某零售商部署了 Amazon Personalize，观察到推荐商品的销售额在部署后立即飙升，但随后迅速下降。训练中仅使用了最近一次营销活动之前的历史数据。您应该进行哪些更改来改进和维持推荐？

正确答案是“通过使用事件跟踪器馈送实时事件，捕获 Amazon Personalize 中的实时用户交互”。销售额在部署后飙升但随后迅速下降，表明推荐模型未能适应用户行为的变化。仅使用历史数据训练的模型无法捕捉到实时趋势和用户偏好漂移。通过事件跟踪器实时捕获用户交互，Personalize 可以持续更新用户的偏好，从而生成更相关和及时的推荐，维持销售增长。 其他选项： “包含用户元数据并切换到 Amazon Personalize 中的 HRNN-Metadata 配方”：虽然元数据可以丰富推荐，但它并不能解决模型无法适应实时行为变化的问题。 “使用内置的分解机 (FM) 算法，用 SageMaker 实施方案替换该解决方案”：更换算法或平台并不能解决数据新鲜度的问题，Personalize 已经提供了强大的推荐算法。 “在 Amazon Personalize 的交互数据集中添加事件类型和事件值属性”：这些属性可以提供更细致的交互信息，但同样无法解决模型无法适应实时用户行为变化的问题。