Auf dieser Seite wird beschrieben, wie Sie ein neues Empfehlungsmodell erstellen.
Wenn Sie bereits ein Empfehlungsmodell des richtigen Typs haben und Vorhersagen von einem anderen Speicherort auf Ihrer Website abrufen möchten, können Sie statt eines neuen Modells eine neue Bereitstellungskonfiguration erstellen. Weitere Informationen
Einführung
Wenn Sie einen neuen Empfehlungstyp für Vorhersagen verwenden möchten, müssen Sie ein neues Empfehlungsmodell erstellen und genügend Nutzerereignisdaten bereitstellen, damit es trainiert werden kann. Sie erstellen Bereitstellungskonfigurationen für Ihr neues Modell und Fordern Sie nach Abschluss des Trainings des Modells Vorhersagen von den bereitgestellten Konfigurationen.
Eine Übersicht über die Arbeit mit Vertex AI Search für den Einzelhandel finden Sie unter Vertex AI Search für den Einzelhandel implementieren.
Empfehlungsmodell erstellen
Fügen Sie mithilfe der Search for Retail-Funktion Search for Retail ein neues Empfehlungsmodell hinzu.
Console oder models.Create
API-Methode.
Es sind bis zu 20 Modelle pro Projekt möglich, wobei jederzeit bis zu 10 Modelle aktiv (nicht pausiert) sein können. Weitere Informationen zum Pausieren eines Modells
Sie können bis zu fünf Modellvorgänge pro Minute starten. Zu den eingeschränkten Modellvorgängen gehören das Erstellen, Löschen, Anhalten und Fortsetzen.
Bevor Sie ein neues Modell erstellen, ist Folgendes zu beachten:
- Sehen Sie sich die verfügbaren Arten von Empfehlungsmodellen an und wählen Sie einen der verfügbaren Typen aus. und vorbildliche Geschäftsziele. Damit wird festgelegt, welche Art von Empfehlungen dieses Modell liefern soll.
- Legen Sie fest, wie oft das Modell optimiert werden soll. Für Abstimmungs- und Trainingskosten finden Sie unter Preise.
- Achten Sie darauf, dass genügend Daten für die Anforderungen zum Erstellen eines neuen Modells. Einige Anforderungen hängen vom ausgewählten Modelltyp ab.
Gehen Sie wie folgt vor, wenn Sie ein Optimierungsmodell auf Seitenebene erstellen möchten:
Prüfen Sie, ob Sie bereits Konfigurationen für die Empfehlungsbereitstellung mit verknüpften trainierten Modellen haben. Sie müssen eine Auswahl an Empfehlungen angeben Bereitstellungskonfigurationen, die bei der Optimierung auf Seitenebene Empfehlungen.
Richten Sie die Ereignisaufzeichnung für
detail-page-view-Ereignisse und Ereignisse ein, die dem Seitentyp entsprechen, auf dem Sie das Modell für die Optimierung auf Seitenebene bereitstellen. Wenn Sie das Modell beispielsweise auf einer Startseite bereitstellen, müssen Sie die Aufzeichnung fürhome-page-view-Ereignisse einrichten. Um personalisierte Empfehlungen zu verbessern, wird auch die Ereignisaufzeichnung fürpurchase- undadd-to-cart-Ereignisse empfohlen.Wenn Sie das Geschäftsziel „Conversion-Rate“ (CVR) auswählen,
add-to-cart-Ereignisse müssen aufgezeichnet werden.Achten Sie darauf, dass Sie das Modell nach dem Erstellen weiterhin abfragen, um Impressionen für Empfehlungen zu generieren. Diese Impressionen werden verwendet, um das Modell für die Optimierung auf Seitenebene trainieren und die von ihm bereitgestellten Empfehlungen verbessern
So erstellen Sie ein neues Modell:
Google Cloud Console
Rufen Sie in der Console „Suchen für Einzelhandel“ die Seite Modelle auf.
Zur Seite „Modelle“Klicken Sie auf Modell erstellen.
Geben Sie einen Namen für das Modell ein.
Der Name darf höchstens 1.024 Zeichen lang sein und nur alphanumerische Zeichen, Unterstriche, Bindestriche und Leerzeichen enthalten.
Wählen Sie den Empfehlungstyp aus.
Wenn Sie den Modelltyp für die Optimierung auf Seitenebene ausgewählt haben:
Wählen Sie die Art der Seite aus, die mit dem Modell „Optimierung auf Seitenebene“ optimiert werden soll.
Legen Sie fest, wie stark die Bereitstellung ähnlicher Bereitstellungskonfigurationen eingeschränkt werden soll über Panels hinweg:
Eindeutiger Modelltyp:Lassen Sie nicht mehrere Bereitstellungskonfigurationen mit wird derselbe Modelltyp in verschiedenen Bereichen angezeigt.
Eindeutiges Modell:Lassen Sie nicht mehrere Bereitstellungskonfigurationen mit demselben das in verschiedenen Panels angezeigt wird.
Eindeutige Bereitstellungskonfiguration: Nicht zulassen, dass dieselbe Bereitstellungskonfiguration in mehreren Bereichen angezeigt wird.
Keine Einschränkung: Es kann eine beliebige Anzahl von Bereitstellungskonfigurationen in beliebig vielen Bereichen angezeigt werden.
Geben Sie für jeden Empfehlungsbereich, den Sie mit diesem Modell anzeigen möchten, Folgendes an:
Geben Sie eine Bereichs-ID ein.
Wählen Sie aus, welche Bereitstellungskonfigurationen das Modell für die Optimierung auf Seitenebene als Optionen für diesen Bereich berücksichtigen kann.
Beispielsweise kann eine Seite zum Hinzufügen von Artikeln zum Einkaufswagen einen Empfehlungsbereich haben. in dem Sie entweder gemeinsam kaufen oder andere Inhalte anzeigen lassen möchten, die Ihnen gefallen könnten. Empfehlungen. Wählen Sie in diesem Fall eine Bereitstellungskonfiguration aus, die das Modell „Häufig zusammen gekauft“ und eine andere, die das Modell „Was Ihnen sonst noch gefallen könnte“ verwendet, um sie in diesem Bereich zu berücksichtigen. Wenn Sie einen Vorhersageaufruf an die Optimierung auf Seitenebene, welche Art von Empfehlungen Sie basierend auf dem Ereignisverlauf des Endnutzers angezeigt werden.
Wählen Sie eine Standardbereitstellungskonfiguration aus.
Bei einem Google-Serverausfall kann das Modell zur Optimierung auf Seitenebene weiterhin Ergebnisse aus der Standardbereitstellungskonfiguration ausliefern.
Wenn Sie weitere Bereiche erstellen möchten, klicken Sie für jeden neuen Bereich auf Bereich hinzufügen und geben Sie die Details für den neuen Bereich ein.
Wählen Sie das Geschäftsziel aus, sofern für den ausgewählten Modelltyp verfügbar.
Wenn Sie den Modelltyp „Häufig zusammen gekauft“ ausgewählt haben, wählen Sie den Produkttyp für Kontext aus:
- Mehrere Kontextprodukte: Verwenden Sie ein oder mehrere Elemente als Kontext für Empfehlungen dieses Modells.
- Produkt mit einem einzelnen Kontext: Verwenden Sie ein Element als Kontext für Empfehlungen. von diesem Modell zu erhalten.
Prüfen Sie in der Liste Datenanforderungen erfüllt?, ob Sie für den ausgewählten Modelltyp genügend Daten hochgeladen haben.
Wenn Sie aufgrund einer nicht erfüllten Datenanforderung das Modell nicht erstellen können, Das X-Symbol cancel wird neben der und auf die Schaltfläche Erstellen unten im Empfehlungsmodell ist deaktiviert.
Wenn Sie weitere Daten hochladen müssen, prüfen Sie sorgfältig die aufgeführten Datenanforderungen, um festzustellen, ob einige oder alle für dieses Modell erfüllt werden müssen. Importieren Sie dann die Nutzerereignisse oder Produkte, die zum Erstellen des Modells erforderlich sind.
Informationen zum Importieren finden Sie unter Bisherige Nutzerereignisse importieren. und Kataloginformationen importieren.
Wählen Sie aus, wie oft das Modell abgestimmt werden soll. Details zu den Abstimmungskosten finden Sie unter Preise.
- Alle drei Monate: Das Modell wird alle drei Monate automatisch optimiert.
- Nur manuelle Optimierung: Das Modell wird nur dann optimiert, wenn Sie es manuell optimieren.
Öffentliche Funktion in der Vorabversion: Legen Sie fest, ob automatisch Tags zum Filtern generiert werden sollen.
- Tags automatisch generieren: Wenn Sie diese Option aktivieren, die Empfehlungsergebnisse dieses Modells. Wenn diese Option aktiviert ist, kann sich die Trainingszeit verlängern. Weitere Informationen zu den Kosten für die Modellerstellung finden Sie unter Preise.
- Keine Tags generieren: Wenn diese Option deaktiviert ist, können Sie keine gefilterte Empfehlungen aus diesem Modell.
Klicken Sie auf Erstellen, um das neue Empfehlungsmodell zu erstellen.
Wenn Sie ausreichend Nutzerereignisdaten des erforderlichen Typs hochgeladen haben, beginnt das erste Training und die Abstimmung des Modells. Das erste Training und die Abstimmung des Modells dauern zwei bis fünf Tage. Bei großen Datasets kann es jedoch länger dauern.
Sie können für Ihr neues Modell vor dem Training Bereitstellungskonfigurationen erstellen, aber diese werden nur als Probevorhersagen verwendet, bis das erste Training und die Feinabstimmung abgeschlossen sind und das Modell aktiv ist.
curl
Stellen Sie eine Models.create-Anfrage mit einer Instanz von
Model im Anfragetext. Weitere Informationen finden Sie in der Models.create API-Referenz.
Weitere Informationen zu allen Models-Feldern finden Sie in der
Models API-Referenz.
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"
Wenn Sie genügend Nutzerereignisdaten des erforderlichen Typs hochgeladen haben, mit dem Training und der Feinabstimmung des Modells beginnt. Das anfängliche Training und die Feinabstimmung des Modells dauern 2 bis 5 Tage, für große Datasets länger.
Sie können für Ihr neues Modell vor dem Training Bereitstellungskonfigurationen erstellen, aber diese werden nur als Probevorhersagen verwendet, bis das erste Training und die Feinabstimmung abgeschlossen sind und das Modell aktiv ist.
Anforderungen zum Erstellen eines neuen Empfehlungsmodells
Wenn Sie zum ersten Mal einen bestimmten Empfehlungstyp für Ihre Website verwenden, trainieren Sie ein neues Modell für maschinelles Lernen. Das erfordert genügend Trainingsdaten sowie die Zeit zum Trainieren und Optimieren des Modells. Die folgenden Schritte sind erforderlich, um einen neuen Empfehlungstyp zu verwenden:
- Importieren Sie Ihren Katalog in Vertex AI Search for Retail, wenn Sie und Prozesse zur Aufrechterhaltung des hochgeladenen Katalogs sind auf dem neuesten Stand.
- Mit dem Aufzeichnen von Nutzerereignissen in Vertex AI Search für den Einzelhandel beginnen sofern noch nicht geschehen, achten Sie darauf, die Best Practices für die Aufzeichnung von Nutzerereignisdaten
- Identifizieren Sie den Empfehlungstyp und das Optimierungsziel, das Sie verwenden möchten.
- Ermitteln Sie die Anforderungen für Nutzerereignisdaten für den gewünschten Empfehlungstyp und das gewünschte Ziel.
- Importieren Sie Verlaufsdaten zu Nutzerereignissen, um die Mindestanforderungen für Ereignisdaten zu erfüllen, oder warten Sie, bis die Erfassung von Nutzerereignisdaten die Mindestanforderungen erfüllt.
Erstellen Sie Ihr Modell und Ihre Bereitstellungskonfigurationen.
An dieser Stelle initiiert Vertex AI Search for Retail das Modelltraining und Feinabstimmung. Das erste Training und die Abstimmung des Modells dauern zwei bis fünf Tage. Bei großen Datasets kann es jedoch länger dauern.
Prüfen Sie mithilfe der Vorhersagevorschau, ob Ihr Modell ordnungsgemäß funktioniert.
Mindestdatenanforderungen für Modelltypen
Die Art der importierten Nutzerereignisse und die Menge der benötigten Daten hängen von Ihrem Empfehlungstyp (Modell) und Ihrem Optimierungsziel ab. Wenn Sie die Mindestdatenanforderungen erreichen, können Sie mit dem Modelltraining beginnen.
Das Zeitfenster für die Datenerhebung stellt den Zeitraum für Nutzerereignisse dar. weitere Importe Verlaufsdaten haben keinen Einfluss auf die Modellqualität.
Verwenden Sie echte Nutzerereignisse und echte Katalogdaten. Hochwertige Modelle können nicht auf synthetischen Daten basieren.
| Modelltyp | Optimierungsziel | Unterstützte Nutzerereignistypen: | Mindestdatenanforderung | Fenster zur Datenerfassung |
|---|---|---|---|---|
| Empfehlungen für mich | Klickrate (Click-through-Rate, CTR) |
detail-page-viewhome-page-view
|
7 Tage mit
100 eindeutige Katalogartikel für das
10.000 UND
7 Tage mit
10.000 |
3 Monate |
| Empfehlungen für mich | Conversion-Rate |
add-to-cartdetail-page-viewhome-page-view
|
7 Tage mit
100 einzelne Katalogartikel für das Ereignis
10.000 UND
7 Tage mit
100 eindeutige Katalogartikel für das
10.000 UND
7 Tage mit
10.000 |
3 Monate |
| Empfehlungen für mich | Umsatz pro Sitzung |
add-to-cartdetail-page-viewhome-page-view
|
7 Tage mit
100 eindeutige Katalogartikel für das
10.000 UND
7 Tage mit
10.000 |
3 Monate |
| Was Ihnen sonst noch gefallen könnte | Klickrate (Click-through-Rate, CTR) |
detail-page-view
|
7 Tage mit
100 eindeutige Katalogartikel für das
10.000 |
3 Monate |
| Was Ihnen sonst noch gefallen könnte | Conversion-Rate |
add-to-cartdetail-page-view
|
7 Tage mit
100 eindeutige Katalogartikel für das
10.000 UND
7 Tage mit
100 eindeutige Katalogartikel für das
10.000 |
3 Monate |
| Was Ihnen sonst noch gefallen könnte | Umsatz pro Sitzung |
add-to-cartdetail-page-view
|
7 Tage mit
100 eindeutige Katalogartikel für das
10.000 UND
7 Tage mit
100 eindeutige Katalogartikel für das
10.000 |
3 Monate |
| Häufig zusammen gekaufte Artikel | Umsatz pro Sitzung |
purchase-complete
|
Durchschnittlich 10 Vorkommen pro Katalogelement (mit einem Zeitfenster von einem Jahr mit
100 eindeutige Katalogartikel für das Ereignis „
1.000 |
3 Monate Wir empfehlen, Ereignisse mindestens einmal täglich hochzuladen, um eine gute Datenqualität zu gewährleisten. Achten Sie beim Importieren von Verlaufsereignissen darauf, dass die Datenverteilung zum aktuellen Zeitstempel hin verzerrt ist. Die Anzahl der Ereignisse am letzten Tag des Zeitstempels sollten gleich oder größer sein durchschnittliche Anzahl an täglichen Ereignissen. |
| Im Angebot | Klickrate (Click-through-Rate, CTR) |
detail-page-viewhome-page-view
|
7 Tage mit
100 eindeutige Katalogartikel für das
10.000 UND
7 Tage mit
10.000 |
3 Monate |
| Im Angebot | Conversion-Rate |
add-to-cartdetail-page-viewhome-page-view
|
7 Tage mit
100 einzelne Katalogartikel für das Ereignis
10.000 UND
7 Tage mit
100 eindeutige Katalogartikel für das
10.000 UND
7 Tage mit
10.000 |
3 Monate |
| Ähnliche Artikel | – | Nicht erforderlich. |
100 Produkt-SKUs müssen sich in irgendeinem Zweig befinden |
– |
| Optimierung auf Seitenebene | Beliebig |
detail-page-viewadd-to-cartpurchase-completehome-page-view
|
Durch die Optimierung auf Seitenebene werden Empfehlungsbereiche optimiert, und mögliche Modelle. Lesen Sie die Datenanforderungen für die Modelle, die Sie als Optionen für die Optimierung auf Seitenebene auswählen. |
– |
| Noch einmal kaufen | – |
purchase-complete
|
Durchschnittlich 10 Vorkommen pro Katalogelement (mit einem Zeitfenster von 90 Tagen mit
100 eindeutige Katalogartikel für das
1.000 100 Produkt-SKUs müssen sich in irgendeinem Zweig befinden |
– Wir empfehlen, Ereignisse mindestens einmal täglich hochzuladen, um eine gute Datenqualität zu gewährleisten. Achten Sie beim Importieren von Verlaufsereignissen darauf, dass die Datenverteilung zum aktuellen Zeitstempel hin verzerrt ist. Die Anzahl der Ereignisse am letzten Tag des Zeitstempels sollten gleich oder größer sein durchschnittliche Anzahl an täglichen Ereignissen. |
Nächste Schritte
- Erstellen Sie eine Bereitstellungskonfiguration für Ihr Modell.
- Training unterbrechen und fortsetzen.
- Wenn das Training des Modells abgeschlossen ist, fragen Sie Empfehlungen an.