Ada kesulitan lain atau masalah yang Anda alami tidak dijelaskan di bawah ini? Harap laporkan bug atau minta fitur dan bergabunglah dengan diskusi grup Google cloud-recommendations-users atau Stack Overflow.
Umum
1. Apakah Anda memiliki library klien untuk Vertex AI Search untuk retail atau contoh kode lainnya?
Ya. Anda dapat melihat panduan library klien di sini untuk mengetahui informasi penyiapan dan referensi untuk setiap library.
Layanan Penemuan Google API juga dapat digunakan sebagai pengganti panggilan REST mentah.
2. Apakah semua model rekomendasi dipersonalisasi?
Model Direkomendasikan untuk Anda, Lainnya yang Mungkin Anda Sukai, dan Beli Lagi membuat rekomendasi yang dipersonalisasi saat disertakan dengan histori pengguna. Model Sering Dibeli Bersama dan Item Serupa tidak dipersonalisasi.
Lihat Tentang model rekomendasi.
3. Apakah saya akan segera menerima rekomendasi yang dipersonalisasi, atau apakah saya harus menunggu rekomendasi ini menjadi lebih baik seiring waktu?
Rekomendasi akan meningkat seiring Anda mengumpulkan lebih banyak histori pengguna. Model Direkomendasikan untuk Anda menampilkan produk populer dan model Lainnya yang Mungkin Anda Sukai menampilkan produk serupa yang sebagian besar didasarkan pada penayangan orang lain. Kedua model ini mulai segera memperhitungkan perilaku pengguna, jadi penting untuk mengirim peristiwa real-time. Lihat Tentang model rekomendasi.
Peristiwa pengguna harus dikirim secara real time, atau sangat mendekati real time, agar personalisasi efektif. Jika peristiwa pengguna hanya dikirim setiap hari, atau dalam batch sepanjang hari, model yang dipersonalisasi mungkin tidak berperforma sebaik jika peristiwa real-time dikirim.
4. Apakah Anda menggunakan data demografi pengguna Google dalam model Anda?
Model ini hanya menggunakan data peristiwa pengguna dan katalog yang Anda berikan. Jika ingin menyertakan data demografis, Anda dapat menyertakan informasi tekstual atau numerik lainnya yang mungkin berguna sebagai atribut kustom. Data ini akan mulai digunakan oleh model setelah dituning ulang.
Jangan sertakan informasi identitas pribadi (PII) seperti alamat email atau nama pengguna. Sebaiknya anonimkan data demografis, seperti dengan melakukan hashing pada nilai atau menggunakan ID grup.
5. Dapatkah saya membuat rekomendasi berdasarkan histori peristiwa sekelompok pengguna, bukan histori satu pengguna?
Saat ini, rekomendasi didasarkan pada satu ID pengunjung atau ID pengguna. Anda harus membuat permintaan individual, lalu menggabungkan hasilnya untuk mendasarkan rekomendasi pada histori grup. Jika pengguna memiliki atribut metadata umum, Anda dapat menggunakan ID grup sebagai ID pengguna untuk memberikan rekomendasi tingkat grup.
6. Saya melihat bahwa Anda dapat mengirimkan URL gambar untuk produk. Apakah model tersebut mempertimbangkan gambar produk?
Saat ini, tidak. Kolom ini disediakan agar Anda dapat mengambil metadata ini bersama dengan hasil rekomendasi yang ditampilkan, untuk membantu merender hasil rekomendasi. Pratinjau prediksi juga menggunakan URL gambar untuk menampilkan gambar saat Anda melihat pratinjau hasil prediksi model di konsol Penelusuran untuk Retail.
7. Perusahaan saya bukan situs e-commerce retail. Apakah saya masih dapat menggunakan rekomendasi untuk memprediksi x,y,z?
Kami telah memiliki pelanggan yang menggunakan rekomendasi untuk rekomendasi konten, streaming video dan game, serta kasus penggunaan lainnya. Namun, konten dan pengalaman kami dirancang dengan mempertimbangkan kasus penggunaan e-commerce retail dan mungkin belum sesuai untuk kasus penggunaan lainnya.
8. Dapatkah saya menempatkan rekomendasi di halaman mana pun di situs saya?
Ya, tetapi setiap model dirancang untuk kasus penggunaan tertentu dan mungkin berfungsi paling baik di halaman tertentu. Lihat Tentang model rekomendasi.
Sering Dibeli Bersama dan Lainnya yang Mungkin Anda Sukai memerlukan ID item, sehingga harus digunakan untuk rekomendasi menggunakan, misalnya, ID produk atau item di keranjang. Sering Dibeli Bersama biasanya berfungsi paling baik di halaman tambahkan ke keranjang atau checkout, sedangkan Produk Lainnya yang Mungkin Anda Sukai dan Item Serupa berfungsi paling baik di halaman detail produk. Direkomendasikan untuk Anda dapat ditempatkan di halaman mana pun, karena hanya memerlukan ID pengunjung sebagai input, tetapi dirancang sebagai konfigurasi penayangan halaman beranda. Beli Lagi didesain untuk ditempatkan di halaman mana pun.
9. Dapatkah saya menggunakan rekomendasi untuk rekomendasi dalam newsletter email?
Ya. Hal ini dapat dilakukan dengan melakukan panggilan ke API dengan ID pengunjung atau ID pengguna, lalu menggabungkan hasilnya ke dalam template email. Jika Anda ingin item dimuat secara dinamis pada waktu email dibaca, Anda harus menggunakan endpoint perantara, seperti Google Cloud Function, untuk mengirim permintaan prediksi. API ini hanya menyediakan daftar metadata dan ID produk yang diurutkan, sehingga Anda juga harus menulis kode Anda sendiri untuk merender hasil gambar.
10. Dapatkah saya menggunakan Vertex AI Search untuk retail untuk kasus penggunaan non-web lainnya (aplikasi seluler, kios)?
Ya. Anda dapat menyiapkan endpoint (misalnya, Google Cloud Function) untuk mendapatkan hasil aplikasi. Anda juga memerlukan mekanisme serupa untuk mengirim peristiwa real-time.
11. Saya tidak memiliki data peristiwa selama 3 bulan atau lebih. Dapatkah saya tetap menggunakan Vertex AI Search untuk retail? Dapatkah saya menambahkan lebih banyak data di lain waktu?
Model Item Serupa tidak menggunakan data peristiwa pengguna atau penyesuaian model. Jika tidak memiliki data peristiwa, Anda masih dapat membuat dan melatih model Item Serupa selama memiliki data katalog.
Jika Anda dapat mencatat traffic yang memadai untuk peristiwa real-time, data terbaru dapat digunakan untuk melatih model lain. Jika memiliki data tambahan yang tersedia pada tanggal berikutnya, Anda dapat menguploadnya setelah pelatihan model awal. Data yang baru diisi ulang akan disertakan ke dalam model selama pelatihan ulang harian. Namun, jika data secara signifikan berbeda dengan peristiwa yang digunakan untuk pelatihan awal, model mungkin perlu disesuaikan ulang.
Sebagian besar model berfungsi optimal dengan setidaknya tiga bulan kunjungan halaman produk, kunjungan halaman beranda, dan peristiwa penambahan item ke keranjang untuk semua model, dan idealnya satu hingga dua tahun histori pembelian untuk model Sering Dibeli Bersama.
Kunjungan halaman detail selama satu hingga dua minggu dapat cukup untuk mulai melatih model Lainnya yang Mungkin Anda Sukai dan Direkomendasikan untuk Anda, sedangkan Sering Dibeli Bersama dan Beli Lagi biasanya memerlukan lebih banyak kunjungan karena biasanya ada lebih sedikit pembelian per hari daripada kunjungan halaman. Kualitas model dapat ditingkatkan secara signifikan dengan lebih banyak data; jumlah minimum mungkin tidak menghasilkan hasil yang optimal. Pembelian selama setahun, misalnya, memungkinkan model lebih memanfaatkan tren dan musiman.
12. Dapatkah saya merekomendasikan kategori bersama dengan produk?
Rekomendasi hanya menampilkan rekomendasi produk, tetapi Anda bisa mendapatkan kategori untuk setiap produk yang ditampilkan sebagai bagian dari hasil.
13. Apakah Anda memiliki integrasi untuk mengupload data dari database SQL atau sistem lain, seperti BigQuery?
Ya. Untuk peristiwa, ada contoh kode yang membaca dari BigQuery. Lihat contoh set data Google Analytics untuk BigQuery.
14. Apakah Vertex AI Search untuk retail menggunakan cookie?
Tidak, fitur ini tidak menggunakan cookie. Namun, semua peristiwa yang dikirim ke Vertex AI Search untuk retail harus memiliki ID pengunjung yang ditentukan, yang sering kali merupakan ID sesi dari cookie.
15. Apakah saya memerlukan project Google Cloud khusus?
Anda dapat membuat project khusus baru, atau mengaktifkan Vertex AI Search untuk retail di project yang ada.
16. Mengapa kredensial saya tidak berfungsi saat menggunakan Cloud Shell?
Pastikan Anda telah menyelesaikan langkah-langkah penyiapan autentikasi untuk Vertex AI Search untuk retail. Anda harus menggunakan akun layanan yang telah Anda sediakan di lingkungan Anda. Jika tidak, Anda mungkin mendapatkan error seperti ini: "Aplikasi Anda telah diautentikasi menggunakan kredensial pengguna akhir dari Google Cloud SDK atau Google Cloud Shell yang tidak didukung".
Untuk mengetahui informasi selengkapnya tentang akun layanan, lihat bagian Autentikasi dalam dokumentasi Google Cloud.
17. Bagaimana cara membandingkan Vertex AI Search untuk retail dengan solusi serupa?
Anda dapat melakukan pengujian A/B untuk membandingkan hasil dari Vertex AI Search untuk retail dengan hasil dari produk lain.
18. Saya rasa fitur x,y,z akan sangat bagus. Dapatkah Anda menambahkannya?
Kami ingin mendengar pendapat Anda. Permintaan fitur dapat dikirimkan melalui tim akun, Dukungan Google, atau issue-tracker.
19. Apakah saya masih dapat menggunakan API lama untuk rekomendasi?
Rekomendasi telah dimigrasikan dari Recommendations Engine API
ke Vertex AI Search untuk retail. Jika Anda menggunakan Recommendations Engine API saat
masih dalam versi beta, sebaiknya migrasikan rekomendasi Anda ke
Vertex AI Search untuk retail (endpoint layanan https://retail.googleapis.com),
yang merupakan versi GA.
API sebelumnya (endpoint layanan
https://recommendationengine.googleapis.com) dan
dokumentasinya tetap tersedia, tetapi tidak lagi diperbarui.
Katalog dan produk
1. Bagaimana rekomendasi menangani cold start untuk produk baru?
Untuk produk yang tidak memiliki histori pembelian, kami membuat rekomendasi berdasarkan produk serupa. Dalam hal ini, sangat penting untuk memiliki judul, kategori, dan deskripsi produk yang baik yang ditentukan dalam katalog.
Untuk pengguna cold-start (pengunjung tanpa histori), model dimulai dengan produk umum yang paling populer, dan menjadi lebih dipersonalisasi secara real time seiring dengan semakin banyaknya peristiwa pengguna yang diterima.
Lihat Tentang katalog dan produk serta halaman referensi produk.
2. Dapatkah saya menggunakan katalog Merchant Center untuk mendapatkan rekomendasi?
Ya, Anda dapat mengekspor katalog Merchant Center ke BigQuery menggunakan Layanan Transfer Data Merchant Center. Kemudian, kita dapat membaca katalog langsung dari BigQuery. Lihat Mengimpor data katalog dari Merchant Center.
3. Bagaimana cara lain untuk mengimpor katalog?
- Merchant Center: Impor dengan Merchant Center. Jika menggunakan penelusuran, Anda dapat menggunakan konsol untuk menautkan Merchant Center sehingga katalognya disinkronkan secara otomatis.
- BigQuery: Mengimpor langsung dari tabel atau tampilan.
- Cloud Storage: Mengimpor menggunakan file teks dengan satu item katalog JSON per baris.
- Impor inline: Mengimpor dengan panggilan API, menggunakan file teks dengan satu item katalog JSON per baris.
- Membuat item produk: Gunakan metode pembuatan
Products.
4. Bagaimana cara memperbarui katalog saya? Seberapa sering katalog perlu diperbarui?
Lihat Memastikan katalog Anda selalu yang terbaru.
Sebaiknya perbarui katalog Anda setiap hari. Anda dapat melakukan update penuh dari Cloud Storage atau BigQuery, atau update inkremental (yaitu, hanya item baru dan yang diubah).
Jika memungkinkan, perbarui harga dan ketersediaan secara real time. Hal ini memengaruhi kecepatan item baru dapat ditelusuri dengan penelusuran.
Jika Anda memiliki cara mudah untuk mendapatkan notifikasi tentang perubahan katalog (seperti melalui Pub/Sub, antrean pesan, peristiwa, dll.), Anda dapat memperbarui katalog secara real-time menggunakan metode API import atau buat.
Misalnya, Cloud Scheduler dapat digunakan untuk melakukan panggilan impor BigQuery harian.
5. Apakah ada ukuran katalog minimum dan maksimum?
Tidak ada ukuran minimum, tetapi ukuran katalog yang sangat kecil (< 100 item) mungkin tidak akan mendapatkan banyak manfaat dari rekomendasi karena hanya ada sedikit produk yang berbeda untuk direkomendasikan.
Maksimum katalog adalah 40 juta item.
Lihat dokumentasi untuk kuota dan batas default serta cara meminta perubahan pada kuota Anda.
6. Perusahaan saya mengoperasikan situs di beberapa negara. Haruskah saya menggunakan satu katalog untuk semua data saya?
Sebaiknya hanya memiliki satu katalog dengan semua item. Semua peristiwa harus dikirim menggunakan satu mata uang. Tidak ada cara untuk memiliki beberapa katalog dalam project yang sama, tetapi, jika menggunakan entity, Anda dapat menentukan perilaku penelusuran, rekomendasi, dan pelengkapan otomatis untuk negara tertentu.
Jika katalog di setiap situs sangat berbeda, sebaiknya buat project terpisah untuk setiap situs. Selain itu, jika negara memiliki bahasa yang berbeda, sebaiknya buat project terpisah, satu untuk setiap bahasa.
Jika ada situs serupa dengan traffic rendah dibandingkan situs utama, sebaiknya gunakan satu katalog jika tidak ada cukup peristiwa untuk menghasilkan model berkualitas tinggi untuk setiap situs.
Untuk menggunakan satu katalog, ID item katalog harus konsisten, yaitu produk yang sama harus memiliki satu ID item di semua situs sehingga tidak ada duplikasi produk dalam katalog.
Khusus untuk rekomendasi, alternatif penggunaan entity adalah memfilter ke situs tertentu menggunakan filter. Namun, filter mungkin memerlukan waktu hingga 8 jam untuk diperbarui, jadi jika ada persyaratan ketersediaan khusus negara (kehabisan stok), persyaratan tersebut biasanya harus ditangani oleh aturan bisnis yang memfilter hasil setelah respons prediksi. Hal ini berlaku untuk pemfilteran filter_tag v1 dan pemfilteran berbasis atribut v2.
7. Apakah Vertex AI Search untuk retail mendukung beberapa mata uang per katalog?
Tidak, hanya satu jenis mata uang per katalog yang didukung. Peristiwa harus diupload menggunakan satu mata uang.
Jika Anda berencana menggunakan konsol Penelusuran untuk Retail guna mendapatkan metrik pendapatan, pastikan semua peristiwa Anda menggunakan satu mata uang atau konversikan semuanya ke mata uang yang sama sebelum menguploadnya.
8. Saya memiliki beberapa situs dengan katalog bersama atau item serupa. Dapatkah rekomendasi memberikan rekomendasi lintas situs?
Kami biasanya merekomendasikan penggunaan satu katalog seperti ini hanya jika ada tumpang-tindih yang signifikan di antara situs; situs tersebut harus memiliki banyak atau semua produk yang sama. Kemudian, seperti situs multi-region, Anda dapat menggunakan entity atau tag filter untuk hanya menampilkan item khusus situs untuk panggilan prediksi tertentu.
Jika situs tidak memiliki banyak item katalog, atau tidak memiliki item katalog sama sekali, beberapa katalog harus digunakan. Penggunaan beberapa katalog memerlukan project Google Cloud terpisah untuk setiap katalog.
9. Apakah menyertakan lebih banyak metadata akan meningkatkan kualitas model? Apakah model mempertimbangkan kolom x,y,z?
Lihat Informasi item katalog yang diperlukan untuk mengetahui kolom yang diperlukan.
Kolom metadata lainnya bersifat opsional (misalnya, gambar dan itemAttributes). Model ini dapat
digunakan untuk pratinjau prediksi, analisis hasil, pelatihan, dan penyesuaian. Sebaiknya
sertakan atribut yang berguna seperti warna, ukuran, bahan, dll. Kolom
ini dapat ditampilkan sebagai bagian dari hasil prediksi dengan menentukan
returnProduct:true, sehingga dapat berguna untuk merender
hasil. Gambar dan atribut item digunakan untuk pratinjau prediksi
di konsol Penelusuran Retail.
10. Atribut item katalog mana yang digunakan sebagai input pelatihan model?
Kombinasi perilaku pengguna dan atribut produk digunakan. Kolom utama
yang digunakan adalah ID, judul, hierarki kategori, harga, dan URL. Anda dapat menyertakan
atribut nilai kunci kustom lainnya yang mungkin berguna di
Product.attributes[].
URL gambar lebih merupakan fitur praktis; Anda dapat menampilkan metadata ini sebagai
bagian dari hasil prediksi dengan menentukan
returnProduct:true, yang dapat menghemat panggilan tambahan untuk mengambil
informasi ini. Dengan URL gambar, pratinjau prediksi
juga dapat menampilkan gambar saat Anda melihat pratinjau hasil prediksi model di
konsol Penelusuran untuk Retail.
11. Bahasa apa yang didukung untuk produk saya?
Fitur rekomendasi: Mendukung sebagian besar bahasa. Model ini otomatis mendeteksi bahasa teks. Untuk mengetahui daftar semua bahasa yang dapat dideteksi secara otomatis, lihat README GitHub Compact Language Detector.
Fitur penelusuran: Mendukung bahasa dunia ini.
Anda menetapkan bahasa saat mengupload katalog. Katalog hanya boleh dalam satu bahasa dan kueri harus dikirim dalam bahasa yang sama. Memiliki beberapa bahasa dalam katalog akan menurunkan performa model. Misalnya, jika katalog dalam bahasa Spanyol, tetapi kueri penelusuran dalam bahasa Inggris, kueri tidak akan diterjemahkan ke dalam bahasa Spanyol.
12. Katalog saya memiliki SKU utama/varian atau induk/turunan. Apakah fitur ini didukung?
Ya. Hal ini akan mirip dengan item_group_id di
Merchant Center. Anda perlu menentukan cara mendapatkan rekomendasi kembali (di tingkat induk atau turunan) dan apakah peristiwa berada di tingkat induk atau turunan.
Lihat Tingkat produk untuk mengetahui informasi selengkapnya tentang tingkat produk.
Tentukan dan tetapkan tingkat produk yang benar sebelum mengirim item atau peristiwa apa pun. Tingkat produk dapat diubah, tetapi memerlukan penggabungan kembali item dan penyesuaian ulang model.
13. Dapatkah saya menghapus produk dari katalog jika produk tersebut tidak lagi tersedia?
Jika item tidak lagi berlaku, sebaiknya tetapkan statusnya ke
OUT_OF_STOCK, bukan menghapusnya, sehingga peristiwa pengguna sebelumnya yang
mereferensikannya tidak akan dibatalkan validasinya.
Peristiwa pengguna
1. Peristiwa pengguna apa yang perlu saya kumpulkan?
Lihat Tentang peristiwa pengguna untuk mengetahui daftar jenis peristiwa pengguna, serta persyaratan dan praktik terbaik peristiwa pengguna.
2. Bagaimana cara memecahkan masalah kualitas data dalam pembuatan model?
Di konsol Penelusuran untuk Retail, buka halaman Kualitas Data untuk melihat metrik kualitas data tentang peristiwa pengguna dan katalog yang ditransfer.
3. Dapatkah saya berintegrasi dengan Google Analytics 360?
Anda dapat menggunakan data historis dari Google Analytics 360 (GA360). Serupa dengan data Merchant Center, data GA360 dapat diekspor ke BigQuery, lalu Vertex AI Search untuk retail dapat membaca peristiwa langsung dari BigQuery.
Untuk peristiwa real-time, sebaiknya integrasikan piksel pelacakan dengan Google Tag Manager, karena peristiwa tertunda dari GA360.
4. Saya ingin mengimpor peristiwa pengguna dari Google Analytics 360. Apakah peristiwa ini menyediakan semua peristiwa pengguna yang diperlukan?
Google Analytics 360 secara native mendukung semua peristiwa pengguna yang digunakan oleh Vertex AI Search untuk retail, kecuali peristiwa penelusuran. Anda tetap dapat mengimpor peristiwa pengguna penelusuran dari Analytics 360, tetapi perlu diperhatikan bahwa Vertex AI Search untuk retail membuat peristiwa pengguna penelusuran dari kueri penelusuran dan, jika ada, tayangan produk.
5. Bagaimana cara memasukkan peristiwa ke AI Rekomendasi?
Pengguna biasanya mengimpor peristiwa historis menggunakan impor Cloud Storage atau API, lalu melakukan streaming peristiwa real-time menggunakan tag JavaScript Pixel atau Tag Manager di situs aktif, atau melalui metode tulis di backend.
6. Bagaimana jika saya tidak dapat mengirim semua jenis peristiwa pengguna yang tercantum sebagai diperlukan untuk model? Apa jenis peristiwa minimum yang diperlukan untuk setiap model?
Setiap model dan tujuan pengoptimalan memiliki persyaratan yang sedikit berbeda. Lihat Persyaratan data peristiwa pengguna.
Performa model biasanya lebih baik jika ada lebih banyak peristiwa per item katalog. Untuk situs dengan traffic dalam jumlah besar dan katalog yang lebih kecil, Anda mungkin dapat memulai dengan volume peristiwa historis yang lebih kecil, tetapi biasanya masih memerlukan data historis setidaknya beberapa minggu serta peristiwa real-time untuk ke depannya.
7. Saya memiliki peristiwa add-to-cart dan purchase-complete yang tidak memiliki nilai untuk pendapatan atau jumlah. Apa yang harus saya kirimkan?
Jika tidak memiliki nilai untuk kuantitas, Anda dapat meneruskan nilai default 1 tanpa memengaruhi hasil model. Item harus selalu menetapkan displayPrice (ini dapat berupa apa pun yang ditampilkan kepada pengguna, seperti harga diskon). Harga asli dan biaya bersifat opsional.
8. Data saya hanya mencakup jenis peristiwa terbatas. Dapatkah saya tetap menggunakan Vertex AI Search untuk retail?
Lihat Persyaratan data peristiwa pengguna untuk mengetahui persyaratan data minimum dari setiap jenis model.
Hasil penelusuran
1. Apakah hasil penelusuran dipersonalisasi?
Ya. Penelusuran dapat memberikan hasil yang dipersonalisasi. Hasil penelusuran dipersonalisasi berdasarkan ID pengunjung. Untuk informasi selengkapnya, lihat Personalisasi.
2. Bagaimana cara menyertakan konteks, seperti toko tempat pengguna berbelanja, sebagai bagian dari permintaan penelusuran?
Opsi ketersediaan dan pemenuhan pesanan berbasis ID toko adalah atribut katalog produk. Opsi fulfillment adalah atribut seperti "dikirim secara online", "beli online", dan "ambil di toko".
Atribut dapat dikirim sebagai parameter dalam permintaan penelusuran. Jadi, untuk contoh ini, permintaan penelusuran dapat menentukan ID toko pengguna. Hasil dapat difilter atau diberi peringkat lebih tinggi berdasarkan ID toko dalam permintaan.
3. Dapatkah saya menyembunyikan produk dari hasil penelusuran?
Ya. Parameter filter dapat memfilter hasil berdasarkan tagnya.
4. Apakah peringkat dapat dibuat berdasarkan beberapa kriteria, seperti ketersediaan dan harga?
Ya, [boostSpec] memungkinkan aturan peringkat yang kompleks.
5. Apakah beberapa atribut dapat dikelompokkan untuk menampilkan hasil dengan beberapa aspek? Misalnya, mengelompokkan kota di negara yang sama untuk asal produksi.
Atribut produk tidak hierarkis. Namun, Anda dapat menggunakan beberapa atribut kustom untuk melakukannya. Dalam contoh ini, Anda dapat menggunakan atribut kustom untuk negara produksi dan kota produksi.
6. Bagaimana cara kerja saran?
Saran adalah kombinasi dari kueri pengguna, kueri yang ditulis ulang, nama produk, dll. Untuk menghasilkan saran pelengkapan otomatis berkualitas tinggi, jumlah peristiwa penelusuran yang memadai harus ditransfer bersama dengan katalog.
Hasil prediksi
1. Apakah ada batasan jumlah prediksi yang dapat saya tampilkan?
Secara default, permintaan prediksi menampilkan 20 item dalam respons. Jumlah ini dapat ditingkatkan atau diturunkan dengan mengirimkan nilai untuk pageSize.
Jika Anda perlu menampilkan lebih dari 100 item, hubungi Dukungan Google untuk meningkatkan batas. Namun, perhatikan bahwa menampilkan lebih dari 100 item dapat meningkatkan latensi respons.
2. Dapatkah saya melihat alasan model membuat rekomendasi produk tertentu?
Tidak.
3. Dapatkah saya mendownload dan menyimpan hasil prediksi dalam cache?
Karena hasil prediksi meningkat secara real-time sebagai respons terhadap aktivitas pengguna di situs Anda, sebaiknya jangan gunakan prediksi yang di-cache. Model ini dilatih ulang setiap hari untuk menyertakan perubahan pada katalog Anda dan bereaksi terhadap tren baru dalam peristiwa pengguna, yang juga mengubah hasil.
4. Saya perlu mengurutkan ulang rekomendasi yang ditampilkan berdasarkan aturan bisnis. Apakah hal ini didukung?
Ya. Namun, meskipun Anda dapat mengurutkan ulang rekomendasi yang ditampilkan berdasarkan aturan bisnis, perhatikan bahwa mengurutkan ulang atau memfilter hasil yang direkomendasikan dapat mengurangi efektivitas keseluruhan model dalam mencapai sasaran pengoptimalan yang Anda pilih.
Pengurutan ulang harga mengurutkan item berharga tinggi yang relevan terlebih dahulu dalam kumpulan rekomendasi yang ditampilkan dan tersedia sebagai penyesuaian bawaan untuk model Lainnya yang Mungkin Anda Sukai dan Direkomendasikan untuk Anda.
Lihat Pengurutan ulang harga.
5. Apakah ada batasan jumlah tag filter yang dapat saya buat dan gunakan?
Tidak ada batasan jumlah tag unik yang dapat Anda buat atau gunakan. Namun, sistem ini tidak dirancang untuk menangani banyak tag filter per item. Sebaiknya batasi tag filter hingga maksimum 10 per item katalog jika memungkinkan. Lebih dari 10 nilai dapat digunakan di seluruh katalog; ini adalah batas per item. Batas untuk total tag (jumlah total semua jumlah tag per item) adalah 100.000.000.
Lihat dokumentasi untuk kuota dan batas Vertex AI Search untuk retail.
6. Dapatkah saya mendiversifikasi rekomendasi?
Ya. Diversifikasi dapat ditentukan sebagai bagian dari konfigurasi penayangan atau dalam parameter permintaan prediksi. Dengan diversifikasi yang rendah, prediksi dapat berisi item serupa dalam kategori yang sama. Dengan diversifikasi yang lebih tinggi, hasil akan berisi item dari kategori lain.
7. Dapatkah saya memprioritaskan rekomendasi berdasarkan harga?
Ya. Pengurutan ulang harga menyebabkan produk yang direkomendasikan dengan rekomendasi serupa diurutkan menurut harga, dengan item berharga tertinggi terlebih dahulu. Relevansi juga masih digunakan untuk mengurutkan item, sehingga mengaktifkan pemeringkatan ulang harga tidak sama dengan mengurutkan menurut harga. Pembuatan peringkat ulang harga dapat ditentukan sebagai bagian dari konfigurasi penayangan atau dalam parameter permintaan prediksi.
Model
1. Saya telah mengupload katalog & acara, tetapi saya masih mendapatkan respons ini saat memanggil API prediksi: "Model rekomendasi belum siap. Anda dapat menetapkan 'dryRun' ke benar dalam permintaan prediksi untuk tujuan integrasi, yang menampilkan item katalog arbitrer dari Katalog Anda (JANGAN gunakan ini untuk traffic produksi)."
Hal ini biasanya berarti bahwa model Anda belum selesai dilatih. Jika sudah lebih dari 10 hari sejak Anda membuat model dan Anda terus mendapatkan respons ini, hubungi Dukungan.
2. Berapa lama waktu yang diperlukan untuk melatih model?
Pelatihan dan penyesuaian model awal memerlukan waktu 2-5 hari untuk diselesaikan, tetapi dapat memerlukan waktu yang lebih lama untuk set data besar. Selanjutnya, model akan otomatis dilatih ulang setiap hari kecuali jika dinonaktifkan. Lihat Menjeda dan melanjutkan pelatihan untuk model.
3. Dapatkah saya mendownload atau mengekspor model?
Tidak.
4. Dapatkah saya menggunakan model yang saya buat di project yang ada dalam project baru?
Tidak. Anda perlu membuat dan melatih ulang model di project baru.
5. Saya ingin menggunakan model untuk halaman kategori. Dapatkah saya melakukannya?
Ya. Direkomendasikan untuk Anda berguna di halaman kategori.
Halaman kategori mirip dengan halaman beranda, kecuali Anda hanya menampilkan item dari kategori tersebut.
Anda dapat melakukannya menggunakan model Rekomendasi untuk Anda standar dengan tag filter.
Misalnya, Anda dapat menambahkan tag filter yang disesuaikan (sesuai dengan setiap halaman kategori) ke item
dalam katalog. Saat Anda mengirim permintaan prediksi, tetapkan objek peristiwa pengguna sebagai
category-page-view dan tentukan tag halaman kategori tertentu di
kolom filter. Hanya hasil rekomendasi yang cocok dengan tag filter yang diminta yang
akan ditampilkan. Keragaman harus dinonaktifkan dalam kasus penggunaan ini, karena keragaman dapat bertentangan dengan tag filter berbasis kategori.
6. Dapatkah saya menonaktifkan personalisasi untuk model saya?
Secara default, hasil prediksi dipersonalisasi oleh pengguna untuk jenis model rekomendasi Lainnya yang Mungkin Anda Sukai, Direkomendasikan untuk Anda, dan Beli Lagi.
Menonaktifkan personalisasi tidak direkomendasikan karena dapat berdampak negatif pada performa model.
Jika Anda perlu menampilkan item katalog yang relevan dengan produk yang sedang dilihat, bukan berdasarkan interaksi pengguna sebelumnya dengan situs Anda, Anda dapat menerima rekomendasi yang tidak dipersonalisasi dengan menggunakan ID pengunjung unik acak dalam permintaan prediksi. Pastikan Anda hanya melakukannya untuk permintaan dalam konfigurasi penayangan yang tidak ingin Anda personalisasi.
Konsol Penelusuran Retail
1. Saya telah menghapus sejumlah peristiwa, tetapi dasbor masih menampilkan jumlah untuk jenis peristiwa tersebut.
Hal ini sudah diperkirakan. Dasbor Penelusuran untuk Retail menampilkan jumlah peristiwa yang diserap selama jangka waktu tertentu; dasbor ini tidak menampilkan jumlah atau jumlah peristiwa saat ini.
Umumnya, Anda harus membiarkan peristiwa pengguna tetap ada setelah dicatat. Pembersihan peristiwa tidak direkomendasikan. Jika Anda berencana mereset peristiwa pengguna sepenuhnya, pertimbangkan untuk membuat project baru.
Jika Anda perlu menghapus peristiwa yang belum dicatat dengan benar, lihat dokumentasi untuk Menghapus peristiwa pengguna. Penghapusan permanen peristiwa dapat memerlukan waktu hingga beberapa hari.
2. Bagaimana cara mengetahui apakah ada error pada katalog atau peristiwa pengguna saya?
Sebagian besar panggilan API untuk pembaruan item katalog atau peristiwa pengguna menampilkan error jika ada masalah dengan sintaksis atau permintaan tidak dapat diproses karena alasan tertentu.
Dasbor Penelusuran untuk Retail menampilkan persentase peristiwa yang tidak tergabung, yang juga merupakan metrik yang berguna untuk menemukan masalah katalog atau peristiwa. Peristiwa yang tidak bergabung (atau panggilan prediksi yang tidak bergabung) terjadi saat ID item ditentukan yang tidak ada dalam katalog. Pesan ini biasanya berarti katalog sudah tidak berlaku dan item katalog baru atau yang diubah harus diupload, tetapi juga dapat disebabkan oleh ID item yang buruk yang diteruskan. Periksa permintaan Anda untuk memastikan ID item dipetakan dengan benar ke katalog, lalu periksa katalog yang Anda upload untuk memastikan item tersebut ada.
Cloud Monitoring dan Cloud Logging dapat digunakan untuk memantau status peristiwa. Misalnya, Anda dapat menerima pemberitahuan jika tidak ada peristiwa selama jangka waktu tertentu, atau jika panggilan prediksi turun di bawah nilai minimum tertentu.
3. Mengapa konfigurasi penayangan rekomendasi saya ditampilkan sebagai tidak aktif? Bagaimana cara mengaktifkannya?
Untuk menggunakan konfigurasi penayangan rekomendasi, Anda harus mengirimkan katalog dan data peristiwa pengguna terlebih dahulu untuk melatih model yang sesuai. Setelah model dilatih, dasbor akan menunjukkan bahwa model sudah siap untuk dikueri.
4. Dalam mata uang apa metrik pendapatan Search for Retail dilaporkan?
Telusuri metrik laporan Retail dalam mata uang yang digunakan dalam data yang Anda upload. Vertex AI Search untuk retail tidak mendukung penggunaan beberapa mata uang per katalog dan tidak mengonversi mata uang.
Jika Anda berencana menggunakan konsol Penelusuran untuk Retail guna mendapatkan metrik pendapatan, pastikan semua peristiwa Anda menggunakan satu mata uang atau konversikan semuanya ke mata uang yang sama sebelum menguploadnya ke Vertex AI Search untuk retail.