Erste Schritte mit Medienempfehlungen
Erstellen Sie schnell eine hochmoderne App für Medienempfehlungen. Mit Medienempfehlungen können Ihre Zielgruppen personalisierte Inhalte entdecken, z. B. was sie als Nächstes ansehen oder lesen möchten. Die Ergebnisse haben dabei Google-Qualität und werden an die entsprechenden Optimierungsziele angepasst.
Allgemeine Informationen zu Vertex AI Search für Medien finden Sie unter Einführung in die Mediensuche und ‑empfehlungen.In dieser Anleitung verwenden Sie das Dataset Movielens, um zu zeigen, wie Sie Ihren Medieninhaltskatalog und Ihre Nutzerereignisse in Vertex AI Search hochladen und einen personalisierten Film-Empfehlungsmodell trainieren. Das MovieLens-Dataset enthält einen Katalog an Filmen (Dokumenten) und Nutzer-Filmbewertungen (Nutzerereignisse).
In dieser Anleitung trainieren Sie ein Empfehlungsmodell des Typs „Was Ihnen sonst noch gefallen könnte“, das für die Klickrate (Click-through-Rate, CTR) optimiert ist. Nach dem Training kann das Modell Filme auf Basis einer Nutzer-ID und eines Seed-Films empfehlen.
Um die Mindestdatenanforderungen für das Modell zu erfüllen, wird jede positive Filmbewertung (4 oder höher) als Ereignis für die Wiedergabe eines Artikels behandelt.
Geschätzte Dauer, um dieses Tutorial abzuschließen:
- Erste Schritte für das Training des Modells: ca.1,5 Stunden.
- Warten auf das Modelltraining: ca. 24 Stunden. (Modell trainieren)
- Bewerten der Modellvorhersagen und Bereinigen: ca. 30 Minuten. (Vorschau Empfehlungen)
Wenn Sie die Anleitung Erste Schritte mit der Mediensuche abgeschlossen haben und den Datenspeicher noch haben (vorgeschlagener Name: quickstart-media-data-store
), können Sie diesen Datenspeicher verwenden, anstatt einen weiteren zu erstellen. Beginnen Sie die Anleitung in diesem Fall unter
Erstellen Sie eine App für Medienempfehlungen.
Lernziele
- Hier erfahren Sie, wie Sie Mediendokumente und Nutzerereignisdaten aus BigQuery in Vertex AI Search importieren.
- Empfehlungsmodelle trainieren und bewerten
Bevor Sie mit dieser Anleitung beginnen, führen Sie die Schritte unter Bevor Sie beginnen aus.
Klicken Sie auf Anleitung, um eine detaillierte Anleitung für diese Aufgabe direkt in der Google Cloud Console aufzurufen.
Hinweise
- Sign in to your Google Cloud account. If you're new to Google Cloud, create an account to evaluate how our products perform in real-world scenarios. New customers also get $300 in free credits to run, test, and deploy workloads.
-
In the Google Cloud console, on the project selector page, select or create a Google Cloud project.
-
Die Abrechnung für das Google Cloud-Projekt muss aktiviert sein.
-
Enable the Vertex AI Agent Builder, Cloud Storage, BigQuery APIs.
-
In the Google Cloud console, on the project selector page, select or create a Google Cloud project.
-
Die Abrechnung für das Google Cloud-Projekt muss aktiviert sein.
-
Enable the Vertex AI Agent Builder, Cloud Storage, BigQuery APIs.
Dataset vorbereiten
Sie importieren das Movielens-Dataset mit Cloud Shell und strukturieren das Dataset für Vertex AI Search für Medien neu.
Cloud Shell öffnen
- Offen Google Cloud Console:
- Wählen Sie Ihr Google Cloud-Projekt aus.
- Notieren Sie sich die Projekt-ID auf der Karte Projektinformationen im Dashboard. Seite. Sie benötigen die Projekt-ID für die folgenden Verfahren.
Klicken Sie oben im Console-Fenster auf die Schaltfläche Cloud Shell aktivieren. Im unteren Bereich der Google Cloud Console wird ein neues Feld mit einer Cloud Shell-Sitzung und einer Befehlszeilen-Eingabeaufforderung geöffnet.
Dataset importieren
Das Movielens-Dataset ist in einem öffentlichen Cloud Storage-Bucket verfügbar, um den Import zu vereinfachen.
Führen Sie die folgenden Elemente mit Ihrer Projekt-ID aus, um das Standardprojekt für die Befehlszeile festzulegen.
gcloud config set project PROJECT_ID
Erstellen Sie ein BigQuery-Dataset:
bq mk movielens
Laden Sie
movies.csv
in eine neuemovies
-BigQuery-Tabelle:bq load --skip_leading_rows=1 movielens.movies \ gs://cloud-samples-data/gen-app-builder/media-recommendations/movies.csv \ movieId:integer,title,genres
Laden Sie
ratings.csv
in eine neueratings
-BigQuery-Tabelle:bq load --skip_leading_rows=1 movielens.ratings \ gs://cloud-samples-data/gen-app-builder/media-recommendations/ratings.csv \ userId:integer,movieId:integer,rating:float,time:timestamp
BigQuery-Ansichten erstellen
In diesem Schritt strukturieren Sie das Movielens-Dataset so um, dass es dem erwarteten Format für Medienempfehlungen entspricht.
Medienempfehlungen erfordern Nutzerereignisdaten, um ein Modell zu erstellen.
Für diesen Leitfaden erstellen Sie fiktive view-item
-Ereignisse der letzten 90 Tagen aus positiven Bewertungen (< 4
).
Erstellen Sie eine Ansicht, die die Tabelle „Movies“ in das von Google definierte
Document
-Schema konvertiert:bq mk --project_id=PROJECT_ID \ --use_legacy_sql=false \ --view ' WITH t AS ( SELECT CAST(movieId AS string) AS id, SUBSTR(title, 0, 128) AS title, SPLIT(genres, "|") AS categories FROM `PROJECT_ID.movielens.movies`) SELECT id, "default_schema" as schemaId, null as parentDocumentId, TO_JSON_STRING(STRUCT(title as title, categories as categories, CONCAT("http://mytestdomain.movie/content/", id) as uri, "2023-01-01T00:00:00Z" as available_time, "2033-01-01T00:00:00Z" as expire_time, "movie" as media_type)) as jsonData FROM t;' \ movielens.movies_view
Jetzt hat die neue Ansicht das Schema, das die Vertex AI Agent Builder API erwartet.
Rufen Sie in der Google Cloud Console die Seite BigQuery auf.
Maximieren Sie im Bereich Explorer den Projektnamen, maximieren Sie das Dataset
movielens
und klicken Sie aufmovies_view
, um das Abfrageseite für diese Ansicht aufrufen.Rufen Sie den Tab Tabellen-Explorer auf.
Klicken Sie im Bereich Generierte Abfrage auf die Schaltfläche In Abfrage kopieren. Der Abfrageeditor wird geöffnet.
Klicken Sie auf Ausführen, um Filmdaten in der von Ihnen erstellten Ansicht anzuzeigen.
Erstellen Sie fiktive Nutzerereignisse aus Filmbewertungen mit dem folgenden Cloud Shell-Befehl:
bq mk --project_id=PROJECT_ID \ --use_legacy_sql=false \ --view ' WITH t AS ( SELECT MIN(UNIX_SECONDS(time)) AS old_start, MAX(UNIX_SECONDS(time)) AS old_end, UNIX_SECONDS(TIMESTAMP_SUB( CURRENT_TIMESTAMP(), INTERVAL 90 DAY)) AS new_start, UNIX_SECONDS(CURRENT_TIMESTAMP()) AS new_end FROM `PROJECT_ID.movielens.ratings`) SELECT CAST(userId AS STRING) AS userPseudoId, "view-item" AS eventType, FORMAT_TIMESTAMP("%Y-%m-%dT%X%Ez", TIMESTAMP_SECONDS(CAST( (t.new_start + (UNIX_SECONDS(time) - t.old_start) * (t.new_end - t.new_start) / (t.old_end - t.old_start)) AS int64))) AS eventTime, [STRUCT(movieId AS id, null AS name)] AS documents, FROM `PROJECT_ID.movielens.ratings`, t WHERE rating >= 4;' \ movielens.user_events
Vertex AI Agent Builder aktivieren
Rufen Sie in der Google Cloud Console die Seite Agent Builder auf.
Lesen und akzeptieren Sie die Nutzungsbedingungen und klicken Sie anschließend auf Fortfahren und API aktivieren.
App für Medienempfehlungen erstellen
Die Verfahren in diesem Abschnitt führen Sie durch das Erstellen und Bereitstellen einer Anwendung für Medienempfehlungen.
Rufen Sie in der Google Cloud Console die Seite Agent Builder auf.
Klicken Sie auf
App erstellen .Wählen Sie auf der Seite Anwendung erstellen die Option Empfehlungen aus.
Geben Sie im Feld Anwendungsname
quickstart-media-recommendations
einen Namen für die Anwendung ein. Die Anwendungs-ID wird unter dem Namen der Anwendung angezeigt.Wählen Sie unter Inhalte die Option Medien aus.
Unter Art der Empfehlungen muss die Option Was Ihnen sonst noch gefallen könnte ausgewählt sein.
Unter Geschäftsziel muss die Option Klickrate (CTR, Click-through-Rate) ausgewählt sein.
Klicken Sie auf Weiter.
Wenn Sie die Anleitung Erste Schritte mit der Mediensuche abgeschlossen haben und der Datenspeicher (vorgeschlagener Name
quickstart-media-data-store
) noch vorhanden ist, wählen Sie ihn aus, klicken Sie auf Erstellen und fahren Sie mit Empfehlungsmodell trainieren fort.Klicken Sie auf der Seite Datenspeicher auf Neuen Datenspeicher erstellen.
Geben Sie einen Anzeigenamen für den Datenspeicher ein, z. B.
quickstart-media-data-store
, und klicken Sie dann auf Erstellen.Wählen Sie den soeben erstellten Datenspeicher aus und klicken Sie auf Erstellen, um Ihre Anwendung zu erstellen.
Daten importieren
Importieren Sie als Nächstes die zuvor formatierten Filme und Nutzerereignisdaten.
Dokumente importieren
Öffnen Sie den Tab Anforderungen.
Klicken Sie auf Dokumente importieren.
Wählen Sie BigQuery aus.
Geben Sie den Namen der von Ihnen erstellten BigQuery-Ansicht
movies
ein und klicken Sie auf Importieren.PROJECT_ID.movielens.movies_view
Warten Sie, bis alle Dokumente importiert wurden. Dies dauert etwa 15 Minuten. Nach Abschluss sollten 86.537 Dokumente vorhanden sein.
Sie können den Status des Importvorgangs auf dem Tab Aktivität prüfen. Wenn der Import abgeschlossen ist, ändert sich der Status des Importvorgangs in Erfolgreich.
Nutzerereignisse importieren
Öffnen Sie den Tab Anforderungen.
Klicken Sie auf Ereignisse importieren.
Wählen Sie BigQuery aus.
Geben Sie den Namen der von Ihnen erstellten BigQuery-Ansicht
user_events
ein und klicken Sie auf Importieren.PROJECT_ID.movielens.user_events
Warten Sie, bis mindestens eine Million Ereignisse importiert wurden, bevor Sie mit dem nächsten Schritt fortfahren, um die Datenanforderungen für das Training eines neuen Modells zu erfüllen.
Sie können den Status des Vorgangs auf dem Tab Aktivität prüfen. Der Prozess dauert etwa eine Stunde, weil Sie Millionen von Zeilen importieren.
Es kann einige Zeit dauern, bis auf dem Tab Anforderungen der Status Datenanforderungen Erfüllte angezeigt wird.
Empfehlungsmodell trainieren
Rufen Sie die Seite Konfigurationen auf.
Klicken Sie auf den Tab Wird bereitgestellt. Es wurde bereits eine Bereitstellungskonfiguration erstellt.
Sie können die Einstellungen für die Herabstufung der Empfehlungen oder die Diversifizierung der Ergebnisse auf dieser Seite anpassen.
Klicken Sie auf den Tab Training.
Sobald die Datenanforderungen erfüllt sind, beginnt das Modell automatisch mit dem Training. Auf dieser Seite können Sie den Trainings- und Abstimmungsstatus ansehen.
Es kann einige Tage dauern, bis das Modell trainiert ist und bereit für Abfragen ist. Im Feld Bereit zum Abfragen des Modells wird Ja angezeigt, wenn der Vorgang abgeschlossen ist. Sie müssen die Seite aktualisieren, damit die Änderung von Nein zu Ja angezeigt wird.
Vorschau von Empfehlungen
Sobald das Modell zum Abfragen bereit ist:
Klicken Sie im Navigationsmenü auf
Vorschau .Klicken Sie auf das Feld Dokument-ID. Eine Liste der Dokument-IDs wird angezeigt.
Geben Sie eine Seed-Film-ID ein, z. B.
4993
für „The Lord of the Rings: The Fellowship of the Ring (2001)“.Wählen Sie im Drop-down-Menü den Namen Bereitstellungskonfiguration aus.
Klicken Sie auf Empfehlungen erhalten. Eine Liste mit empfohlenen Dokumenten wird angezeigt.
App für strukturierte Daten bereitstellen
Es gibt kein Empfehlungs-Widget für die Bereitstellung Ihrer App. So testen Sie Ihre Anwendung vor der Bereitstellung:
Rufen Sie die Seite Daten > Tab Dokumente auf und kopieren Sie die ID eines Dokuments.
Rufen Sie die Seite Einbindung auf. Diese Seite enthält einen Beispielbefehl für die Methode
servingConfigs.recommend
in der REST API.Fügen Sie die zuvor kopierte Dokument-ID in das Feld Dokument-ID ein.
Lassen Sie das Feld Pseudo-ID des Nutzers unverändert.
Kopieren Sie die Beispielanfrage und führen Sie sie in Cloud Shell aus.
Hilfe bei der Integration der Empfehlungs-App in Ihre Webanwendung erhalten Sie in den Codebeispielen unter Medienempfehlungen erhalten
Bereinigen
Mit den folgenden Schritten vermeiden Sie, dass Ihrem Google Cloud-Konto die in dieser Anleitung verwendeten Ressourcen in Rechnung gestellt werden:
Sie können den Datenspeicher, den Sie in der Anleitung Erste Schritte mit der Mediensuche für die Mediensuche erstellt haben, wiederverwenden. Arbeiten Sie diese Anleitung durch, bevor Sie diesen Bereinigungsvorgang ausführen.
- Löschen Sie Ihr Projekt mit der Google Cloud Console, wenn Sie es nicht mehr benötigen, um unnötige Google Cloud-Gebühren zu vermeiden.
- Wenn Sie ein neues Projekt erstellt haben, um mehr über Vertex AI Agent Builder zu erfahren, und dieses Projekt nicht mehr benötigen, löschen Sie es.
- Wenn Sie ein vorhandenes Google Cloud-Projekt verwendet haben, löschen Sie die von Ihnen erstellten Ressourcen. So vermeiden Sie, dass Ihrem Konto Gebühren in Rechnung gestellt werden. Weitere Informationen finden Sie im Abschnitt Anwendung löschen.
- Führen Sie die Schritte unter Vertex AI Agent Builder deaktivieren aus.
Wenn Sie ein BigQuery-Dataset erstellt haben, löschen Sie es in Cloud Shell:
bq rm --recursive --dataset movielens