创建推荐模型

本页面介绍了如何创建新的推荐模型。

注意 ：您无需手动配置或创建模型， 搜索。

如果您已有正确类型的推荐模型 而您想从自己网站中的其他位置获取预测结果， 则可以为其创建新的服务配置，而不是创建 新模型。了解详情。

简介

当您希望使用新的推荐类型来获取预测时，您必须创建新的推荐模型并提供足够的用户事件数据以用于训练。您需要为新模型创建服务配置； 在模型完成训练后，向那些提供预测的 配置。

如需简要了解使用 Vertex AI Search for Retail 的流程，请参阅 实现面向零售业的 Vertex AI Search。

创建推荐模型

使用 Search for Retail 控制台或 models.Create API 方法添加新的推荐模型。

每个项目最多可以有 20 个模型，并且其中最多有 10 个模型一直处于活跃状态（未暂停）。详细了解如何暂停模型。

每分钟最多可以启动 5 个模型操作。受限制的模型操作包括创建、删除、暂停和继续。

在创建新模型之前，请确保：

• 查看可用的推荐模型类型和模型业务目标，然后进行选择。这些指标决定了该模型应接受怎样的训练才能提供什么类型的建议。
• 确定调整模型的频率。如需了解调整和训练费用详情，请参阅价格。
• 请确保您上传的数据量足够满足创建新模型的要求。部分要求取决于 您选择的模型类型。

• 如果您打算创建网页级优化模型，请执行以下操作：

  • 检查是否已有经过训练的推荐服务配置 模型。您必须提供一组建议 投放配置，供网页级优化在优化网页的 建议。

  • 为 detail-page-view 个事件和匹配的事件设置事件记录 部署网页级优化模型的网页类型（例如，如果 在首页上部署模型，请确保为 home-page-view 事件）。为了改进个性化推荐功能，我们还建议您为 purchase 和 add-to-cart 事件记录事件。

  • 如果您选择转化率 (CVR) 作为业务目标，则必须为 add-to-cart 事件记录事件。

  • 请确保在创建网页级优化模型后，继续查询 模型来创建推荐展示次数。这些展示次数用于训练网页级优化模型，并改进其提供的建议。

如需创建新模型，请执行以下操作：

Google Cloud 控制台

1. 前往 Search for Retail 控制台中的型号页面。
   
   前往“模型”页面

2. 点击创建模型。

3. 为模型输入名称。

   名称不得超过 1024 个字符，并且只能包含字母数字字符、下划线、连字符、空格。

4. 选择推荐类型。

5. 如果您选择了页面级优化模型类型，请执行以下操作：

   1. 在“网页级优化”部分中选择网页类型。将为您进行优化。

   2. 选择要多大程度地限制在各个面板中投放类似的服务配置：

      • 唯一的模型类型：不允许将具有相同模型类型的多个服务配置显示在不同的面板上。

      • 唯一模型：不允许具有相同 模型不同。

      • 独特的服务配置：不允许将同一服务配置显示在多个面板上。

      • 无限制：允许在任何服务配置中显示任何服务配置 面板的数量。

   3. 对于您计划使用此模型显示的每个建议面板，请执行以下操作：

      1. 请输入面板 ID。

      2. 选择网页级优化模型可以将哪些投放配置视为该面板的选项。

         例如，购物车页面可能包含一个建议面板，您可以在其中显示“经常一起购买的产品”或“可能感兴趣的其他商品”建议。在本例中，选择一个使用“经常一起购买”模型的服务配置，以及另一个使用“您可能喜欢的其他产品”模型的服务配置，以便在此面板上进行考虑。当您向网页级优化模型发出预测调用时，该模型会根据最终用户的事件历史记录选择应在该面板中显示哪种类型的建议。

      3. 选择默认服务配置。

         即使 Google 服务器发生中断，网页级优化模型仍可正常投放 默认服务配置的结果。

   4. 如果您需要创建其他面板，请针对每个新面板点击 添加面板并输入新面板的详细信息。

6. 选择业务目标（如果您选择的模型类型有）。

7. 如果您选择了“经常一起购买”模型类型，请选择上下文商品类型：

   • 多个上下文商品：使用一项或多项作为上下文的上下文 从此模型中生成大量推荐。
   • 单个上下文商品：使用一项内容作为上下文来根据此模型提供建议。

8. 查看是否符合数据要求？列表，确认您已 为您选择的模型类型上传足够的数据。

   如果未达到的数据要求阻止您创建模型， 图标 然后点击创建底部的创建按钮， 推荐模型窗格已停用。

   如果您需要上传更多数据，请仔细查看数据要求 以确认是否需要满足部分或所有要求 然后导入创建模型所需的用户事件或产品 模型

   如需了解如何导入，请参阅导入历史用户事件 和导入清单信息。

9. 选择对模型进行调参的频率。如需了解调整费用详情，请参阅价格。

   • 每 3 个月：模型每 3 个月自动调整一次。
   • 仅手动调参：仅在您对模型进行调参时进行调参 。

10. （公开试用功能）选择是否自动生成 标签，用于过滤。

    • 自动生成标签：启用此选项后，您可以 由此模型生成的推荐。启用此选项可能会增加训练时间。如需详细了解训练费用，请参阅 定价。
    • 不生成代码：如果此选项处于关闭状态，您将无法从此模型获得经过过滤的推荐内容。

11. 点击创建以创建新的推荐模型。

    如果您上传了所需类型的足够用户事件数据，则初始模型训练和调整会开始执行。初始模型训练和调整需要 2-5 天才能完成，但对于大型数据集，可能需要更长时间。

    您可以在训练完成之前为新模型创建展示位置，但在初始训练和调整完成以及模型生效之前，这些展示位置将仅提供“试运行”预测。

curl

向 v2 API 发出 Models.create 请求，并在请求正文中添加 Model 实例。请参阅 Models.create API 参考。

如需详细了解所有 Models 字段，请参阅 Models API 参考文档。

curl -X POST \
    -H "Authorization: Bearer $(gcloud auth application-default print-access-token)" \
    -H "Content-Type: application/json; charset=utf-8" \
    --data '{
            "name": "FULL_MODEL_NAME",
            "displayName": "DISPLAY_NAME",
            "trainingState": "TRAINING_STATE",
            "type": "MODEL_TYPE",
            "optimizationObjective": "OPTIMIZATION_OBJECTIVE",
            "periodicTuningState": "TUNING_STATE",
            "filteringOption": "FILTERING_STATE",
            "modelTypeConfig" {
              "contextProductsType": "CONTEXT_PRODUCTS_TYPE"
            }
          }' \
  "https://retail.googleapis.com/v2beta/projects/PROJECT_NUMBER/locations/global/catalogs/default_catalog/models"

如果您已上传足够的所需类型用户事件数据， 初始模型训练和调优开始。 初始模型训练和调整需要 2-5 天才能完成，但对于大型数据集，可能需要更长时间。

您可以在训练完成之前为新模型创建投放配置，但在初始训练和调整完成以及模型生效之前，这些投放配置将仅提供“试运行”预测。

创建新推荐模型的要求

首次为网站使用特定建议类型时，您正在训练一种新的机器学习模型，该模型需要足够的训练数据，以及训练和调整模型的时间。如要开始使用新的推荐类型，您需要按以下步骤操作：

1. 将目录导入 Vertex AI Search 零售解决方案（如果尚未执行此操作），并实现使上传的目录保持最新状态的流程。
2. 开始将用户事件记录到 Vertex AI Search for Retail 中（如果您尚未这样做），请务必遵循记录用户事件数据的最佳做法。
3. 确定您要使用的建议类型和优化目标。
4. 确定您所需的推荐类型和目标的用户事件数据要求。
5. 导入历史用户事件数据以满足最低事件数据要求，或等到用户事件数据收集满足最低要求。

6. 创建模型和投放配置。

   此时，零售企业的 Vertex AI Search 会启动模型训练， 调整。 初始模型训练和调优需要 2-5 天才能完成，但可能需要 。

7. 使用预测预览确认您的模型可正常运行。

8. 创建 A/B 实验。

模型类型最低数据量要求

您导入的用户事件类型和所需数据量取决于您的推荐（模型）类型和优化目标。达到最低数据要求后，您就可以开始训练模型。

数据收集时段表示用户事件的时间范围；导入更多历史数据不会影响模型质量。

请务必使用真实的用户事件和真实的商品目录数据。优质模型 无法基于合成数据构建。

模型类型	优化目标	支持的用户事件类型	最低数据要求	数据收集时段
为您推荐	点击率	detail-page-view home-page-view	过去 90 天内 7 天 detail-page-view 事件，并且每个目录项平均出现 10 次 detail-page-view 事件（时间范围为 90 天），或过去 90 天内 60 天 detail-page-view 事件 过去 90 天内，detail-page-view 事件的不重复目录项有 100 个 过去 90 天内发生了 1 万个 detail-page-view 事件 且 过去 90 天内的 7 天 home-page-view 事件 过去 90 天内发生了 1 万个 home-page-view 事件	3 个月
为您推荐	转化率	add-to-cart detail-page-view home-page-view	过去 90 天内有 7 天的 add-to-cart 事件，且 每个目录项平均出现 10 次 add-to-cart 个事件（时间范围为 90 天），或者 过去 90 天内有 60 天的 add-to-cart 事件 过去 90 天内，add-to-cart 事件的不重复目录项有 100 个 过去 90 天内发生了 10,000 个 add-to-cart 事件 且 过去 90 天内 7 天 detail-page-view 事件，并且每个目录项平均出现 10 次 detail-page-view 事件（时间范围为 90 天），或过去 90 天内 60 天 detail-page-view 事件 过去 90 天内，detail-page-view 事件的不重复目录项有 100 个 过去 90 天内发生了 10,000 个 detail-page-view 事件 且 过去 90 天内的 7 天 home-page-view 事件 过去 90 天内发生了 1 万个 home-page-view 事件	3 个月
为您推荐	每次会话的收入	add-to-cart detail-page-view home-page-view	过去 90 天内 7 天 add-to-cart 事件，并且每个目录项平均出现 10 次 add-to-cart 事件（时间范围为 90 天），或过去 90 天内 60 天 add-to-cart 事件 过去 90 天内， add-to-cart 事件有 100 个不重复的目录项 过去 90 天内发生了 1 万个 add-to-cart 事件 且 过去 90 天内有 7 天的 home-page-view 事件 过去 90 天内发生了 10,000 个 home-page-view 事件	3 个月
您可能喜欢的其他类型	点击率	detail-page-view	过去 90 天内有 7 天的 detail-page-view 事件数据，并且每个目录项平均有 10 个 detail-page-view 事件（90 天时间段）；或者过去 90 天内有 60 天的 detail-page-view 事件数据 过去 90 天内，detail-page-view 事件的不重复目录项有 100 个 过去 90 天内发生了 10,000 个 detail-page-view 事件	3 个月
您可能喜欢的其他类型	转化率	add-to-cart detail-page-view	过去 90 天内有 7 天 add-to-cart 事件，并且每个目录项平均出现 10 天 add-to-cart 事件（时间范围为 90 天），或过去 90 天内有 60 天 add-to-cart 事件 过去 90 天内，add-to-cart 事件的不重复目录项有 100 个 过去 90 天内发生了 10,000 个 add-to-cart 事件 且 过去 90 天内有 7 天的 detail-page-view 事件数据，并且每个目录项平均有 10 个 detail-page-view 事件（90 天时间段）；或者过去 90 天内有 60 天的 detail-page-view 事件数据 过去 90 天内，detail-page-view 事件的不重复目录项有 100 个 过去 90 天内发生了 10,000 个 detail-page-view 事件	3 个月
您可能喜欢的其他类型	每次会话的收入	add-to-cart detail-page-view	过去 90 天内有 7 天的 add-to-cart 事件数据，并且每个目录项平均有 10 个 add-to-cart 事件（90 天时间段）；或者过去 90 天内有 60 天的 add-to-cart 事件数据 过去 90 天内，add-to-cart 事件的不重复目录项有 100 个 过去 90 天内发生了 10,000 个 add-to-cart 事件 且 过去 90 天内有 7 天的 detail-page-view 事件数据，并且每个目录项平均有 10 个 detail-page-view 事件（90 天时间段）；或者过去 90 天内有 60 天的 detail-page-view 事件数据 过去 90 天内，detail-page-view 事件的不重复目录项有 100 个 过去 90 天内发生了 10,000 个 detail-page-view 事件	3 个月
经常一起购买的商品	每次会话的收入	purchase-complete	每个目录项平均出现 10 次（purchase-complete 事件的时间范围为 1 年），或过去 1 年内 purchase-complete 事件为 90 天 过去 1 年内“purchase-complete”事件的 100 个非重复清单项 过去 1 年内发生了 1,000 个 purchase-complete 事件	3 个月 我们建议您至少每天上传一次事件，以确保数据质量良好。在导入历史事件期间，请确保 偏向最近的时间戳。您获得的 最后一个时间戳日的事件应等于或大于 每日平均事件数
促销	点击率	detail-page-view home-page-view	过去 90 天内 7 天 detail-page-view 事件，并且每个目录项平均出现 10 次 detail-page-view 事件（时间范围为 90 天），或过去 90 天内 60 天 detail-page-view 事件 过去 90 天内，detail-page-view 事件的不重复目录项有 100 个 过去 90 天内发生了 1 万个 detail-page-view 事件 且 过去 90 天内的 7 天 home-page-view 事件 过去 90 天内发生了 1 万个 home-page-view 事件	3 个月
促销	转化率	add-to-cart detail-page-view home-page-view	过去 90 天内 7 天 add-to-cart 事件，并且每个目录项平均出现 10 次 add-to-cart 事件（时间范围为 90 天），或过去 90 天内 60 天 add-to-cart 事件 过去 90 天内，add-to-cart 事件的不重复目录项有 100 个 过去 90 天内发生了 10,000 个 add-to-cart 事件 且 过去 90 天内有 7 天的 detail-page-view 事件数据，并且每个目录项平均有 10 个 detail-page-view 事件（90 天时间段）；或者过去 90 天内有 60 天的 detail-page-view 事件数据 过去 90 天内，detail-page-view 事件的不重复目录项有 100 个 过去 90 天内发生了 1 万个 detail-page-view 事件 且 过去 90 天内的 7 天 home-page-view 事件 过去 90 天内发生了 1 万个 home-page-view 事件	3 个月
类似商品	不适用	不需要。	100 个产品 SKU 必须位于某个分支中	不适用
页面级优化	不限	detail-page-view add-to-cart purchase-complete home-page-view	网页级优化可以从多个建议面板中进行选择，从而优化推荐面板 可能的模型。请参阅您学习的模型的数据要求 作为网页级优化的选项	不适用
再次购买	不适用	purchase-complete	每个目录项平均出现 10 次（purchase-complete 事件的时间范围为 90 天），或过去 90 天内 purchase-complete 事件为 60 天 过去 90 天内，purchase-complete 事件的不重复目录项有 100 个 过去 90 天内发生了 1,000 个 purchase-complete 事件 100 个产品 SKU 必须位于某个分支中	不适用 我们建议您至少每天上传一次事件，以确保数据质量良好。在导入历史事件期间，请确保 偏向最近的时间戳。您获得的 最后一个时间戳日的事件应等于或大于 每日平均事件数

后续步骤

• 为模型创建服务配置。
• 了解如何为模型暂停和恢复训练。
• 模型训练完成后，开始请求推荐。