某零售商部署了 Amazon Personalize，觀察到推薦商品的銷售額在部署後立即飆升，但隨後迅速下降。訓練時僅使用了最近一次行銷活動之前的歷史資料。您應該進行什麼更改來改進並維持推薦？

推薦商品銷售額先飆升後下降，表示模型最初表現良好，但未能適應使用者行為的變化。透過事件追蹤器擷取即時事件，Amazon Personalize 可以持續學習最新的使用者互動，即時更新推薦模型，確保推薦的相關性和時效性，從而維持銷售額。 納入使用者中繼資料並切換到 HRNN-Metadata recipe 雖然能提升推薦品質，但若無即時事件更新，仍可能面臨模型過時的問題。使用 SageMaker 實作 FM 演算法是替代方案，但偏離了 Amazon Personalize 的優勢，且不直接解決即時性問題。在互動資料集中新增事件類型和事件值屬性有助於豐富資料，但若無即時事件饋送，模型仍無法即時響應使用者行為變化。