Domande frequenti

Hai altre difficoltà o non trovi il tuo problema tra quelli elencati di seguito? Segnala un bug o richiedi una funzionalità e partecipa al gruppo Google cloud-recommendations-users o alle discussioni su Stack Overflow.

Generale

1. Disponi di librerie client per Vertex AI Search for Retail o altro codice campione?

Sì. Puoi consultare la guida alle librerie client qui per informazioni sulla configurazione e sul riferimento di ogni libreria.

Puoi anche utilizzare il servizio di rilevamento API di Google al posto delle chiamate REST non elaborate.

2. Tutti i modelli di consigli sono personalizzati?

I modelli Consigliati per te, Altri che ti potrebbero piacere e Acquista di nuovo forniscono consigli personalizzati quando vengono forniti con la cronologia utente. I modelli Acquistati di frequente e Articoli simili non sono personalizzati.

Consulta Informazioni sui modelli di suggerimento.

3. Riceverò immediatamente consigli personalizzati o dovrò attendere che migliorino nel tempo?

I consigli migliorano man mano che accumuli più cronologia utente. Il modello Consigliato per te mostra i prodotti più apprezzati, mentre il modello Altri che potrebbero piacerti mostra prodotti simili in base principalmente dalle opinioni degli altri. Entrambi questi modelli iniziano immediatamente a prendere in considerazione il comportamento degli utenti, pertanto è importante inviare eventi in tempo reale. Consulta Informazioni sui modelli di suggerimento.

Affinché la personalizzazione sia efficace, gli eventi utente devono essere inviati in tempo reale o quasi. Se gli eventi utente vengono inviati solo quotidianamente o durante la giornata, i modelli personalizzati potrebbero non funzionare che sarebbe possibile se venissero inviati eventi in tempo reale.

4. Stai utilizzando i dati demografici degli utenti di Google nei tuoi modelli?

I modelli utilizzano solo i dati del catalogo e sugli eventi utente che fornisci. Se vuoi includere dati demografici, puoi includere altri dati testuali o numerici informazioni che potrebbero essere utili come gli attributi personalizzati. Questi dati inizieranno a essere utilizzati dal modello dopo la nuova ottimizzazione.

Non includere informazioni che consentono l'identificazione personale (PII), ad esempio indirizzi email o nomi utente. Ti suggeriamo di anonimizzare i dati demografici, ad esempio eseguendo l'hashing dei o tramite ID gruppo.

5. Posso fornire consigli in base alla cronologia degli eventi di un gruppo di utenti anziché a quella di un singolo utente?

Attualmente, i consigli si basano su un singolo ID visitatore o ID utente. Tu eseguire richieste individuali e poi combinare i risultati in base consigli sulla cronologia di un gruppo. Se gli utenti hanno attributi di metadati comuni, puoi utilizzare gli ID gruppo come ID utente per fornire consigli a livello di gruppo.

6. Ho notato che puoi inviare URL di immagini per i prodotti. I modelli prendono in considerazione le immagini dei prodotti?

Al momento non è possibile. Questi campi sono forniti per consentirti di recuperare metadati insieme ai risultati dei suggerimenti restituiti, al fine di aiutare risultati dei suggerimenti di rendering. L'anteprima della previsione utilizza anche gli URL delle immagini per visualizzarle quando esamini i risultati di previsione di un modello nella console Ricerca per la vendita al dettaglio.

7. La mia azienda non è un sito web di e-commerce di vendita al dettaglio. Posso comunque utilizzare i consigli per la previsione di x, y, z?

I nostri clienti utilizzano i consigli per i contenuti, lo streaming di video e i giochi e altri casi d'uso. Tuttavia, le nostre i contenuti e l'esperienza sono progettati per il caso d'uso dell'e-commerce retail e potrebbe non essere ancora adatto ad altri casi d'uso.

8. Posso inserire consigli su qualsiasi pagina del mio sito?

Sì, ma ogni modello è progettato per casi d'uso specifici e potrebbe funzionare al meglio su determinate pagine. Consulta Informazioni sui modelli di suggerimenti.

Per i prodotti acquistati spesso insieme e altri utenti che potrebbero piacerti sono necessari gli ID articolo, pertanto devono essere utilizzati per consigli tramite, ad esempio, un ID prodotto o articoli in un carrello. Acquistati spesso insieme in genere funziona meglio nelle pagine di aggiunta al carrello o di pagamento, mentre Altri che potrebbero piacerti e Articoli simili funzionano meglio nelle pagine dei dettagli del prodotto. Consigliato per te può essere posizionato su qualsiasi perché richiede solo un ID visitatore come input, ma è progettata come una casa configurazione della pubblicazione delle pagine. Il pulsante Acquista di nuovo è progettato per essere inserito in qualsiasi pagina.

9. Posso utilizzare i consigli per ricevere consigli via email? newsletter?

Sì. Per farlo, occorre effettuare una chiamata all'API con un ID visitatore o utente, poi incorporare i risultati in un modello email. Se vuoi che gli elementi vengano caricati dinamicamente al momento della lettura delle email, è necessario ricorrere a un intermediario ad esempio una funzione Google Cloud Functions, per inviare il traffico richiesta. L'API fornisce solo un elenco di ID prodotto e metadati ordinati, quindi dovrai anche scrivere il tuo codice per eseguire il rendering dei risultati di immagini.

10. Posso utilizzare Vertex AI Search for Retail per altri casi d'uso non web (app mobile, chioschi)?

Sì. Puoi configurare un endpoint (ad esempio funzione Google Cloud Functions) per ottenere risultati per l'app. Inoltre richiedono un meccanismo simile per l'invio di eventi in tempo reale.

11. Non ho dati sugli eventi per più di 3 mesi. Posso ancora usare Vertex AI Search for Retail? Posso aggiungere altri dati in un secondo momento?

Il modello Elementi simili non utilizza i dati sugli eventi utente né l'ottimizzazione del modello. Se non hai dati sugli eventi, puoi comunque creare e addestrare un modello di articoli simili purché tu abbia dati di catalogo.

Se puoi registrare un volume di traffico sufficiente per gli eventi in tempo reale, i dati recenti possono essere per addestrare altri modelli. Se hai a disposizione altri dati in un secondo momento puoi caricarlo dopo l'addestramento iniziale del modello. L'account di servizio i dati vengono incorporati nei modelli durante il riaddestramento giornaliero. Tuttavia, se i dati sono significativamente diversi dagli eventi utilizzati per l'addestramento iniziale, potrebbe essere necessario ottimizzare nuovamente i modelli.

La maggior parte dei modelli funziona meglio con almeno tre mesi di visualizzazioni della pagina del prodotto, visualizzazioni di pagina ed eventi di aggiunta al carrello per tutti i modelli e idealmente uno o due anni della cronologia acquisti per il modello Comprati spesso.

Una o due settimane di visualizzazioni di pagine dei dettagli possono essere sufficienti per iniziare ad addestrare i modelli Altri che potrebbero piacerti e Consigliati per te, mentre Acquistati di frequente insieme e Acquista di nuovo in genere richiedono più tempo perché solitamente gli acquisti giornalieri sono inferiori alle visualizzazioni di pagina. Qualità del modello può essere migliorato significativamente con un maggior numero di dati; la quantità minima potrebbe non produrre per ottenere risultati ottimali. Un anno di acquisti, ad esempio, consente ai modelli di sfruttare meglio la stagionalità e le tendenze.

12. Posso consigliare categorie oltre ai prodotti?

I suggerimenti restituiscono solo consigli sui prodotti, ma puoi ottenere le categorie di ogni prodotto restituito come parte dei risultati.

13. Esistono integrazioni per il caricamento dei dati da database SQL o altri sistemi, come BigQuery?

Sì. Per gli eventi, è disponibile un codice campione che legge in BigQuery. Consulta un esempio di set di dati di Google Analytics per BigQuery.

14. Vertex AI Search for Retail utilizza i cookie?

No, non utilizza cookie. Tuttavia, tutti gli eventi inviati a per Vertex AI Search for Retail deve essere specificato un ID visitatore, che spesso è un di sessione da un cookie.

15. Ho bisogno di un progetto Google Cloud dedicato?

Puoi creare un nuovo progetto dedicato o attivare Vertex AI Search for Retail in un progetto esistente.

16. Perché le mie credenziali non funzionano quando utilizzo Cloud Shell?

Verifica di aver completato i passaggi di configurazione dell'autenticazione per Vertex AI Search per il retail. Devi utilizzare un account di servizio che hai reso disponibile nel tuo ambiente. In caso contrario, potresti ricevere un errore simile al seguente: "La tua applicazione si è autenticata utilizzando le credenziali dell'utente finale dell'SDK Google Cloud o di Google Cloud Shell che non sono supportate."

Per ulteriori informazioni sugli account di servizio, consulta Sezione Autenticazione di Google Cloud documentazione.

17. Come faccio a confrontare Vertex AI Search for Retail con soluzioni simili?

Puoi eseguire test A/B per confrontare i risultati di Vertex AI Search for Retail a quelli di altri prodotti.

18. Penso che le funzionalità x, y, z sarebbero fantastiche. Puoi aggiungerlo?

Ci piacerebbe conoscere la tua opinione. Le richieste di funzionalità possono essere inviate tramite il team dell'account, l'Assistenza Google o il tracker dei problemi.

19. Posso continuare a utilizzare la vecchia API per i consigli?

È stata eseguita la migrazione di Recommendations dall'API Recommendations Engine a Vertex AI Search per il retail. Se utilizzavi l'API Recommendations Engine mentre era in versione beta, ti consigliamo di eseguire la migrazione dei tuoi consigli a Vertex AI Search for Retail (endpoint del servizio https://retail.googleapis.com), che è in versione GA.

L'API precedente (endpoint di servizio https://recommendationengine.googleapis.com) e le relative documentazione disponibile, ma non viene più aggiornata.

Cataloghi e prodotti

1. Come vengono gestiti gli avvii a freddo per i nuovi prodotti?

Per i prodotti che non hanno una cronologia acquisti, forniamo consigli sulla base di prodotti simili. In questi casi, è particolarmente importante avere titoli, categorie e descrizioni dei prodotti ben definiti nel catalogo.

Per gli utenti a cold start (visitatori senza cronologia), i modelli iniziano con i prodotti generali più apprezzati e diventano più personalizzati in tempo reale man mano che vengono ricevuti più eventi degli utenti.

Consulta la sezione Informazioni su cataloghi e prodotti e la pagina di riferimento dei prodotti.

2. Posso utilizzare il mio catalogo di Merchant Center per ricevere consigli?

Sì, puoi esportare un catalogo Merchant Center in BigQuery con la funzionalità Data Transfer di Merchant Center assistenza. Poi possiamo leggere il catalogo direttamente da BigQuery. Consulta Importa i dati del catalogo da Merchant Center.

3. In quali altri modi posso importare il mio catalogo?

  • Merchant Center: importa con Merchant Center. Se utilizzi la rete di ricerca, puoi collegare Merchant Center alla console in modo che il relativo catalogo venga sincronizzato automaticamente.
  • BigQuery: importa direttamente da una tabella o una visualizzazione.
  • Cloud Storage: importa utilizzando file di testo con un elemento del catalogo JSON per riga.
  • Importazione in linea: importa con una chiamata API, utilizzando file di testo con una voce di catalogo JSON per riga.
  • Crea elementi del prodotto: utilizza il metodo di creazione Products.

4. Come faccio a mantenere aggiornato il mio catalogo? Con quale frequenza deve essere aggiornato il catalogo?

Consulta la sezione Mantenere aggiornato il catalogo.

Ti consigliamo di aggiornare il catalogo quotidianamente. Puoi fare un aggiornamento completo Cloud Storage o BigQuery oppure un aggiornamento incrementale (solo elementi nuovi e modificati).

Se possibile, aggiorna il prezzo e la disponibilità in tempo reale. Ciò influisce sulla rapidità con cui i nuovi elementi possono essere sottoposti a ricerca.

Se hai un modo semplice per ricevere notifiche delle modifiche al catalogo (ad esempio tramite Pub/Sub, coda di messaggi, eventi e così via), puoi aggiornare il catalogo in tempo reale utilizzando i metodi dell'API import o create.

Ad esempio, Cloud Scheduler può essere utilizzato per effettuare una chiamata di importazione giornaliera di BigQuery.

5. Esistono dimensioni minime e massime per i cataloghi?

Non esiste un limite minimo, ma i cataloghi di dimensioni molto ridotte (< 100 articoli) potrebbero non trarre molto vantaggio dai consigli perché ci sono pochissimi prodotti diversi da consigliare.

Il catalogo può contenere al massimo 40 milioni di articoli.

Consulta la documentazione per quote e limiti predefiniti e per informazioni su come richiedere una modifica della quota.

6. La mia azienda gestisce siti web in più paesi. Devo utilizzare un unico catalogo per tutti i miei dati?

In genere, è meglio avere un solo catalogo con tutti gli articoli. Gli eventi devono essere inviati tutti utilizzando una singola valuta. Non c'è modo di avere più cataloghi all'interno dello stesso progetto, ma, se utilizzi entities, puoi specificare il comportamento di ricerca, suggerimenti e completamento automatico per di un determinato paese.

Se i cataloghi sono notevolmente diversi da un sito web all'altro, ti consigliamo di un progetto a parte per ogni sito web. Inoltre, se i paesi hanno lingue diverse, ti consigliamo di avere progetti distinti, uno per ogni lingua.

Se esistono siti web simili con traffico ridotto rispetto al sito web principale, potrebbe essere meglio utilizzare un singolo catalogo se non sono presenti eventi sufficienti per produrre modelli di alta qualità per tutti i singoli siti web.

Per utilizzare un singolo catalogo, gli ID articolo del catalogo devono essere coerenti, ovvero lo stesso prodotto deve avere un unico ID articolo su tutti i siti web in modo che non vi sia duplicazione dei prodotti all'interno del catalogo.

Solo per i suggerimenti, un'alternativa all'utilizzo delle entità è filtrare in base a un un sito web specifico utilizzando filtri. Tuttavia, i filtri potrebbero richiedere a 8 ore per aggiornarsi, quindi se è presente una disponibilità specifica per paese (tra dei prodotti, normalmente devono essere gestiti da una regola aziendale che filtra i risultati dopo la risposta della previsione. Questo vale per i filtri filter_tag della versione 1 e per i filtri basati sugli attributi della versione 2.

7. Vertex AI Search for Retail supporta più valute per catalogo?

No, è supportato un solo tipo di valuta per catalogo. Gli eventi devono essere caricati utilizzando una singola valuta.

Se prevedi di utilizzare la console Ricerca per la vendita al dettaglio per ottenere le metriche relative alle entrate, assicurati che tutti gli eventi utilizzino una singola valuta o convertili tutti nella stessa valuta prima di caricarli.

8. Ho più siti web con un catalogo condiviso o articoli simili. Lattina fornisce consigli cross-site?

In genere consigliamo di utilizzare un unico catalogo come questo solo se è presente una sovrapposizione significativa tra i siti; devono condividere molte o tutte le stesse prodotti di big data e machine learning. Quindi, come per i siti multiregionali, puoi utilizzare entità o tag filtro per restituire solo elementi specifici del sito per un particolare prevedere la chiamata.

Se i siti non condividono molti o tutti gli articoli del catalogo, allora è necessario usare più cataloghi. Utilizzare più cataloghi richiede un progetto Google Cloud separato per ogni catalogo.

9. L'inclusione di più metadati migliora il modello? Il modello considera i campi x,y,z?

Per i campi obbligatori, consulta Informazioni sugli articoli di catalogo obbligatori.

Gli altri campi dei metadati sono facoltativi (ad es. images e itemAttributes). Possono essere utilizzati per l'anteprima delle previsioni, l'analisi dei risultati, l'addestramento e la messa a punto. Ti consigliamo di includere attributi utili come colore, taglia, materiale e così via. Questi campi possono essere restituiti come parte dei risultati di predict specificando returnProduct:true, quindi possono essere utili per il rendering dei risultati. Le immagini e gli attributi degli elementi vengono utilizzati per l'anteprima della previsione nella console Search for Retail.

10. Quali attributi di un articolo di catalogo vengono utilizzati come input per l'addestramento del modello?

Viene utilizzata una combinazione di comportamento degli utenti e attributi del prodotto. Il principale I campi utilizzati sono ID, titolo, gerarchia di categorie, prezzo e URL. Puoi includere altri attributi chiave-valore personalizzati che potrebbero essere utili in Product.attributes[].

Gli URL immagine sono più che altro una funzionalità di praticità. Puoi restituire questi metadati come parte dei risultati della previsione specificando returnProduct:true, il che può farti risparmiare una chiamata extra per recuperare queste informazioni. La presenza di URL immagine consente inoltre all'anteprima della previsione di visualizzare le immagini quando viene visualizzata l'anteprima dei risultati di previsione di un modello nella console Ricerca per la vendita al dettaglio.

11. Quali lingue sono supportate per i miei prodotti?

  • La funzionalità dei consigli: supporta la maggior parte delle lingue. Il modello rileva automaticamente la lingua del testo. Per un elenco di tutte le lingue che possono automaticamente, consulta il documento GitHub di Compact Language Detector. LEGGIMI.

  • La funzionalità di ricerca: supporta queste lingue del mondo.

    La lingua viene impostata quando carichi il catalogo. Il catalogo deve essere in una sola lingua e le query devono essere inviate nella stessa lingua. La presenza di più lingue nel catalogo influisce negativamente sul modello delle prestazioni. Ad esempio, se il catalogo è in spagnolo, ma la query di ricerca è in inglese, la query non viene tradotta in spagnolo.

12. Il mio catalogo contiene SKU principali/varianti o principali/secondari. Sono supportati?

Sì. È simile a item_group_id in Merchant Center. È necessario stabilire come ottenere i suggerimenti (a livello principale o secondario) e se gli eventi a livello principale o secondario.

Per saperne di più sui livelli di prodotto, consulta la sezione Livelli di prodotto.

Determina e imposta il livello di prodotto corretto prima di inviare articoli o eventi. Il livello del prodotto può essere modificato, ma richiede di riunire gli elementi e di regolare nuovamente i modelli.

13. Posso eliminare i prodotti dal catalogo quando non sono più disponibili?

Se un articolo non è più aggiornato, ti consigliamo di impostare il suo stato su OUT_OF_STOCK anziché eliminarlo, in modo che gli eventi utente precedenti che farvi riferimento non vengono invalidati.

Eventi utente

1. Quali eventi utente devo raccogliere?

Per un elenco dei tipi di eventi utente, consulta Informazioni sugli eventi utente. nonché requisiti e best practice relativi agli eventi utente.

2. Come faccio a risolvere i problemi di qualità dei dati nella creazione dei modelli?

Nella console Ricerca per la vendita al dettaglio, vai alla pagina Qualità dei dati per visualizzare le metriche sulla qualità dei dati relative al catalogo importato e agli eventi utente.

3. Posso eseguire l'integrazione con Google Analytics 360?

Puoi utilizzare i dati storici di Google Analytics 360 (GA360). Analogamente ai dati di Merchant Center, i dati di GA360 possono essere esportati in BigQuery, dopodiché Vertex AI Search per la vendita al dettaglio può leggere gli eventi direttamente da BigQuery.

Per gli eventi in tempo reale, ti consigliamo di integrare i pixel di monitoraggio con Google Tag Manager, perché gli eventi sono in ritardo da GA360.

4. Voglio importare gli eventi utente da Google Analytics 360. Offre tutte gli eventi utente necessari?

Google Analytics 360 supporta in modo nativo tutti gli eventi utente utilizzati da Vertex AI Search per la vendita al dettaglio, ad eccezione degli eventi di ricerca. Puoi comunque importare la ricerca eventi utente di Analytics 360, ma tieni presente Vertex AI Search for Retail genera l'evento utente della rete di ricerca dalle query di ricerca e se presenti, le impressioni del prodotto.

5. Come faccio a inviare gli eventi all'AI di Recommendations?

Gli utenti in genere importano eventi storici utilizzando Cloud Storage o l'importazione API. poi trasmettere in streaming eventi in tempo reale usando il pixel JavaScript o Tag Manager. sul sito pubblicato o tramite il metodo di scrittura sul backend.

6. Cosa succede se non riesco a inviare tutti i tipi di eventi utente elencati come obbligatori per un modello? Quali sono i tipi di eventi minimi necessari per ogni modello?

Ogni modello e ogni obiettivo di ottimizzazione ha requisiti leggermente diversi. Consulta: i requisiti dei dati sugli eventi utente.

In genere, il rendimento del modello è migliore quando ci sono più eventi per voce di catalogo. Per i siti con grandi volumi di traffico e cataloghi più piccoli, potresti iniziare con un volume minore di eventi storici, ma in genere richiedono almeno alcune settimane di dati storici ed eventi in tempo reale in avanti.

7. Ho eventi di aggiunta al carrello e di completamento dell'acquisto che non hanno un valore per le entrate o la quantità. Che cosa devo inviare?

Se non hai un valore per la quantità, puoi passare un valore predefinito di 1 senza influire sui risultati del modello. Per gli articoli deve sempre essere impostato displayPrice (che può essere qualsiasi valore mostrato all'utente, ad esempio un prezzo scontato). I valori originalPrice e cost sono facoltativi.

8. I miei dati riguardavano solo tipi limitati di eventi. Posso ancora usare Vertex AI Search for Retail?

Per i requisiti minimi dei dati, consulta Requisiti dei dati sugli eventi utente di ciascun tipo di modello.

Risultati di ricerca

1. I risultati di ricerca sono personalizzati?

Sì. La Ricerca può fornire risultati personalizzati. I risultati di ricerca sono personalizzati in base agli ID visitatore. Per ulteriori informazioni, vedi Personalizzazione.

2. Come faccio a includere il contesto, ad esempio il negozio in cui un utente sta facendo acquisti, nella richiesta di ricerca?

Le opzioni di disponibilità e evasione degli ordini basate sull'ID negozio sono attributi del catalogo di prodotti. Le opzioni di evasione degli ordini sono attributi come "consegnata online", "acquista online" e "ritira in negozio".

Gli attributi possono essere inviati come parametro nella richiesta di ricerca. Quindi, per questo Ad esempio, la richiesta di ricerca può specificare l'ID negozio dell'utente. I risultati possono essere filtrati o avere un ranking più elevato in base all'ID negozio nella richiesta.

3. Posso nascondere i prodotti dai risultati di ricerca?

Sì. Il parametro filter può filtrare i risultati in base a i relativi tag.

4. È possibile classificarsi in base a più criteri, ad esempio sia disponibilità che prezzo?

Sì, [boostSpec] consente regole di ranking complesse.

5. È possibile raggruppare alcuni attributi per ottenere risultati con più facet? Ad esempio, raggruppare le città dello stesso paese per l'origine della produzione.

Gli attributi dei prodotti non sono gerarchici. Tuttavia, puoi utilizzare più attributi personalizzati per farlo. In questo esempio, potresti utilizzare attributi personalizzati sia per il paese di produzione che per la città di produzione.

6. Come funzionano i suggerimenti?

I suggerimenti sono una combinazione di query degli utenti, query riscritte, nomi di prodotti e così via. Per generare suggerimenti di completamento automatico di alta qualità, di eventi di ricerca devono essere importati insieme al catalogo.

Risultati previsione

1. Esiste un limite al numero di previsioni che posso restituire?

Per impostazione predefinita, una richiesta di previsione restituisce 20 elementi nella risposta. Può essere aumentati o diminuiti specificando un valore per pageSize.

Se devi restituire più di 100 articoli, contatta l'Assistenza Google per aumentare il limite. Tieni presente, tuttavia, che la restituzione di più di 100 elementi può aumentare la latenza di risposta.

2. Posso vedere i motivi per cui un modello ha creato un prodotto specifico un consiglio?

No.

3. Posso scaricare e memorizzare nella cache i risultati di previsione?

Poiché i risultati della previsione migliorano in tempo reale in risposta all'attività utente su nel tuo sito, ti sconsigliamo di usare le previsioni memorizzate nella cache. I modelli vengono riaddestrati ogni giorno per incorporare le modifiche al tuo catalogo e reagire alle nuove tendenze di eventi, con conseguente modifica dei risultati.

4. Devo riclassificare i consigli restituiti in base a una regola aziendale. È supportato?

Sì. Tuttavia, anche se puoi rieseguire il ranking dei consigli restituiti in base alle tue regole aziendali, tieni presente che l'ordinamento o il filtraggio dei risultati consigliati può ridurre l'efficacia complessiva del modello nel raggiungimento dell'obiettivo di ottimizzazione scelto.

Il re-ranking del prezzo ordina per primi gli articoli pertinenti di prezzo elevato nell'insieme di consigli restituiti ed è disponibile come personalizzazione integrata per i modelli Altri che ti potrebbero piacere e Consigliati per te.

Consulta Re-ranking del prezzo.

5. Esistono limitazioni al numero di tag filtro che posso creare e usare?

Non esistono limiti fissi al numero di tag univoci che puoi creare o utilizzare. Tuttavia, il sistema non è stato progettato per gestire molti tag di filtro per elemento. Se possibile, consigliamo di limitare i tag filtro a un massimo di 10 per articolo del catalogo. È possibile utilizzare più di 10 valori nell'intero catalogo. Si tratta di un limite per articolo. Il limite per i tag totali (la somma totale di tutti i tag per elemento) ) è 100.000.000.

Consulta la documentazione di quote e limiti di Vertex AI Search for Retail.

6. Posso diversificare i consigli?

Sì. La diversificazione può essere specificata nell'ambito della configurazione della pubblicazione o nei parametri della richiesta di previsione. Con bassa diversificazione, le previsioni possono contenere elementi simili nella stessa categoria. Con una diversificazione maggiore, i risultati conterranno elementi di altre categorie.

7. Posso dare priorità ai consigli in base al prezzo?

Sì. Il re-ranking del prezzo fa sì che i prodotti consigliati con una probabilità di consiglio simile vengano ordinati per prezzo, partendo dagli articoli di prezzo più alto. La pertinenza viene comunque utilizzata anche per ordinare gli articoli, pertanto l'attivazione del ricoordinamento in base al prezzo non è la stessa cosa dell'ordinamento in base al prezzo. Il re-ranking del prezzo può essere specificato come parte della configurazione di pubblicazione o nei parametri della richiesta di previsione.

Modelli

1. Ho caricato il mio catalogo e i miei eventi, ma quando chiamo l'API di previsione ricevo sempre questa risposta: "Il modello di consigli non è pronto. Puoi impostare "dryRun" su true nella richiesta di previsione per l'integrazione, che restituisce articoli arbitrari di catalogo nel tuo catalogo (NON utilizzare per la produzione traffico)."

In genere, questo significa che l'addestramento del modello non è stato completato. Se è stato sono trascorsi più di 10 giorni dalla creazione del modello e continui a ricevere questo contatta l'assistenza.

2. Quanto tempo è necessario per addestrare un modello?

L'addestramento e la messa a punto iniziali del modello richiedono 2-5 giorni, ma possono richiedere più tempo per set di dati di grandi dimensioni. Di conseguenza, i modelli vengono automaticamente vengono riaddestrate quotidianamente, a meno che non vengano disattivate. Consulta: Mettere in pausa e riprendere l'addestramento di un modello.

3. Posso scaricare o esportare il modello?

No.

4. Posso utilizzare i modelli creati in un progetto esistente in un nuovo progetto?

No. Devi creare e riaddestrare i modelli nel nuovo progetto.

5. Voglio utilizzare un modello per le pagine delle mie categorie. Posso farlo?

Sì. Consigliato per te è utile nelle pagine delle categorie. Una pagina di categoria è simile a una home page, tranne per il fatto che vengono visualizzati solo gli articoli della categoria in questione. Puoi ottenere questo risultato utilizzando un modello standard Consigliati per te con i tag filtro. Ad esempio, puoi aggiungere tag di filtro personalizzati (corrispondenti a ogni pagina della categoria) agli articoli nel tuo catalogo. Quando invii la richiesta di previsione, imposta l'oggetto evento utente come category-page-view e specifica un tag della pagina di categoria specifica nel filter. Vengono visualizzati solo i risultati dei suggerimenti che corrispondono al tag del filtro richiesto restituito. La diversità deve essere disattivata in questo caso d'uso, perché può entrare in conflitto con i tag di filtro basati sulle categorie.

6. Posso disattivare la personalizzazione per i miei modelli?

Per impostazione predefinita, i risultati delle previsioni sono personalizzati dall'utente per Tipi di modelli di consigli Altri che potrebbero piacerti, Consigliati per te e Acquista di nuovo.

La disattivazione della personalizzazione non è consigliata perché può influire negativamente sul rendimento del modello.

Se invece hai l'esigenza di mostrare articoli di catalogo pertinenti al prodotto visualizzato rispetto alle precedenti interazioni dell'utente con il tuo sito, è possibile ricevere consigli non personalizzati utilizzando un ID visitatore unico casuale in una richiesta di previsione. Assicurati di farlo solo per le richieste nella pubblicazione configurazioni che non vuoi personalizzare.

Console Search for Retail

1. Ho eliminato definitivamente un certo numero di eventi, ma la dashboard continua a mostrare i conteggi per per quei tipi di eventi.

È previsto. La dashboard di Search for Retail mostra il numero gli eventi importati in un determinato periodo di tempo. non mostra il conteggio attuale o il numero di eventi.

In genere, devi lasciare invariati gli eventi utente dopo che sono stati registrati. La purga degli eventi non è consigliata. Se prevedi di reimpostare completamente gli eventi utente, valuta la possibilità di creare un nuovo progetto.

Se devi eliminare definitivamente gli eventi che non sono stati registrati correttamente, consulta la documentazione relativa alla rimozione degli eventi utente. L'eliminazione definitiva di un evento può richiedere diversi giorni.

2. Come faccio a sapere se ci sono errori nel mio catalogo o negli eventi utente?

La maggior parte delle chiamate API per aggiornamenti delle voci di catalogo o eventi utente restituisce un errore se c'è un problema di sintassi o se la richiesta non può essere elaborata per qualche motivo.

La dashboard Ricerca per la vendita al dettaglio mostra la percentuale di eventi non associati, che è anche una metrica utile per rilevare problemi relativi a cataloghi o eventi. Non iscritti gli eventi (o le chiamate di previsione non unite) si verificano quando viene specificato un ID elemento non è nel catalogo. In genere, significa che il catalogo non è aggiornato e che è necessario caricare gli elementi del catalogo nuovi o modificati, ma può anche essere dovuto al passaggio di ID articolo errati. Controlla le richieste per assicurarti che gli ID articolo vengano mappati correttamente al catalogo, quindi controlla il catalogo che hai caricato per assicurarti che gli articoli esistano.

Cloud Monitoring e Cloud Logging possono essere utilizzati per monitorare lo stato degli eventi. Ad esempio, puoi ricevere avvisi se non si verificano eventi in un determinato periodo di tempo o se le chiamate previste scendono al di sotto di una determinata soglia.

3. Perché le mie configurazioni di pubblicazione dei consigli risultano inattive? Come faccio a attivarle?

Per utilizzare le configurazioni di pubblicazione dei consigli, devi prima inviare il catalogo e i dati sugli eventi utente per addestrare il modello corrispondente. Una volta addestrato un modello, la dashboard indica che il modello è pronto per le query.

4. In quale valuta Search for Retail registra le metriche delle entrate?

Cerca le metriche dei report sul settore retail nella valuta utilizzata nei dati caricati. Vertex AI Search for Retail non supporta l'utilizzo di più valute per catalogo e non le converte.

Se prevedi di utilizzare la console Search for Retail per ottenere le tue metriche relative alle entrate, assicurati che tutti gli eventi utilizzino una singola valuta o convertili tutti nella stessa valuta prima di caricarli in Vertex AI Search for Retail.