Perguntas frequentes

Você está enfrentando algum outro desafio ou seu problema não está descrito abaixo? Denuncie um bug ou solicite um recurso e participe do grupo do Google cloud-recommendations-users (em inglês) ou Stack Overflow (em inglês).

Geral

1. Você tem bibliotecas de cliente para a Vertex AI Search for Retail ou mais exemplos de código?

Sim. Consulte o guia de bibliotecas de cliente aqui para consultar informações de configuração e referência de cada biblioteca.

O serviço de descoberta de APIs do Google também pode ser usado em vez de chamadas REST brutas.

2. Todos os modelos de recomendação são personalizados?

Os modelos "Recomendados para você", "Outros que você pode gostar" e "Comprar novamente" fazem recomendações personalizadas quando fornecido com o histórico do usuário. Os modelos "Itens semelhantes" e "Comprados juntos com frequência" não são personalizados.

Consulte Sobre modelos de recomendação.

3. Receberei recomendações personalizadas imediatamente ou precisarei aguardar essas melhorias?

As recomendações são aprimoradas conforme você coleta mais dados do usuário. O modelo "Recomendado para você" mostra produtos conhecidos, e o modelo "Outros produtos que você gosta" mostra produtos semelhantes com base nas visualizações de outros. Esses dois modelos começam a considerar o comportamento do usuário imediatamente. Por isso, é importante enviar eventos em tempo real. Consulte Sobre os modelos de recomendação.

Os eventos do usuário precisam ser enviados em tempo real, ou quase em tempo real, para que a personalização seja eficaz. Se os eventos do usuário forem enviados diariamente ou em lotes ao longo do dia, os modelos personalizados talvez não tenham um desempenho tão bom quanto os eventos em tempo real.

4. Você está usando dados demográficos do usuário do Google nos seus modelos?

Os modelos só usam os dados de catálogo e de eventos do usuário que você fornece. Se você quiser incluir dados demográficos, poderá incluir outros dados textuais ou informações que podem ser úteis, como atributos personalizados. Esses dados vão começar a ser usados pelo modelo depois que ele for ajustado novamente.

Não inclua informações de identificação pessoal (PII), como endereços de e-mail ou nomes de usuário. Sugerimos que você anonimize os dados demográficos, por exemplo, gerando hash dos valores ou usando IDs de grupos.

5. Posso fazer recomendações com base no histórico de eventos de um grupo de usuários? em vez do histórico de um único usuário?

Atualmente, as recomendações são baseadas em um ID de visitante ou de usuário único. Seria necessário fazer solicitações individuais e combinar os resultados para basear as recomendações no histórico de um grupo. Se os usuários tiverem atributos de metadados comuns, é possível usar IDs de grupos como IDs de usuários para fornecer recomendações no nível do grupo.

6. Notei que você pode enviar URLs de imagens para produtos. Os modelos consideram as imagens do produto?

Por enquanto, não. Esses campos são fornecidos para que você possa recuperar esses metadados com os resultados de recomendação retornados. Assim, você ajuda a renderizar os resultados da recomendação. A Visualização da previsão também usa URLs de imagens para exibir as imagens quando você visualiza os resultados da previsão de um modelo no console de Pesquisa para varejo.

7. Minha empresa não é um site de comércio eletrônico de varejo. Ainda posso usar e recomendações para prever x,y,z?

Já tivemos clientes que usam o Recommendations AI para recomendações de conteúdo, streaming de vídeo e jogos e outros casos de uso. No entanto, nossa e experiência foi desenvolvido com o caso de uso de e-commerce de varejo em mente e pode ainda não ser adequado para outros casos de uso.

8. Posso colocar recomendações em qualquer página do meu site?

Sim, mas os modelos são projetados para casos de uso específicos e podem funcionar melhor em determinadas páginas. Consulte Sobre os modelos de recomendação.

As opções "Comprados juntos com frequência" e "Outros produtos que você pode gostar" exigem IDs de item. Por isso, elas precisam ser usadas para recomendações usando, por exemplo, um ID do produto ou itens em um carrinho. A opção "Comprados juntos com frequência" funciona melhor em páginas de adição ou de finalização da compra. Já a opção "Outros itens que você pode gostar" e "Itens semelhantes" funcionam melhor em páginas de detalhes do produto. Recomendado para você pode ser colocado em qualquer , já que requer apenas um ID de visitante como entrada, mas é projetado como uma página inicial configuração de veiculação da página. O recurso "Comprar novamente" foi criado para ser colocado em qualquer página.

9. Posso usar as recomendações por e-mail? newsletters?

Sim. Para isso, basta fazer uma chamada para a API com um ID de visitante ou de usuário e, em seguida, incorporar os resultados em um modelo de e-mail. Se você quiser que os itens sejam carregados dinamicamente no momento de leitura do e-mail, será necessário usar um endpoint intermediário, como umFunção do Google Cloud, para enviar a solicitação de previsão. Como a API fornece apenas uma lista de IDs de produto e metadados ordenados, você também precisará escrever seu próprio código para renderizar os resultados da imagem.

10. Posso usar a Vertex AI para Pesquisa de varejo em outros casos de uso que não sejam da Web (apps para dispositivos móveis, quiosques)?

Sim. É possível configurar um endpoint (por exemplo, Google Cloud Function) para receber resultados para o app. Você também precisa de um mecanismo semelhante para enviar eventos em tempo real.

11. Não tenho dados de eventos de mais de três meses. Ainda posso usar Vertex AI para Pesquisa para Retail? Posso adicionar mais dados posteriormente?

O modelo de itens semelhantes não usa dados de eventos do usuário ou ajuste de modelo. Mesmo que você não tenha dados de eventos, é possível criar e treinar um modelo de itens semelhantes, desde que você tenha dados de catálogo.

Se você puder registrar tráfego suficiente para eventos em tempo real, os dados recentes poderão ser usados para treinar outros modelos. Se você tiver dados adicionais disponíveis posteriormente, poderá fazer o upload deles após o treinamento do modelo inicial. Os dados recém-preenchidos são incorporados aos modelos durante o novo treinamento diário. No entanto, se os dados forem muito diferentes dos eventos usados no treinamento inicial, talvez seja necessário reajustar os modelos.

A maioria dos modelos funciona melhor com pelo menos três meses de visualizações de página de produto, visualizações de página inicial e eventos de adição ao carrinho para todos os modelos, e idealmente de um a dois anos de histórico de compras para a opção "Comprados frequentemente em conjunto".

Uma ou duas semanas de visualizações de página de detalhes podem ser suficientes para começar a treinar os modelos "Outros itens que você pode gostar" e "Recomendados para você", enquanto "Comprados frequentemente em conjunto" e "Compre de novo" geralmente requerem mais, já que normalmente há menos compras por do que as visualizações de página. Qualidade do modelo pode ser significativamente aprimorada com mais dados; a quantidade mínima pode não produzir resultados ideais. Um ano de compras, por exemplo, permite que os modelos aproveitem melhor a sazonalidade e as tendências.

12. Posso recomendar categorias com os produtos?

A seção "Recomendações" só retorna recomendações de produtos, mas é possível obter as categorias para cada produto retornado como parte dos resultados.

13. Você tem integrações para fazer upload de dados de bancos de dados SQL ou outros como o BigQuery?

Sim. Para eventos, há código de amostra do BigQuery. Veja um conjunto de dados de amostra do Google Analytics para o BigQuery.

14. A Vertex AI para Pesquisa para Retail usa cookies?

Não, ele não usa cookies. No entanto, todos os eventos enviados para a Vertex AI para Pesquisa para Retail precisa ter um ID de visitante especificado, que geralmente é um identificador de sessão com base em um cookie.

15. Preciso de um projeto dedicado do Google Cloud?

Você pode criar um projeto novo e dedicado ativar a Vertex AI para Pesquisa para Retail em um projeto atual.

16. Por que minhas credenciais não estão funcionando ao usar o Cloud Shell?

Verifique se você concluiu as etapas de configuração de autenticação para Vertex AI para Pesquisa para Retail. Use uma conta de serviço disponibilizada no ambiente. Caso contrário, pode aparecer um erro como este: "Seu aplicativo foi autenticado usando credenciais de usuário final do SDK do Google Cloud ou do Google Cloud Shell, que não são compatíveis".

Para mais informações sobre contas de serviço, consulte a seção Autenticação da documentação do Google Cloud.

17. Como posso comparar a Vertex AI para Pesquisa para varejo com soluções semelhantes?

É possível realizar testes A/B para comparar os resultados entre a Vertex AI para Pesquisa para o varejo e os produtos de outros produtos.

18. Acho que os atributos x, y e z seriam ótimos. Você pode acrescentar isso?

Sua opinião é importante para nós. As solicitações de recursos podem ser enviadas por meio da sua equipe de conta, do Suporte do Google ou do Issue-Tracker.

19. Ainda posso usar a API antiga para fazer recomendações?

As recomendações foram migradas da API Recommendations Engine para a Vertex AI para Pesquisa para varejo. Se você estava usando a API Recommendations Engine ele estava na versão Beta, recomendamos migrar suas recomendações para Vertex AI para Pesquisa para Retail (endpoint de serviço https://retail.googleapis.com), que é em disponibilidade geral.

A API anterior (endpoint do serviço https://recommendationengine.googleapis.com) e a documentação permanecem disponíveis, mas não são mais atualizadas.

Catálogos e produtos

1. Como as recomendações lidam com inicializações a frio para novos produtos?

Para produtos que não têm histórico de compras, fazemos recomendações com base em produtos semelhantes. Nesses casos, é muito importante ter bons títulos, categorias e descrições de produtos definidos no catálogo.

Para usuários de inicialização a frio (visitantes sem histórico), os modelos começam com os produtos gerais mais conhecidos e se tornam mais personalizados em tempo real à medida que mais eventos do usuário são recebidos.

Consulte Sobre catálogos e produtos e as página de referência do produto.

2. Posso usar meu catálogo do Merchant Center para receber recomendações?

Sim, é possível exportar um catálogo do Merchant Center para o BigQuery usando o serviço de transferência de dados do Merchant Center. Em seguida, podemos ler o catálogo diretamente do BigQuery. Consulte Importar dados de catálogo do Merchant Center.

3. De que outras formas posso importar meu catálogo?

  • Merchant Center: importe com o Merchant Center. Se você usar a pesquisa, poderá usar o console para vincular o Merchant Center e permitir que o catálogo é sincronizado automaticamente.
  • BigQuery: importe diretamente de uma tabela ou visualização.
  • Cloud Storage: importe usando arquivos de texto com um item de catálogo JSON por linha.
  • Importação in-line: importe com uma chamada de API usando arquivos de texto com um item de catálogo JSON por linha.
  • Crie itens do produto: use o método Products.

4. Como posso manter meu catálogo atualizado? Com que frequência o catálogo precisa ser atualizado?

Consulte Manter seu catálogo atualizado.

Recomendamos que você atualize seu catálogo diariamente. É possível fazer uma atualização completa do Cloud Storage ou do BigQuery ou uma atualização incremental (apenas itens novos e alterados).

Se possível, atualize o preço e a disponibilidade em tempo real. Isso afeta a forma como rapidamente novos itens podem ser pesquisados com a pesquisa.

Se for fácil receber notificações sobre mudanças no catálogo, como por meio do Pub/Sub, da fila de mensagens, de eventos etc., atualize o catálogo em tempo real usando a importação ou crie métodos de API.

Por exemplo, o Cloud Scheduler pode ser usado para fazer uma chamada diária de importação do BigQuery.

5. Existem tamanhos mínimos e máximos de catálogo?

Não há um tamanho mínimo, mas tamanhos de catálogo muito pequenos (< 100 itens) podem não trazer muitos benefícios com base nas recomendações, devido à quantidade muito pequena de produtos a serem recomendados.

O catálogo pode ter até 40 milhões de itens.

Consulte a documentação sobre cotas e limites padrão e para saber como solicitar uma alteração na sua cota.

6. Minha empresa opera sites em vários países. Devo usar um catálogo para todos os meus dados?

Geralmente, é melhor ter apenas um catálogo com todos os itens. Os eventos precisam ser enviados usando uma única moeda. Não é possível ter vários catálogos no mesmo projeto. Porém, se você usar entidades, você pode especificar o comportamento de pesquisa, recomendações e preenchimento automático para uma em um país específico.

Se os catálogos forem consideravelmente diferentes nos sites, recomendamos ter um projeto separado para cada site. Além disso, se os países tiverem idiomas diferentes, recomendamos criar projetos separados, um para cada idioma.

Se houver sites semelhantes com baixo tráfego em comparação com o site principal, isso pode ser melhor usar um único catálogo se não houver eventos suficientes para produzir modelos de alta qualidade para todos os sites individuais.

Para usar um único catálogo, os IDs dos itens dele precisam ser consistentes, ou seja, mesmo produto devem ter um único ID do item em todos os sites para que não haja duplicação de produtos no catálogo.

Para recomendações apenas, uma alternativa ao uso de entidades é filtrar para um site específico usando filtros. No entanto, os filtros podem ocupar de 8 horas para atualizar, de modo que, se houver disponibilidade específica por país (de estoque), eles normalmente precisam ser tratados por uma regra de negócios que filtra os resultados após a resposta de previsão. Isso se aplica à filtragem filter_tag da v1 e à filtragem com base em atributos da v2.

7. A Vertex AI para Pesquisa para Retail oferece suporte a várias moedas por catálogo?

Não, apenas um tipo de moeda por catálogo é aceito. Os eventos precisam ser enviados usando uma única moeda.

Se você planeja usar Console do Search for Retail para gerar receita de eventos, verifique se todos os eventos usam uma única moeda ou converta todos em na mesma moeda antes de fazer o upload.

8. Tenho vários sites com um catálogo compartilhado ou itens semelhantes. As recomendações podem ser usadas em vários sites?

Recomendamos usar um único catálogo como esse somente se houver sobreposição significativa entre os sites. precisam compartilhar muitos ou todos os mesmos produtos. Em seguida, como nos sites multirregionais, é possível usar entidades ou tags de filtro para retornar somente itens específicos do site para uma chamada de previsão específica.

Se os sites não compartilharem muitos ou nenhum item do catálogo, é preciso usar vários catálogos. O uso de vários catálogos requer um projeto separado do Google Cloud para cada catálogo.

9. Incluir mais metadados melhora o modelo? O modelo considera os campos x,y,z?

Consulte os campos obrigatórios em Informações de item de catálogo necessárias.

Outros campos de metadados são opcionais (por exemplo, imagens e itemAttributes). Eles podem ser usados para visualização de previsão, análise de resultados, treinamento e ajuste. Recomendamos incluir atributos úteis, como cor, tamanho, material etc. Esses campos podem ser retornados como parte dos resultados da previsão especificando returnProduct:true. Portanto, eles pode ser útil para renderizar resultados. As imagens e os atributos do item são usados para a visualização da previsão no console do Search for Retail.

10. Quais atributos de um item do catálogo são usados como entradas do treinamento de modelo?

É usada uma combinação de comportamentos de usuários e atributos de produtos. Os principais campos usados são ID, título, hierarquia de categoria, preço e URL. É possível incluir outros atributos de chave-valor personalizados que podem ser úteis em Product.attributes[].

Os URLs das imagens são mais um recurso conveniente. retorne esses metadados como parte dos resultados da previsão especificando returnProduct:true, que pode salvar uma chamada extra para recuperar essas informações. Ter URLs de imagem também permite a visualização da previsão para exibir as imagens quando você visualiza os resultados da previsão de um modelo na Pesquise o console de varejo.

11. Quais idiomas são compatíveis com meus produtos?

  • O recurso de recomendações: compatível com a maioria dos idiomas. O modelo detecta automaticamente o idioma do texto. Para conferir uma lista de todos os idiomas que podem ser detectados automaticamente, consulte o README do GitHub do Detector de linguagem compacta.

  • O recurso de pesquisa: oferece suporte estes idiomas mundiais.

    Você define o idioma ao fazer upload do catálogo. O catálogo deve estar em apenas um idioma e as consultas devem ser enviadas no mesmo idioma. Ter vários idiomas no catálogo prejudica o modelo desempenho. Por exemplo, se o catálogo estiver em espanhol, mas a consulta de pesquisa estiver em inglês, a consulta não será traduzida para o espanhol.

12. Meu catálogo tem SKUs principais/variantes ou SKUs pai/filho. São compatíveis?

Sim. Isso será semelhante ao item_group_id no Merchant Center. É necessário determinar como você quer receber as recomendações de volta (no nível pai ou filho) e se os eventos estão no nível pai ou filho.

Consulte Níveis de produto para saber mais.

Determine e defina o nível de produto correto antes de enviar itens ou eventos.s O nível do produto pode ser alterado, mas requer que os itens sejam mesclados e reajustar os modeloss

13. Posso excluir produtos do catálogo quando eles não estiverem mais disponíveis?

Se um item não estiver mais em dia, recomendamos que você defina o status dele como OUT_OF_STOCK em vez de excluí-lo. Assim, os eventos de usuários anteriores que se referem a ele não serão invalidados.

Eventos do usuário

1. Quais eventos de usuário preciso coletar?

Consulte Sobre os eventos de usuários para uma lista dos tipos de eventos. além dos requisitos e práticas recomendadas para eventos do usuário.

2. Como solucionar problemas de qualidade de dados na criação do modelo?

No console do Search for Retail, acesse a página Qualidade de dados para conferir os dados métricas de qualidade sobre o catálogo ingerido e os eventos do usuário.

3. Posso fazer a integração com o Google Analytics 360?

Você pode usar dados históricos do Google Analytics 360 (GA360). Assim como os dados do Merchant Center, os dados do GA360 podem ser exportados para o BigQuery, e a Vertex AI para Pesquisa de varejo pode ler os eventos diretamente do BigQuery.

Para eventos em tempo real, recomendamos a integração de pixels de rastreamento com o Gerenciador de tags do Google, já que os eventos são atrasados no GA360.

4. Quero importar eventos do usuário do Google Analytics 360. Ela fornece todos os eventos de usuário necessários?

O Google Analytics 360 oferece suporte nativo a todos os eventos de usuário usados pelo Vertex AI para Pesquisa para Retail, exceto eventos de pesquisa. Você ainda pode importar eventos de usuários de pesquisa do Google Analytics 360, mas a Vertex AI para Pesquisa de varejo cria o evento de usuário de pesquisa a partir de consultas de pesquisa e, se houver, impressões de produtos.

5. Como faço para enviar eventos para a Recommendations AI?

Os usuários normalmente importam eventos históricos usando a importação do Cloud Storage ou da API e, em seguida, fazem streaming de eventos em tempo real usando a tag JavaScript do Pixel ou do Gerenciador de tags no site ativo ou por meio do método de gravação no back-end.

6. E se eu não puder enviar todos os tipos de evento do usuário listados conforme necessário para um modelo? Quais são os tipos de evento mínimos necessários para cada modelo?s

Cada modelo e objetivo de otimização tem requisitos um pouco diferentes. Consulte os requisitos de dados de eventos do usuário.

Normalmente, o desempenho do modelo é melhor quando há mais eventos por item de catálogo. Para sites com grandes quantidades de tráfego e catálogos menores, talvez você consiga começar com um volume menor de eventos históricos, mas ainda precisa de pelo menos algumas semanas de dados históricos, bem como eventos em tempo real. daqui para frente.

7. Tenho eventos "Adicionar ao carrinho" e "Concluir a compra" que não têm valor para receita ou quantidade. O que eu devo enviar?s

Se você não tiver um valor de quantidade, poderá passar um valor padrão 1 sem afetar os resultados do modelo. Os itens sempre precisam ter displayPrice definido (pode ser o que for exibido ao usuário, como um preço com desconto).s O originalprice e o custo são opcionais.s

8. Meus dados incluíam apenas alguns tipos de eventos. Ainda posso usar Vertex AI para Pesquisa para Retail?

Consulte os Requisitos de dados do evento do usuário para ver os requisitos mínimos de dados de cada tipo de modelo.

Resultados da pesquisa

1. Os resultados da pesquisa são personalizados?

Sim. A pesquisa pode fornecer resultados personalizados. Os resultados da pesquisa são personalizados com base nos IDs dos visitantes. Para mais informações, consulte Personalização.

2. Como faço para incluir o contexto, como a loja em que um usuário está comprando, como parte da solicitação de pesquisa?

Opções de atendimento e disponibilidade baseados em ID da loja são atributos do catálogo de produtos. As opções de entrega são atributos como "entregue on-line", "comprar on-line" e "retirar na loja".

Os atributos podem ser enviados como um parâmetro na solicitação de pesquisa. Portanto, para este exemplo, a solicitação de pesquisa pode especificar o ID da loja do usuário. Os resultados podem ser filtrados ou classificados com base no ID da loja na solicitação.

3. Posso ocultar produtos dos resultados da pesquisa?

Sim. O parâmetro filter pode filtrar os resultados com base nas tags correspondentes.

4. É possível classificar com base em vários critérios, como disponibilidade e ou preço?

Sim, a boostSpec permite regras de classificação complexas.

5. É possível agrupar alguns atributos para entregar resultados com vários atributos? Por exemplo, agrupar cidades no mesmo país para origem de produção.

Os atributos de produto não são hierárquicos. No entanto, é possível usar vários atributos personalizados para fazer isso. Neste exemplo, é possível usar atributos personalizados para o país de produção e a cidade de produção.

6. Como as sugestões funcionam?

As sugestões são uma combinação de consultas do usuário, consultas reescritas, nomes de produtos etc. Para gerar sugestões de preenchimento automático de alta qualidade, um número suficiente de eventos de pesquisa precisa ser ingerido com o catálogo.

Resultados da previsão

1. Há um limite para o número de previsões que posso retornar?

Por padrão, uma solicitação de previsão retorna 20 itens na resposta. Para aumentar ou diminuir, envie um valor para pageSize.

Se você precisar devolver mais de cem itens, entre em contato com o Suporte do Google para aumentar o limite. No entanto, retornar mais de cem itens pode aumentar a latência da resposta.

2. É possível saber por que um modelo fez uma recomendação de produto específica?

Não.

3. Posso fazer o download e armazenar os resultados da previsão em cache?

Como os resultados de previsão melhoram em tempo real em resposta à atividade do usuário no seu site, não recomendamos o uso de previsões em cache. Os modelos são treinados diariamente para incorporar alterações ao catálogo e reagir a novas tendências nos eventos do usuário, o que também muda os resultados.

4. Preciso reclassificar as recomendações retornadas com base em uma regra de negócios. Isso é compatível?

Sim. Porém, embora seja possível reorganizar as recomendações retornadas com base nas suas regras de negócios, tenha em mente que a reordenação ou a filtragem dos resultados recomendados pode reduzir a eficácia geral do modelo ao atingir a meta de otimização escolheu.

A reclassificação de preços ordena primeiro itens relevantes e com preços elevados recomendações retornadas e está disponível como uma personalização integrada para o Outros modelos que você pode gostar e recomendados para você.

Consulte Reclassificação de preços.

5. Há restrições quanto ao número de tags de filtro que posso criar e usar?

Não há limites rígidos para o número de tags exclusivas que você pode criar ou usar. No entanto, o sistema não foi criado para lidar com muitas tags de filtro por item. Recomendamos manter as tags de filtro limitadas a um máximo de 10 por item do catálogo, se possível. Mais de 10 valores podem ser usados em todo o catálogo. esse limite é por item.s O limite total de tags (a soma total de todas as tags por item) é de 100.000.000.

Consulte a documentação sobre cotas e limites da Vertex AI para Pesquisa para Retail.

6. Posso diversificar as recomendações?

Sim. A diversificação pode ser especificada como parte da configuração da exibição ou nos parâmetros da solicitação de previsão. Com baixa diversificação, as previsões podem conter itens semelhantes na mesma categoria. Com uma diversificação maior, os resultados conterão itens de outras categorias.

7. Posso priorizar as recomendações por preço?

Sim. A reclassificação de preços organiza, por ordem decrescente de preço, os itens recomendados do catálogo que têm probabilidade similar de serem pedidos. A relevância ainda é usada para solicitar itens. Portanto, ativar a reclassificação de preços não é o mesmo que classificar por preço. A reclassificação de preços pode ser especificada como parte da configuração de exibição ou nos parâmetros da solicitação de previsão.

Modelos

1. Fiz upload do meu catálogo e eventos, mas ainda recebo essa resposta quando chamo a API Prediction: "O modelo de recomendação não está pronto. Você pode definir "dryRun" como verdadeiro na solicitação de previsão para fins de integração, que retorna itens de catálogo arbitrários do seu catálogo (N NOTO use para tráfego de produção)."

Isso geralmente significa que o modelo não terminou o treinamento. Se já tiverem passado mais de 10 dias desde que você criou o modelo e você continuar recebendo essa resposta, entre em contato com o suporte.

2. Quanto tempo leva para treinar um modelo?

O treinamento e o ajuste do modelo inicial levam de 2 a 5 dias para serem concluídos, mas podem levar mais tempo para grandes conjuntos de dados. Posteriormente, os modelos serão treinados automaticamente diariamente, a menos que estejam desativados. Consulte Pausar e retomar o treinamento de um modelo.

3. Posso fazer o download ou exportar o modelo?

Não.

4. Posso usar os modelos que criei em um projeto atual em um novo projeto?

Não. Você precisa criar e treinar novamente os modelos no novo projeto.

5. Quero usar um modelo para minhas páginas de categoria. Posso fazer isso?

Sim. Recomendado para você é útil nas páginas de categoria. Uma página de categoria é semelhante a uma página inicial, exceto pelo fato de você exibir apenas itens dessa categoria. Para isso, use o modelo padrão "Recomendado para você" com tags de filtro. Por exemplo, você pode adicionar tags de filtro personalizadas (correspondentes a cada página de categoria) aos itens no seu catálogo. Ao enviar a solicitação de previsão, defina o objeto de evento do usuário como category-page-view e especifique a tag de uma página de categoria específica no campo filter. Somente os resultados de recomendações correspondentes à tag de filtro solicitada são retornados. A diversidade precisa ser desativada nesse caso de uso, porque a diversidade pode entrar em conflito com tags de filtro com base na categoria.

6. Posso desativar a personalização dos meus modelos?

Por padrão, os resultados da previsão são personalizados pelo usuário para o Tipos de modelo de recomendação Outros que você pode gostar, Recomendados para você e Compre novamente.

Não é recomendável desativar a personalização porque isso pode afetar negativamente o desempenho do modelo.

Se você precisar mostrar itens do catálogo relevantes para o produto que está sendo visualizado, em vez do que com base nos engajamentos anteriores do usuário com seu site, é possível receber recomendações não personalizadas usando um ID de visitante único aleatório na uma solicitação de previsão. Faça isso somente para solicitações feitas em configurações de exibição que você não quer que sejam personalizadas.

O console do Search for Retail

1. Limpei vários eventos, mas o painel ainda mostra as contagens desses tipos de evento.

Isso já é esperado. O painel da Pesquisa para varejo mostra o número de eventos ingeridos durante um determinado período de tempo. ele não mostra a contagem atual ou número de eventos.

Normalmente, você deve deixar os eventos do usuário no local depois que eles forem gravados. Não é recomendável limpar eventos. Se você planeja redefinir eventos de usuário por completo, crie um novo projeto.

Se você precisar limpar eventos que não foram registrados corretamente, consulte documentação para Remover eventos de usuário. A limpeza de um evento pode levar vários dias para ser concluída.

2. Como posso saber se há erros com meu catálogo ou os eventos do usuário?

A maioria das chamadas de API para atualizações de itens do catálogo ou eventos de usuários retornará um erro se houver um problema com a sintaxe ou se a solicitação não puder ser processada por algum motivo.

O painel "Pesquisa para varejo" mostra a porcentagem de eventos não associados, que também é uma métrica útil para detectar problemas de catálogo ou evento. Eventos não associados (ou chamadas de previsão não associadas) acontecem quando um código de item especificado que não está no catálogo. Isso geralmente significa que o catálogo está desatualizado e os itens de catálogo novos ou alterados precisam ser enviados, mas também podem ser causados por códigos de itens inválidos que estão sendo transmitidos. Verifique suas solicitações para garantir que os códigos dos itens sejam mapeados corretamente para o catálogo. Em seguida, confira o catálogo enviado para conferir se os itens existem.

O Cloud Monitoring e o Cloud Logging podem ser usados para monitorar o status dos eventos. Por exemplo, é possível receber alertas se não houver eventos em um determinado período ou se as chamadas de previsão ficarem abaixo de um determinado limite.

3. Por que minhas configurações de veiculação de recomendações aparecem como inativas? Como faço para ativá-los?

Para usar as configurações de veiculação de recomendações, primeiro você precisa enviar catálogo e dados de eventos do usuário para treinar o modelo um modelo de machine learning. Após treinar um modelo, o painel indica que ele está pronto para consulta.

4. Em que moeda a Pesquisa para varejo informa métricas de receita?

O Search for Retail informa as métricas na moeda usada nos dados enviados. A Vertex AI para Pesquisa para Retail não oferece suporte ao uso de moedas por catálogo e não converte moedas.

Se você pretende usar o console da Pesquisa para varejo para conferir as métricas de receita, verifique se todos os seus eventos usam uma única moeda ou converta todos na mesma moeda antes de fazer upload deles para a Pesquisa para varejo do Vertex AI.