Criar modelos de recomendação

Nesta página, descrevemos como criar um novo modelo de recomendações.

Se você já tem um modelo de recomendação do tipo correto e você quiser receber previsões dele de um local diferente do seu site, é possível criar uma nova configuração de veiculação para ele em vez de criar uma modelo novo. Saiba mais.

Introdução

Quando você quiser usar um novo tipo de recomendação para receber previsões, crie um novo modelo de recomendação e forneça dados de evento do usuário suficientes para que sejam treinados. Crie configurações de veiculação para o novo modelo e Quando o modelo terminar o treinamento, solicite previsões dos usuários personalizadas.

Para ter uma visão geral do processo de trabalho com a Vertex AI para Pesquisa no varejo, consulte Implementar a Vertex AI para Pesquisa no varejo.

Criar um modelo de recomendação

Adicione um novo modelo de recomendação usando o console de Pesquisa para varejo ou o método da API models.Create.

É possível ter até 20 modelos por projeto, e até 10 deles podem estar ativos (não pausados) a qualquer momento. Saiba mais sobre como pausar um modelo.

É possível iniciar até cinco operações de modelo por minuto. As operações limitadas do modelo incluem criação, exclusão, pausa e retomada.

Antes de criar um novo modelo:

  • Analise e escolha entre os tipos de modelos de recomendação disponíveis e modelar objetivos de negócio. Elas determinam que tipo de recomendações esse modelo precisa ser treinado para fornecer.
  • decida com que frequência ajustar o modelo. Para custo de ajuste e treinamento Para mais detalhes, consulte Preços.
  • Confira se você tem dados suficientes para atender aos requisitos de criação de um novo modelo. Alguns requisitos dependem com base no tipo de modelo que você escolher.
  • Se você planeja criar um modelo de otimização no nível da página:

    • Verifique se você já tem configurações de exibição de recomendação com modelos treinados anexados. Você precisa fornecer uma seleção de configurações de veiculação de recomendações que a otimização no nível da página pode escolher ao otimizar as recomendações de uma página.

    • Configure a gravação de eventos detail-page-view e eventos que correspondem ao tipo de página em que você vai implantar o modelo de otimização no nível da página. Por exemplo, se você implantar o modelo em uma página inicial, configure a gravação para eventos home-page-view. Para melhorar as recomendações personalizadas, também é recomendável gravar eventos purchase e add-to-cart.

    • Se você escolher o objetivo de negócio da taxa de conversão (CVR), a gravação de add-to-cart eventos é necessária.

    • Depois de criar o modelo de otimização no nível da página, você precisa continuar consultando a para criar impressões de recomendações. Essas impressões são usadas para treinar o modelo de otimização no nível da página e melhorar as recomendações que ele exibe.

Para criar um novo modelo:.

Console do Google Cloud

  1. Acesse a página Modelos no console do Search for Retail.

    Acessar a página "Modelos"

  2. Clique em Criar modelo.

  3. Insira um nome para seu modelo.

    O nome precisa ter 1.024 caracteres ou menos e pode conter apenas caracteres alfanuméricos, sublinhados, hífens e espaços.

  4. Escolha o tipo de recomendação.

  5. Se você selecionou o tipo de modelo de otimização na página:

    1. Escolha o tipo de página com a "Otimização no nível da página" vai otimizar para você.

    2. Escolha o quanto restringir a veiculação de configurações de exibição semelhantes nos painéis:

      • Tipo de modelo único: não permita várias configurações de veiculação com que o mesmo tipo de modelo seja mostrado em painéis diferentes.

      • Modelo exclusivo: não permita que várias configurações de exibição com o mesmo modelo sejam mostradas em painéis diferentes.

      • Configuração de exibição exclusiva: não permita que a mesma configuração de exibição seja exibida em vários painéis.

      • Sem restrições:permite que qualquer configuração de veiculação seja mostrada em qualquer número de painéis.

    3. Para cada painel de recomendação que você planeja mostrar com esse modelo:

      1. Insira o ID do painel.

      2. Selecione quais configurações de veiculação o modelo de otimização no nível da página pode considerar opções para esse painel.

        Por exemplo, uma página "Adicionar ao carrinho" pode ter um painel de recomendações em que você quer exibir os itens "Comprados juntos com frequência" ou "Outros itens que você pode gostar". recomendações. Nesse caso, selecione uma configuração de veiculação que use o modelo "Comprados juntos com frequência" e outro que usa o modelo "Outros que podem ser curtidos" para consideração neste painel. Quando você faz uma chamada de previsão para o Otimização no nível da página, ele escolhe que tipo de recomendação você deve serão exibidas no painel com base no histórico de eventos do usuário final.

      3. Selecione uma configuração de veiculação padrão.

        Se ocorrer uma falha no servidor do Google, o modelo de otimização no nível da página ainda poderá exibir resultados da configuração de exibição padrão.

    4. Se você precisar criar outros painéis, clique em Adicionar um painel e insira os detalhes do novo painel.

  6. Escolha o objetivo de negócios, se disponível para o tipo de modelo selecionado.

  7. Se você escolheu o tipo de modelo "Comprados juntos com frequência", selecione o Tipo de produtos de contexto:

    • Vários produtos de contexto: use um ou vários itens como contexto para e recomendações deste modelo.
    • Produto de contexto único: use um item como contexto para as recomendações. deste modelo.
  8. Revise a lista Requisitos de dados atendidos? para confirmar que você enviou dados suficientes para o tipo de modelo selecionado.

    Se um requisito de dados não atendido impedir a criação do modelo, um ícone X vai aparecer ao lado do requisito, e o botão Criar na parte de baixo do painel Criar modelo de recomendação será desativado.

    Se for preciso fazer o upload de mais dados, analise atentamente os requisitos de dados para verificar se alguns ou todos eles precisam ser cumpridos esse modelo e, em seguida, importe os eventos ou produtos do usuário necessários para criar o modelo

    Para importar, consulte Importar eventos históricos do usuário e Importar informações do catálogo.

  9. Escolha a frequência do ajuste do modelo. Para ajustar os detalhes de custo, consulte Preços.

    • A cada três meses: o modelo se ajusta automaticamente a cada três meses. meses.
    • Somente ajuste manual: o modelo é ajustado somente quando você o ajusta manualmente.
  10. (recurso do Acesso antecipado) Escolha se você quer gerar tags automaticamente para filtragem.

    • Gerar tags automaticamente: ao ativar essa opção, você pode filtrar os resultados de recomendações desse modelo. Ativar essa opção pode aumentar o tempo de treinamento. Para detalhes sobre custos de treinamento, consulte Preços.
    • Não gerar tags: se essa opção estiver desativada, não será possível recomendações filtradas deste modelo.
  11. Clique em Criar para gerar o novo modelo de recomendação.

    Se você tiver feito upload de dados de eventos do usuário suficientes do tipo necessário, o treinamento e o ajuste do modelo inicial vão começar. O treinamento e o ajuste iniciais do modelo levam de 2 a 5 dias para serem concluídos, mas podem levar por mais tempo para grandes conjuntos de dados.

    Você podecriar configurações de exibição para o novo modelo antes da conclusão do treinamento, mas eles serão veiculados apenas previsões de"simulação" até que o treinamento e o ajuste iniciais sejam concluídos e o modelo fique ativo.

curl

Faça uma solicitação Models.create para a API v2 com uma instância de Model no corpo da solicitação. Consulte a API Models.create de referência.

Para detalhes sobre todos os campos Models, consulte a referência da API Models.

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"

Se você tiver feito upload de dados suficientes de eventos de usuário do tipo exigido, o o treinamento e o ajuste iniciais do modelo começam. O treinamento e o ajuste iniciais do modelo levam de 2 a 5 dias para serem concluídos, mas podem levar por mais tempo para grandes conjuntos de dados.

É possível criar configurações de veiculação para o novo modelo. antes da conclusão do treinamento, mas eles só serão "simulação" previsões até o treinamento e ajuste iniciais é concluído, e o modelo fica ativo.

Requisitos para criar um novo modelo de recomendação

Na primeira vez que você usar um tipo de recomendação específico para seu site, estará treinando um novo modelo de machine learning, que exige dados de treinamento suficientes, bem como tempo para treinar e ajustar o modelo. As etapas a seguir são necessárias para começar a usar um novo tipo de recomendação:

  1. Importe seu catálogo para a Vertex AI Search for Retail, caso ainda não tenha feito isso, e implemente processos para manter o catálogo enviado atualizado.
  2. Comece a gravar eventos do usuário na Pesquisa da Vertex AI para varejo, caso ainda não tenha feito isso. Não se esqueça de seguir as práticas recomendadas para gravar dados de eventos do usuário.
  3. Identifique o tipo de recomendação e o objetivo de otimização a serem usados.
  4. Determine o requisito de dados do evento do usuário para o tipo de recomendação e o objetivo desejados.
  5. Importe dados históricos de eventos do usuário para atender aos requisitos mínimos ou aguarde até que a coleta de dados de eventos do usuário atenda aos requisitos mínimos.
  6. Crie o modelo e as configurações de veiculação.

    Neste ponto, a Vertex AI para Pesquisa para Retail inicia treinamento de modelo e sintonização. O treinamento e o ajuste iniciais do modelo levam de 2 a 5 dias para serem concluídos, mas podem levar por mais tempo para grandes conjuntos de dados.

  7. Confirme se o modelo está funcionando corretamente usando a visualização da previsão.

  8. Crie seu experimento A/B.

Requisitos mínimos de dados para o tipo de modelo

O tipo de evento do usuário importado e a quantidade de dados necessários depende do tipo de recomendação (modelo) e do objetivo de otimização. Quando você atinge o requisito mínimo de dados, pode começar o treinamento do modelo.

A janela de coleta de dados representa o período dos eventos do usuário. A importação de mais dados históricos não afeta a qualidade do modelo.

Use eventos de usuário reais e dados de catálogo reais. Modelos de boa qualidade não pode ser criada com dados sintéticos.

Tipo de modelo Objetivo da otimização Tipos de evento do usuário compatíveis Requisito de dados mínimos Janela de coleta de dados
Recomendados para você Taxa de cliques detail-page-view

home-page-view

7 dias de eventos detail-page-view nos últimos 90 dias E 10 ocorrências por item do catálogo, em média (com uma janela de 90 dias) de eventos detail-page-view OU 60 dias de eventos detail-page-view nos últimos 90 dias

100 itens do catálogo únicos para o evento detail-page-view nos últimos 90 dias

10.000 eventos detail-page-view nos últimos 90 dias

E

7 dias de eventos home-page-view nos últimos 90 dias

10.000 eventos home-page-view nos últimos 90 dias

3 meses
Recomendados para você Taxa de conversão add-to-cart

detail-page-view

home-page-view

7 dias de eventos add-to-cart nos últimos 90 dias E 10 ocorrências por item do catálogo, em média (com um período de 90 dias) de eventos add-to-cart OU 60 dias de eventos add-to-cart nos últimos 90 dias

100 itens do catálogo únicos para o evento add-to-cart nos últimos 90 dias

10.000 eventos add-to-cart nos últimos 90 dias

E

7 dias de eventos detail-page-view nos últimos 90 dias E 10 ocorrências por item do catálogo, em média (com uma janela de 90 dias) de eventos detail-page-view OU 60 dias de eventos detail-page-view nos últimos 90 dias

100 itens do catálogo únicos para o evento detail-page-view nos últimos 90 dias

10.000 eventos detail-page-view nos últimos 90 dias

E

7 dias de eventos home-page-view nos últimos 90 dias

10.000 eventos home-page-view nos últimos 90 dias

3 meses
Recomendados para você Receita por sessão add-to-cart

detail-page-view

home-page-view

7 dias de eventos add-to-cart nos últimos 90 dias E 10 ocorrências por item do catálogo, em média (com uma janela de 90 dias) de eventos add-to-cart OU 60 dias de eventos add-to-cart nos últimos 90 dias

100 itens do catálogo únicos para o evento add-to-cart nos últimos 90 dias

10.000 eventos add-to-cart nos últimos 90 dias

E

7 dias de eventos home-page-view nos últimos 90 dias

10.000 eventos home-page-view nos últimos 90 dias

3 meses
Outros itens que você pode gostar Taxa de cliques detail-page-view

7 dias de eventos detail-page-view nos últimos 90 dias E 10 ocorrências por item do catálogo, em média (com uma janela de 90 dias) de eventos detail-page-view OU 60 dias de eventos detail-page-view nos últimos 90 dias

100 itens de catálogo exclusivos para o evento detail-page-view nos últimos 90 dias

10.000 eventos detail-page-view nos últimos 90 dias

3 meses
Outros itens que você pode gostar Taxa de conversão add-to-cart

detail-page-view

7 dias de eventos add-to-cart nos últimos 90 dias E 10 ocorrências por item do catálogo, em média (com uma janela de 90 dias) de add-to-carteventos OU 60 dias de eventos add-to-cart nos últimos 90 dias

100 itens do catálogo únicos para o evento add-to-cart nos últimos 90 dias

10.000 eventos add-to-cart nos últimos 90 dias

E

7 dias de eventos detail-page-view nos últimos 90 dias E 10 ocorrências por item do catálogo, em média (com uma janela de 90 dias) de eventos detail-page-view OU 60 dias de eventos detail-page-view nos últimos 90 dias

100 itens do catálogo únicos para o evento detail-page-view nos últimos 90 dias

10.000 eventos detail-page-view nos últimos 90 dias

3 meses
Outros itens que você pode gostar Receita por sessão add-to-cart

detail-page-view

7 dias de eventos add-to-cart nos últimos 90 dias E 10 ocorrências por item do catálogo, em média (com uma janela de 90 dias) de eventos add-to-cart OU 60 dias de eventos add-to-cart nos últimos 90 dias

100 itens do catálogo únicos para o evento add-to-cart nos últimos 90 dias

10.000 eventos add-to-cart nos últimos 90 dias

E

7 dias de eventos detail-page-view nos últimos 90 dias E 10 ocorrências por item do catálogo, em média (com uma janela de 90 dias) de eventos detail-page-view OU 60 dias de eventos detail-page-view nos últimos 90 dias

100 itens do catálogo únicos para o evento detail-page-view nos últimos 90 dias

10.000 eventos detail-page-view nos últimos 90 dias

3 meses
Comprados juntos com frequência Receita por sessão purchase-complete

10 ocorrências por item do catálogo, em média (com um período de 1 ano de eventos purchase-complete) OU 90 dias de eventos purchase-complete no último ano

100 itens de catálogo exclusivos para o evento purchase-complete no último ano

1.000 eventos purchase-complete no último ano

3 meses

Recomendamos fazer o upload de eventos pelo menos uma vez por dia para manter a qualidade dos dados. Durante as importações de eventos históricos, verifique se a distribuição de dados está distorcida para o carimbo de data/hora mais recente. O número de os eventos no último dia do carimbo de data/hora devem ser iguais ou maiores que o contagem média de eventos diários.

Em promoção Taxa de cliques detail-page-view

home-page-view

7 dias de eventos detail-page-view nos últimos 90 dias E 10 ocorrências por item do catálogo, em média (com uma janela de 90 dias) de eventos detail-page-view OU 60 dias de eventos detail-page-view nos últimos 90 dias

100 itens do catálogo únicos para o evento detail-page-view nos últimos 90 dias

10.000 eventos detail-page-view nos últimos 90 dias

E

7 dias de eventos home-page-view nos últimos 90 dias

10.000 eventos home-page-view nos últimos 90 dias

3 meses
Em promoção Taxa de conversão add-to-cart

detail-page-view

home-page-view

7 dias de eventos add-to-cart nos últimos 90 dias E 10 ocorrências por item do catálogo, em média, (com uma janela de 90 dias) de eventos add-to-cart OU 60 dias de eventos add-to-cart nos últimos 90 dias

100 itens de catálogo exclusivos para o evento add-to-cart nos últimos 90 dias

10.000 eventos add-to-cart nos últimos 90 dias

E

7 dias de eventos detail-page-view nos últimos 90 dias E 10 ocorrências por item do catálogo, em média (com uma janela de 90 dias) de eventos detail-page-view OU 60 dias de eventos detail-page-view nos últimos 90 dias

100 itens do catálogo únicos para o evento detail-page-view nos últimos 90 dias

10.000 eventos detail-page-view nos últimos 90 dias

E

7 dias de eventos home-page-view nos últimos 90 dias

10.000 eventos home-page-view nos últimos 90 dias

3 meses
Itens semelhantes N/A Não é necessário fazer nada.

100 SKUs de produtos precisam estar em uma ramificação

N/A
Otimização no nível da página Qualquer detail-page-view

add-to-cart

purchase-complete

home-page-view

A otimização no nível da página otimiza os painéis de recomendação ao escolher entre várias os possíveis modelos. Consulte os requisitos de dados dos modelos que você como opções para otimização no nível da página.

N/A
Comprar novamente N/A purchase-complete

10 ocorrências por item do catálogo, em média (com um período de 90 dias de eventos purchase-complete) OU 60 dias de eventos purchase-complete nos últimos 90 dias

100 itens do catálogo únicos para o evento purchase-complete nos últimos 90 dias

1.000 eventos purchase-complete nos últimos 90 dias

100 SKUs de produtos precisam estar em alguma ramificação

N/A

Recomendamos fazer o upload de eventos pelo menos uma vez por dia para manter a qualidade dos dados. Durante as importações de eventos históricos, verifique se a distribuição de dados está distorcida para o carimbo de data/hora mais recente. O número de eventos no último dia com carimbo de data/hora precisa ser igual ou maior do que a contagem média de eventos diários.

A seguir