根据 AWS 文档
示例 3：自定义批次建议 一家公司使用自定义推荐为电子邮件营销活动中的每个用户生成个性化的项目推荐。他们摄取 10 GB 数据和 500 万次交互进行训练。该公司使用批量推理为 100 万用户生成推荐。每个推荐请求会为每个用户返回 10 个项目，但公司只需为 100 万个请求付费。
在这种情况下，使用个性化的费用将为：
数据处理和存储费用 = 10 GB * 每 GB 0.05 USD = 0.50 USD 解决方案培训费用 = 为培训引入的 500 万次交互 * 每 100 万次交互 2.00 美元 = 10.00 美元 推理费用 = 100 万个请求 * 每 1,000 个实时推荐请求 0.15 美元 = 150.00 美元 总成本 = $0.50 + $10.00 + $150.00 = $160.50
现在我的问题是 Q1 如果我为一个用户批量推荐，我会产生多少费用？ Q2 根据 AWS 文档，如果我为 100 万用户请求一组 10 条建议，则算作 100 万个请求。如果我改为为每个用户请求 500 条推荐，价格是否会发生变化，或者我会以相同的成本收到 500 条推荐吗？ Q3 如何更新新事件进行批量推荐？ Q4 是否可以使用 putEvents 方法向数据集中添加新事件以进行批量推荐？如果是，下一批生成的推荐是否会包含这些新数据？
我想了解 AWS Personalize 批量建议的费用。定价结构如何？我可以为单个用户使用批量推荐吗？如果是这样，我可以在一批推荐请求中为用户请求多少个项目？此外，当我创建解决方案时，是否需要单独付费？ 我想了解一下 Betch 推荐的价格结构
A1：如果您只请求一个用户的信息，那么唯一改变的方面就是计算中的请求计数。因此，推理成本会发生变化，但不会发生其他变化。
A2：每个用户 500 条推荐的成本与 10 条或 1 条的成本相同，尽管 500 条是您可以为一个用户返回的推荐请求的最大数量。
A3/A4：是的，您运行的下一个批量推理作业将考虑新事件。但是，putEvents 本身不会更新经过训练的模型，只会更新每个用户的模型理解，因此，如果您正在针对自首次训练解决方案版本以来已发生根本变化的数据集运行批量推理作业，那么您可能希望重新训练您的模型.