목
새 항목은 마지막 학습 후에 가져오는 항목입니다. 항목 데이터세트의 상호작용 데이터 또는 항목 메타데이터에서 가져올 수도 있습니다.
새 항목은 다음과 같이 추천 대상으로 고려됩니다.
+ *가장 적합한 추천 제품* 및 *추천 제품* 도메인 사례 또는 User-Personalization-v2, User-Personalization 또는 Next-Best-Action 레시피의 경우 Amazon Personalize는 2시간마다 자동으로 모델을 업데이트합니다. 각 업데이트 이후 Amazon Personalize는 탐색의 일환으로 새 항목을 추천 대상으로 고려합니다. Amazon Personalize는 새 항목을 고려할 때 해당 항목에 대한 모든 메타데이터를 고려합니다. 그러나 이 데이터는 항목에 대한 상호 작용을 기록하고 새 모델을 학습한 후에만 추천에 더 큰 영향을 미칩니다. 업데이트에 대한 자세한 내용은 [자동 업데이트](use-case-recipe-features.md#automatic-updates)단원을 참조하세요.
+ 지금 유행 사용 사례를 사용하는 경우 Personalize는 2시간마다 상호작용 데이터를 자동으로 평가하고 유행 항목을 식별합니다.** 추천자가 학습을 받을 때까지 기다릴 필요가 없습니다. *Trending-Now 레시피*를 사용하는 경우 Amazon Personalize는 학습 없이 구성 가능한 간격으로 모든 새 항목을 자동으로 고려합니다. 간격 구성에 대한 자세한 내용은 [지금-유행 레시피](native-recipe-trending-now.md)단원을 참조하세요.
+ Trending-Now 레시피를 사용하지 않거나 사용 사례 또는 레시피가 자동 업데이트를 지원하지 않는 경우 Amazon Personalize는 다음 학습 이후에만 새 항목을 고려합니다.
## 신규 사용자
새 사용자는 최신 학습 이후에 가져오는 사용자입니다. 사용자 데이터세트의 상호작용 데이터 또는 항목 메타데이터에서 가져올 수도 있습니다. 신규 익명 사용자(사용자 ID가 없는 사용자)의 경우 `sessionId`를 사용하여 해당 사용자의 이벤트를 기록할 수 있으며 Personalize는 사용자가 로그인하기 전에 해당 사용자에게 이벤트를 연결합니다. 자세한 내용은 [익명 사용자를 위한 이벤트 기록](recording-events.md#recording-anonymous-user-events) 섹션을 참조하세요.
Personalize는 다음과 같이 신규 사용자를 위한 추천을 생성합니다.
+ 지금 유행 도메인 사용 사례 또는 지금-유행 사용자 지정 레시피를 사용하면 신규 사용자에게 가장 유행하는 항목에 대한 추천이 즉시 제공됩니다. 인기도-집계 레시피를 사용하면 신규 사용자는 상호작용이 가장 많은 항목에 대한 추천을 즉시 받게 됩니다.
+ 사용자에게 개인 맞춤형 추천을 제공하는 레시피나 사용 사례의 경우 기존 사용자의 초기 상호작용 이력을 기반으로 신규 사용자를 위한 추천이 제공됩니다. 기존 사용자가 가장 먼저 상호 작용한 항목 또는 작업은 신규 사용자에게 추천될 가능성이 높습니다. 사용자-개인 맞춤 또는 개인 맞춤형-순위 레시피의 경우, `recency_mask`을 `true`로 설정하면 상호작용 데이터의 최신 인기 트렌드를 기반으로 한 항목도 추천에 포함됩니다.
다음과 같이 하면 신규 사용자에 대한 추천 관련성을 높일 수 있습니다.
+ 상호작용 데이터 — 새 사용자의 추천 관련성을 높이는 주요 방법은 항목과의 상호작용에서 데이터를 가져오는 것입니다. 새로운 상호작용 데이터가 추천에 영향을 미치는 방식에 대한 자세한 내용은 [새 상호작용](#new-interactions)단원을 참조하세요.
+ 사용자 메타데이터 - GENDER 또는 MEMBERSHIP\$1STATUS와 같은 사용자 메타데이터를 가져오면 추천을 개선할 수 있습니다. 메타데이터가 추천에 영향을 미치려면 도메인 추천자의 주간 자동 재학습이 완료될 때까지 기다려야 합니다. 또는 새 솔루션 버전을 수동으로 만들어야 합니다.
+ 상황별 메타데이터 – 사용 사례 또는 레시피가 상황별 메타데이터를 지원하고 항목 상호 작용 데이터 세트에 상황별 데이터를 위한 메타데이터 필드가 있는 경우 추천 요청에 사용자의 컨텍스트를 제공할 수 있습니다. 여기에는 재학습이 필요하지 않습니다. 자세한 내용은 [컨텍스트 메타데이터로 추천 관련성 높이기](contextual-metadata.md) 섹션을 참조하세요.
## 새로운 작업
새 작업은 최신 학습 이후에 가져오는 작업입니다. 작업 상호 작용 데이터나 작업 데이터 세트의 작업에서 가져올 수 있습니다.
차선책-작업 레시피를 사용하면 Amazon Personalize는 2시간마다 솔루션 버전을 자동으로 업데이트합니다. 각 업데이트 이후 Amazon Personalize는 탐색의 일환으로 새 작업을 추천 대상으로 고려합니다. Amazon Personalize는 새 작업을 고려할 때 해당 작업에 대한 모든 메타데이터를 고려합니다. 그러나 이 데이터는 작업에 대한 작업 상호 작용을 기록하고 완전히 재교육한 후에만 추천에 더 큰 영향을 미칩니다. 업데이트에 대한 자세한 내용은 [자동 업데이트](use-case-recipe-features.md#automatic-updates) 섹션을 참조하세요.
# 새 데이터가 배치 추천 사항에 미치는 영향(사용자 지정 리소스)
사용자 지정 솔루션 버전을 생성한 후 새 데이터가 배치 추천 사항에 미치는 영향은 데이터 유형, 가져오기 방법 및 사용하는 사용자 지정 레시피에 따라 달라집니다.
대량 데이터의 경우 Amazon Personalize는 마지막 전체 솔루션 버전 학습에 있는 데이터만 사용하여 세그먼트를 생성합니다. 또한 Amazon Personalize는 FULL 가져오기 모드로 가져온 대량 데이터만 사용합니다(기존 데이터 대체). 사용자 세그먼트에 대한 자세한 내용은 [사용자 지정 리소스를 사용하여 배치 사용자 세그먼트 가져오기](getting-user-segments.md) 섹션을 참조하세요.
배치 항목 추천을 생성할 때 Amazon Personalize는 마지막 솔루션 버전 생성 시점에 존재하는 모든 대량 데이터를 고려합니다. 이 데이터는 전체 또는 증분 가져오기 모드를 사용하여 가져올 수 있습니다. 더 나중의 대량 레코드가 배치 추천에 영향을 미치게 하려면 새 솔루션 버전을 만든 다음 배치 추론 작업을 생성해야 합니다.
다음 섹션에서는 개별 가져오기가 배치 항목 추천 사항에 미치는 영향을 설명합니다.
**Topics**
+ [새 상호작용](#batch-new-interactions)
+ [신규 사용자](#batch-new-users)
+ [새 항목](#batch-new-items)
## 새 상호작용
USER\$1PERSONALIZATION 또는 PERSONALIZED\$1RANKING 레시피를 사용하는 경우 Amazon Personalize는 데이터 가져오기 후 약 15분 이내에 기존 항목 및 사용자와의 새로운 항목 상호작용 데이터를 고려합니다. 이러한 항목과 사용자는 최신 학습에 참여했어야 합니다. 이벤트를 고려하게 하려면 배치 추론 작업을 시작하기 전에 최소 15분 정도 기다렸다가 진행하는 것이 좋습니다. 다른 모든 레시피 및 새로운 항목 또는 사용자가 포함된 이벤트의 경우 스트리밍된 이벤트에 대한 새 솔루션 버전을 생성하여 배치 추천에 영향을 주어야 합니다.
## 신규 사용자
상호작용 데이터가 없는 사용자의 경우 처음에는 인기 항목만 추천됩니다. USER\$1PERSONALIZATION 또는 PERSONALIZED\$1RANKING 레시피를 사용하고 사용자에 대한 이벤트를 기록하는 경우 재학습 없는 가져오기 후 약 15분 이내에 추천의 관련성이 높아질 수 있습니다. 이벤트를 고려하게 하려면 배치 추론 작업을 시작하기 전에 최소 15분 정도 기다렸다가 진행하는 것이 좋습니다. 다른 모든 레시피의 경우, 스트리밍된 이벤트에 대한 새 솔루션 버전을 생성하여 상호작용 데이터가 없는 사용자를 위한 배치 추천에 영향을 주어야 합니다.
## 새 항목
User-Personalization-v2 및 User-Personalization을 사용하면 배치 추론 작업을 생성하고 솔루션에 대해 완전히 학습된 최신 솔루션 버전을 지정하면 Amazon Personalize는 탐색을 통해 추천에 새 항목이 포함되도록 솔루션 버전을 자동으로 업데이트합니다. 최신 솔루션 버전을 지정하지 않으면 업데이트는 발생하지 않습니다. 다른 레시피의 경우 새 항목을 배치 추천에 포함시키려면 새 솔루션 버전을 생성해야 합니다. 탐색에 대한 자세한 내용은 [탐색](use-case-recipe-features.md#about-exploration)단원을 참조하세요.