Sie haben andere Probleme oder können das unten beschriebene Problem nicht sehen? Bitte melden Sie Fehler oder fordern Sie ein Feature an und treten Sie der Google-Gruppe cloud-recommendations-users oder verfolgen Sie die Stack Overflow-Diskussionen.
Allgemein
1. Haben Sie Clientbibliotheken für Vertex AI Search for Retail oder weiteren Beispielcode?
Ja. Im Leitfaden zu Clientbibliotheken finden Sie Informationen zur Einrichtung und Referenzen für jede Bibliothek.
Anstelle von REST-Rohaufrufen kann auch der Google API Discovery Service verwendet werden.
2. Sind alle Empfehlungsmodelle personalisiert?
Die Modelle „Für dich empfohlen“, „Andere Nutzer, die dir gefallen könnten“ und „Noch einmal kaufen“ liefern personalisierte Empfehlungen, wenn sie auf dem Nutzerverlauf basieren. Die Modelle „Häufig zusammen gekauft“ und „Ähnliche Artikel“ sind nicht personalisiert.
Siehe Empfehlungsmodelle.
3. Erhalte ich sofort personalisierte Empfehlungen oder muss ich warten, bis sich diese mit der Zeit verbessern?
Empfehlungen werden verbessert, je mehr Nutzerverlauf Sie erfassen. Im Modell „Für Sie empfohlen“ werden beliebte Produkte angezeigt, während das Modell „Andere Nutzer, das Ihnen gefallen könnte“ ähnliche Produkte zeigt, hauptsächlich basierend auf den Ansichten anderer Nutzer. Bei beiden Modellen wird das Nutzerverhalten sofort berücksichtigt. Daher ist es wichtig, Echtzeitereignisse zu senden. Siehe Informationen zu Empfehlungsmodellen.
Nutzerereignisse müssen in Echtzeit oder nahezu in Echtzeit gesendet werden, damit die Personalisierung wirksam wird. Wenn Nutzerereignisse nur täglich oder in Batches den ganzen Tag gesendet werden, funktionieren die personalisierten Modelle möglicherweise nicht so gut wie bei Echtzeitereignissen.
4. Verwenden Sie in Ihren Modellen demografische Daten von Google-Nutzern?
Die Modelle verwenden nur die von Ihnen bereitgestellten Katalog- und Nutzerereignisdaten. Wenn Sie demografische Daten einbeziehen möchten, können Sie weitere Text- oder numerische Informationen einbeziehen, die als benutzerdefinierte Attribute nützlich sein könnten. Diese Daten werden vom Modell verwendet, nachdem es neu abgestimmt wurde.
Geben Sie keine personenidentifizierbaren Informationen wie E-Mail-Adressen oder Nutzernamen an. Wir empfehlen, demografische Daten zu anonymisieren, z. B. durch Hashing der Werte oder mithilfe von Gruppen-IDs.
5. Kann ich Empfehlungen anhand des Ereignisverlaufs einer Gruppe von Nutzern und nicht anhand des Verlaufs eines einzelnen Nutzers aussprechen?
Derzeit basieren Empfehlungen auf einer einzelnen Besucher-ID oder Nutzer-ID. Sie müssen einzelne Anfragen senden und dann die Ergebnisse mit den Empfehlungen aus dem Verlauf einer Gruppe kombinieren. Wenn die Nutzer gemeinsame Metadatenattribute haben, können Sie Gruppen-IDs als Nutzer-IDs verwenden, um Empfehlungen auf Gruppenebene zu geben.
6. Sie können Bild-URLs für Produkte einreichen. Werden die Produktbilder von den Modellen berücksichtigt?
Derzeit nicht. Diese Felder werden bereitgestellt, damit Sie diese Metadaten zusammen mit den zurückgegebenen Empfehlungsergebnissen abrufen können. Dies erleichtert die Wiedergabe von Empfehlungsergebnissen. Bei der Vorhersagevorschau werden auch Bild-URLs verwendet, um die Bilder anzuzeigen, wenn Sie sich die Vorhersageergebnisse eines Modells in der Search for Retail-Konsole als Vorschau ansehen.
7. Mein Unternehmen betreibt keine E-Commerce-Website für den Einzelhandel. Kann ich weiterhin Empfehlungen zur Vorhersage von x,y,z verwenden?
Kunden nutzen unter anderem Empfehlungen für Inhaltsempfehlungen, Videostreaming und Spiele. Unsere Inhalte und Erfahrungen sind jedoch derzeit auf den E-Commerce-Anwendungsfall abgestimmt und eignen sich möglicherweise noch nicht für andere Anwendungsfälle.
8. Kann ich Empfehlungen auf jeder Seite meiner Website platzieren?
Ja, aber die Modelle sind jeweils auf bestimmte Anwendungsfälle ausgelegt und funktionieren möglicherweise am besten auf bestimmten Seiten. Siehe Empfehlungsmodelle.
Für „Häufig zusammen gekauft“ und „Andere Produkte, die Sie interessieren könnten“ sind Artikel-IDs erforderlich. Sie sollten daher für Empfehlungen verwendet werden, z. B. mit einer Produkt-ID oder von Artikeln in einem Einkaufswagen. „Häufig zusammen gekauft“ funktioniert in der Regel am besten auf Seiten zum Hinzufügen zum Einkaufswagen oder zur Kasse, während die Optionen „Andere Videos, die Ihnen gefallen könnten“ und „Ähnliche Artikel“ am besten auf Produktdetailseiten funktionieren. „Für Sie empfohlen“ kann auf einer beliebigen Seite platziert werden, da nur eine Besucher-ID als Eingabe erforderlich ist. Sie dient aber als Konfiguration für die Bereitstellung der Startseite. Die Funktion „Noch einmal kaufen“ kann auf jeder Seite platziert werden.
9. Kann ich Empfehlungen für Empfehlungen in E-Mail-Newslettern verwenden?
Ja. Dazu rufen Sie die API mit einer Besucher-ID oder Nutzer-ID auf und binden die Ergebnisse dann in eine E-Mail-Vorlage ein. Wenn Sie möchten, dass die Artikel beim E-Mail-Lesevorgang dynamisch geladen werden, müssen Sie einen Zwischenendpunkt verwenden, wie z. B. Google Cloud Function, um die Vorhersageanfrage zu senden. Die API stellt nur eine Liste bestellter Produkt-IDs und Metadaten bereit. Daher müssen Sie auch Ihren eigenen Code schreiben, um die Bildergebnisse zu rendern.
10. Kann ich Vertex AI Search for Retail auch für andere Anwendungsfälle außerhalb des Webs verwenden (mobile Apps, Kioske)?
Ja. Sie können einen Endpunkt einrichten (z. B. Google Cloud Functions), um Ergebnisse für die Anwendung zu erhalten. Sie benötigen auch einen ähnlichen Mechanismus zum Senden von Echtzeitereignissen.
11. Ich habe keine Ereignisdaten für mehr als 3 Monate. Kann ich Vertex AI Search for Retail weiterhin verwenden? Kann ich später weitere Daten hinzufügen?
Für das Modell „Ähnliche Artikel“ werden keine Nutzerereignisdaten und keine Modellabstimmung verwendet. Wenn Sie keine Ereignisdaten haben, können Sie ein Modell für ähnliche Artikel erstellen und trainieren, sofern Sie Katalogdaten haben.
Wenn Sie genügend Traffic für Echtzeitereignisse erfassen können, können die neuesten Daten für das Training anderer Modelle verwendet werden. Wenn Ihnen später weitere Daten zur Verfügung stehen, können Sie diese nach dem ersten Modelltraining hochladen. Die neu aufgefüllten Daten werden während des täglichen erneuten Trainings in die Modelle aufgenommen. Wenn sich die Daten jedoch erheblich von den Ereignissen unterscheiden, die für das erste Training verwendet wurden, müssen die Modelle möglicherweise neu abgestimmt werden.
Die meisten Modelle funktionieren am besten mit Produktseitenaufrufen, Startseitenaufrufen und Ereignissen vom Typ „In den Einkaufswagen“ für alle Modelle. Idealerweise sollten die bisherigen Käufe für das Modell „Häufig zusammen gekauft“ ein bis zwei Jahre zurückliegen.
Ein bis zwei Wochen lang Aufrufe von Detailseiten können ausreichen, um mit dem Training der Modelle „Andere, die Ihnen gefallen könnten“ und „Für Sie empfohlen“ zu beginnen, während „Häufig zusammen gekauft“ und „Noch einmal kaufen“ in der Regel mehr erfordern, da pro Tag normalerweise weniger Käufe als Seitenaufrufe stattfinden. Die Modellqualität kann mit mehr Daten erheblich verbessert werden. Die Mindestmenge führt möglicherweise nicht zu optimalen Ergebnissen. Beispielsweise können die Modelle bei einer Kaufdauer von einem Jahr saisonale Unterschiede und Trends besser berücksichtigen.
12. Kann ich neben Produkten auch Kategorien empfehlen?
Empfehlungen geben derzeit nur Produktempfehlungen zurück. Sie können die Kategorien für jedes Produkt aber als Teil der Ergebnisse abrufen.
13. Haben Sie Integrationen zum Hochladen von Daten aus SQL-Datenbanken oder anderen Systemen wie BigQuery?
Ja. Für Ereignisse gibt es Beispielcode, der aus BigQuery liest. Sehen Sie sich ein Google Analytics-Beispiel-Dataset für BigQuery an.
14. Verwendet Vertex AI Search for Retail Cookies?
Nein, es werden keine Cookies verwendet. Für alle an Vertex AI Search for Retail gesendeten Ereignisse muss jedoch eine Besucher-ID angegeben werden. Diese ist oft eine Sitzungs-ID aus einem Cookie.
15. Brauche ich ein eigenes Google Cloud-Projekt?
Sie können ein neues, dediziertes Projekt erstellen oder Vertex AI Search for Retail in einem vorhandenen Projekt aktivieren.
16. Warum funktionieren meine Anmeldedaten nicht, wenn ich Cloud Shell verwende?
Prüfen Sie, ob Sie die Schritte zur Einrichtung der Authentifizierung für Vertex AI Search for Retail abgeschlossen haben. Sie sollten ein Dienstkonto verwenden, das Sie in Ihrer Umgebung verfügbar gemacht haben. Andernfalls erhalten Sie möglicherweise eine Fehlermeldung wie diese: „Ihre Anwendung wurde mit Endnutzeranmeldedaten vom Google Cloud SDK oder Google Cloud Shell authentifiziert, die nicht unterstützt werden.“
Weitere Informationen zu Dienstkonten finden Sie im Abschnitt „Authentifizierung“ der Google Cloud-Dokumentation.
17. Wie kann ich Vertex AI Search for Retail mit ähnlichen Lösungen vergleichen?
Sie können A/B-Tests durchführen, um die Ergebnisse von Vertex AI Search für den Einzelhandel mit denen anderer Produkte zu vergleichen.
18. Ich denke, Feature x, y, z wäre toll. Kannst du das hier einfügen?
Treten Sie mit uns in Kontakt! Funktionsanfragen können über Ihr Account-Management-Team, den Google-Support oder die Problemverfolgung eingereicht werden.
19. Kann ich weiterhin die alte API für Empfehlungen verwenden?
Empfehlungen wurden von der Recommendations Engine API zu Vertex AI Search for Retail migriert. Wenn Sie die Recommendations Engine API in der Betaphase verwendet haben, empfehlen wir, Ihre Empfehlungen zu Vertex AI Search for Retail (Dienstendpunkt https://retail.googleapis.com) zu migrieren, das allgemein verfügbar ist.
Die vorherige API (Dienstendpunkt https://recommendationengine.googleapis.com) und die zugehörige Dokumentation bleiben verfügbar, werden jedoch nicht mehr aktualisiert.
Kataloge und Produkte
1. Wie werden Empfehlungen bei Kaltstarts für neue Produkte gehandhabt?
Für Produkte, für die es keine Käufe gibt, basieren die Empfehlungen auf ähnlichen Produkten. In diesen Fällen ist es besonders wichtig, im Katalog gute Produkttitel, -kategorien und -beschreibungen zu definieren.
Für Kaltstartnutzer (Nutzer ohne Verlauf) beginnen die Modelle mit den beliebtesten allgemeinen Produkten und werden in Echtzeit persönlicher, wenn mehr Nutzerereignisse empfangen werden.
Weitere Informationen finden Sie unter Kataloge und Produkte und auf der Produktreferenzseite.
2. Kann ich meinen Merchant Center-Katalog für Empfehlungen verwenden?
Ja. Sie können einen Merchant Center-Katalog mithilfe des Data Center Service von Merchant Center nach BigQuery exportieren. Anschließend können wir den Katalog direkt aus BigQuery lesen. Weitere Informationen finden Sie unter Katalogdaten aus dem Merchant Center importieren.
3. Wie kann ich meinen Katalog noch importieren?
- Merchant Center: Import mit dem Merchant Center. Wenn Sie die Suche verwenden, können Sie die Console verwenden, um das Merchant Center zu verknüpfen, sodass der Katalog automatisch synchronisiert wird.
- BigQuery Importieren Sie direkt aus einer Tabelle oder Ansicht.
- Cloud Storage: Importieren Sie ihn mithilfe von Textdateien mit einem JSON-Katalogartikel pro Zeile.
- Inline-Import: Importieren Sie mit einem API-Aufruf unter Verwendung von Textdateien mit einem JSON-Katalogartikel pro Zeile.
- Produktartikel erstellen: Verwenden Sie die Erstellungsmethode
Products.
4. Wie kann ich meinen Katalog auf dem neuesten Stand halten? Wie oft muss der Katalog aktualisiert werden?
Weitere Informationen findest du unter Deinen Katalog auf dem neuesten Stand halten.
Wir empfehlen Ihnen, Ihren Katalog täglich zu aktualisieren. Sie können eine vollständige Aktualisierung über Cloud Storage oder BigQuery oder eine inkrementelle Aktualisierung (nur neue und geänderte Artikel) durchführen.
Aktualisieren Sie nach Möglichkeit Preis und Verfügbarkeit in Echtzeit. Dies wirkt sich darauf aus, wie schnell neue Elemente über die Suche durchsuchbar gemacht werden können.
Wenn Sie Benachrichtigungen über Katalogänderungen einfach erhalten können, z. B. über Pub/Sub, Nachrichtenwarteschlange, Ereignisse usw., können Sie den Katalog in Echtzeit mit den API-Methoden import oder Erstellen aktualisieren.
Beispielsweise kann Cloud Scheduler verwendet werden, um einen täglichen BigQuery-Importaufruf durchzuführen.
5. Gibt es minimale und maximale Kataloggrößen?
Es gibt kein Minimum, aber sehr kleine Kataloggrößen (< 100 Artikel) profitieren möglicherweise nicht von den Empfehlungen, da es nur wenige verschiedene Produkte zu empfehlen gibt.
Der Katalog umfasst maximal 40 Millionen Artikel.
Informationen zu standardmäßigen Kontingenten und Limits sowie zum Anfordern einer Änderung des Kontingents finden Sie in der Dokumentation.
6. Mein Unternehmen betreibt Websites in mehreren Ländern. Sollte ich einen einzigen Katalog für alle meine Daten verwenden?
In der Regel empfiehlt es sich, nur einen Katalog mit allen Artikeln zu haben. Ereignisse müssen alle in einer einzigen Währung gesendet werden. Derzeit gibt es keine Möglichkeit, mehrere Kataloge innerhalb desselben Projekts zu haben. Wenn Sie jedoch Entitäten verwenden, können Sie Such-, Empfehlungen und automatische Vervollständigung für ein bestimmtes Land angeben.
Wenn sich die Kataloge zwischen den Websites erheblich unterscheiden, empfehlen wir, für jede Website ein separates Projekt zu erstellen. Wenn die Länder unterschiedliche Sprachen haben, empfehlen wir außerdem, ein separates Projekt für jede Sprache zu erstellen.
Wenn es ähnliche Websites mit wenigen Zugriffen im Vergleich zur Hauptwebsite gibt, ist es am besten, einen einzigen Katalog zu verwenden, wenn nicht genügend Ereignisse vorhanden sind, um hochwertige Modelle für alle einzelnen Websites zu erstellen.
Wenn Sie einen einzigen Katalog verwenden möchten, sollten die Katalogartikel-IDs einheitlich sein. Das heißt, dasselbe Produkt sollte auf allen Websites eine einzige Artikel-ID haben, damit es keine doppelten Produkte im Katalog gibt.
Nur für Empfehlungen können Sie alternativ zur Verwendung von Entitäten Filter verwenden, um nach einer bestimmten Website zu filtern. Die Aktualisierung der Filter kann jedoch bis zu 8 Stunden dauern. Wenn also länderspezifische Verfügbarkeitsanforderungen („out_of_stock“) gelten, müssen sie normalerweise von einer Geschäftsregel verwaltet werden, die die Ergebnisse nach der Vorhersageantwort herausfiltert. Dies gilt für die filter_tag-Filterung in V1 und die attributbasierte Filterung in V2.
7. Unterstützt Vertex AI Search for Retail mehrere Währungen pro Katalog?
Nein, pro Katalog wird nur ein Währungstyp unterstützt. Ereignisse müssen mit einer einzigen Währung hochgeladen werden.
Wenn Sie die Umsatzmesswerte über die Konsole Search for Retail abrufen möchten, müssen Sie für alle Ereignisse eine einzige Währung verwenden oder sie vor dem Hochladen in dieselbe Währung konvertieren.
8. Ich habe mehrere Websites mit einem freigegebenen Katalog oder ähnlichen Artikeln. Können Empfehlungen websiteübergreifende Empfehlungen enthalten?
Wir empfehlen in der Regel, einen einzelnen Katalog nur dann zu verwenden, wenn sich die Websites erheblich überschneiden. Sie sollten viele oder alle der gleichen Produkte gemeinsam nutzen. Wie bei multiregionalen Websites können Sie dann Entitäten oder Filter-Tags verwenden, um nur websitespezifische Elemente für einen bestimmten Vorhersageaufruf zurückzugeben.
Wenn die Websites nicht viele oder nur bestimmte Katalogelemente gemeinsam nutzen, sollten mehrere Kataloge verwendet werden. Für jeden Mandanten ein Google Cloud-Projekt erstellen
9. Verbessert das Hinzufügen weiterer Metadaten das Modell? Berücksichtigt das Modell die Felder x, y, z?
Informationen zu Pflichtfeldern finden Sie unter Erforderliche Informationen zu Katalogartikeln.
Andere Metadatenfelder sind optional, z. B. „images“ und „itemAttributes“. Sie können zur Vorhersagevorschau, zur Ergebnisanalyse, zum Training und zur Feinabstimmung verwendet werden. Wir empfehlen, nützliche Attribute wie Farbe, Größe, Material usw. anzugeben. Diese Felder können als Teil der predict zurückgegeben werden, indem Sie returnProduct:true angeben. Sie können also für das Rendering von Ergebnissen hilfreich sein. Bilder und Artikelattribute werden für die Vorhersagevorschau in der Search for Retail-Konsole verwendet.
10. Welche Attribute eines Katalogartikels werden als Eingaben für das Modelltraining verwendet?
Eine Kombination aus Nutzerverhalten und Produktattributen wird verwendet. Die wichtigsten Felder sind ID, Titel, Kategoriehierarchie, Preis und URL. Sie können weitere benutzerdefinierte Schlüssel/Wert-Paar-Attribute hinzufügen, die für Product.attributes[] hilfreich sein können.
Image-URLs sind eine praktische Funktion. Sie können diese Metadaten als Teil der Vorhersageergebnisse zurückgeben, indem Sie returnProduct:true angeben. Dadurch kann ein zusätzlicher Aufruf gespeichert werden, um diese Informationen abzurufen. Wenn Sie Bild-URLs haben, können die Bilder auch in der Vorhersagevorschau angezeigt werden, wenn Sie die Vorhersageergebnisse eines Modells in der Search for Retail-Konsole als Vorschau ansehen.
11. Welche Sprachen werden für meine Produkte unterstützt?
Empfehlungen:Unterstützt die meisten Sprachen. Das Modell erkennt die Textsprache automatisch. Eine Liste aller Sprachen, die automatisch erkannt werden können, finden Sie in der GitHub-README-Datei von Compact Language Detector.
search: Unterstützt die folgenden Sprachen: Deutsch, Arabisch, Niederländisch, Englisch, Französisch, Italienisch, Japanisch, Koreanisch, Polnisch, Portugiesisch, Spanisch und Türkisch. Die Sprache legen Sie beim Hochladen des Katalogs fest. Der Katalog sollte nur in einer Sprache verfasst sein und die Abfragen sollten in derselben Sprache gesendet werden. Der Katalog enthält mehrere Sprachen und beeinträchtigt die Modellleistung. Ist der Katalog beispielsweise auf Spanisch, die Suchanfrage aber auf Englisch, wird die Abfrage nicht ins Spanische übersetzt.
12. Mein Katalog enthält primäre/Varianten- oder übergeordnete/untergeordnete Artikelnummern. Werden diese unterstützt?
Ja. Dies entspricht in etwa dem item_group_id im Merchant Center. Sie müssen festlegen, wie Sie Empfehlungen erhalten möchten (auf der übergeordneten oder untergeordneten Ebene) und ob die Ereignisse auf der übergeordneten oder untergeordneten Ebene stattfinden.
Weitere Informationen über Produktebenen finden Sie unter Produktebenen.
Ermitteln Sie die richtige Produktebene und legen Sie sie fest, bevor Sie Artikel oder Ereignisse senden. Die Produktebene kann geändert werden. Allerdings müssen die Artikel dann noch einmal verbunden werden und die Modelle müssen neu optimiert werden.
13. Kann ich Produkte aus dem Katalog löschen, wenn sie nicht mehr verfügbar sind?
Wenn ein Artikel nicht mehr aktuell ist, sollten Sie seinen Status auf OUT_OF_STOCK setzen, anstatt ihn zu löschen, damit vorherige Nutzerereignisse, die darauf verweisen, nicht ungültig werden.
Nutzerereignisse
1. Welche Nutzerereignisse muss ich erfassen?
Unter Nutzerereignisse finden Sie eine Liste der Nutzerereignistypen, die Anforderungen für Nutzerereignisse und Best Practices.
2. Wie behebe ich Probleme mit der Datenqualität bei der Modellerstellung?
Rufen Sie in der Search for Retail-Konsole die Seite Datenqualität auf, um Messwerte zur Datenqualität zu Ihrem aufgenommenen Katalog und zu Nutzerereignissen aufzurufen.
3. Ist eine Verknüpfung mit Google Analytics 360 möglich?
Sie können Verlaufsdaten aus Google Analytics 360 (GA360) verwenden. Ähnlich wie Merchant Center-Daten können GA360-Daten in BigQuery exportiert werden. Vertex AI Search for Retail kann die Ereignisse dann direkt aus BigQuery lesen.
Für Echtzeitereignisse empfehlen wir, Tracking-Pixel mit Google Tag Manager einzubinden, da Ereignisse von GA360 verzögert sind.
4. Ich möchte Nutzerereignisse aus Google Analytics 360 importieren. Werden alle erforderlichen Nutzerereignisse bereitgestellt?
Google Analytics 360 unterstützt nativ alle Nutzerereignisse, die von Vertex AI Search für den Einzelhandel verwendet werden, mit Ausnahme von Suchereignissen. Sie können weiterhin Nutzerereignisse für die Suche aus Analytics 360 importieren. Vertex AI Search for Retail erstellt jedoch das Nutzerereignis für die Suche aus Suchanfragen und, falls vorhanden, aus Produktimpressionen.
5. Wie füge ich Ereignisse in Recommendations AI ein?
Nutzer importieren Verlaufsereignisse normalerweise mit Cloud Storage oder dem API-Import und streamen dann Echtzeitereignisse mit dem JavaScript Pixel- oder Tag-Manager-Tag auf der Live-Website oder über die Schreibmethode im Backend.
6. Was ist, wenn ich nicht alle Nutzerereignistypen senden kann, die für ein Modell erforderlich sind? Welche Ereignistypen sind für jedes Modell mindestens erforderlich?
Jedes Modell und jedes Optimierungsziel haben leicht unterschiedliche Anforderungen. Weitere Informationen finden Sie unter Anforderungen an Nutzerereignisdaten.
Die Modellleistung ist normalerweise besser, wenn mehr Ereignisse pro Katalogartikel vorhanden sind. Für Websites mit hohem Traffic und kleineren Katalogen können Sie möglicherweise mit einem kleineren Volumen an Verlaufsereignissen beginnen, benötigen aber in der Regel mindestens einige Wochen an Verlaufsdaten und Echtzeitereignissen.
7. Ich habe Ereignisse vom Typ „In den Einkaufswagen“ und „Kauf abgeschlossen“, bei denen kein Wert für Umsatz oder Menge vorhanden ist. Was soll ich senden?
Wenn Sie keinen Wert für die Menge haben, können Sie einen Standardwert von 1 übergeben, ohne die Modellergebnisse zu beeinträchtigen. Für Artikel sollte immer "displayPrice" festgelegt sein (dies kann dem Nutzer angezeigt werden, z. B. ein Rabatt). Der ursprüngliche Preis und die Kosten sind optional.
8. Mit meinen Daten wurden nur bestimmte Ereignistypen abgedeckt. Kann ich Vertex AI Search for Retail weiterhin verwenden?
Die Mindestanforderungen für die Daten jedes Modelltyps finden Sie unter Anforderungen an Nutzerereignisdaten.
Suchergebnisse
1. Sind Suchergebnisse personalisiert?
Ja. Die Google Suche kann personalisierte Ergebnisse liefern. Die Suchergebnisse werden anhand der Besucher-IDs personalisiert. Weitere Informationen finden Sie unter Personalisierung.
2. Wie füge ich in die Suchanfrage Kontext hinzu, z. B. den Shop, in dem ein Nutzer eingekauft hat?
Speicher-ID-basierte Verfügbarkeit und Auftragsausführungsoptionen sind Attribute des Produktkatalogs. Optionen für die Ausführung sind Attribute wie "online geliefert", "online kaufen" und "Abholung im Geschäft".
Attribute können in der Suchanfrage als Parameter gesendet werden. In diesem Beispiel kann in der Suchanforderung die Speicher-ID des Benutzers angegeben werden. Die Ergebnisse können anhand der Speicher-ID in der Anfrage gefiltert oder höher eingestuft werden.
3. Kann ich Produkte in den Suchergebnissen ausblenden?
Ja. Der Parameter filter kann Ergebnisse anhand ihrer Tags herausfiltern.
4. Ist es möglich, ein Ranking nach mehreren Kriterien vorzunehmen, z. B. Verfügbarkeit und Preis?
Ja, [boostSpec] erlaubt komplexe Rankingregeln.
5. Ist es möglich, einige Attribute zu gruppieren, um Ergebnisse mit mehreren Attributen zu liefern? So lassen sich beispielsweise Städte im selben Land für den Produktionsstandort gruppieren.
Produktattribute sind nicht hierarchisch. Sie können jedoch mehrere benutzerdefinierte Attribute verwenden. In diesem Beispiel können Sie benutzerdefinierte Attribute sowohl für das Produktionsland als auch für die Stadt der Produktion verwenden.
6. Wie funktionieren Vorschläge?
Vorschläge sind eine Kombination aus Nutzerabfragen, neu geschriebenen Abfragen und Produktnamen usw. Um qualitativ hochwertige Vorschläge zur automatischen Vervollständigung zu generieren, sollte neben dem Katalog eine ausreichende Anzahl von Suchereignissen aufgenommen werden.
Vorhersageergebnisse
1. Ist die Anzahl der Vorhersagen begrenzt, die ich zurückgeben kann?
Standardmäßig gibt eine Vorhersageanfrage 20 Artikel in der Antwort zurück. Dies kann erhöht oder verringert werden, wenn Sie einen Wert für pageSize senden.
Wenn Sie mehr als 100 Artikel zurückgeben müssen, wenden Sie sich an den Google-Support, um das Limit zu erhöhen. Beachten Sie jedoch, dass die Rückgabe von mehr als 100 Artikeln die Antwortlatenz erhöhen kann.
2. Kann ich die Gründe dafür sehen, warum ein Modell eine bestimmte Produktempfehlung abgegeben hat?
Derzeit nicht.
3. Kann ich Vorhersageergebnisse herunterladen und im Cache speichern?
Da sich die Vorhersageergebnisse in Echtzeit als Reaktion auf Nutzeraktivitäten auf Ihrer Website verbessern, empfehlen wir die Verwendung von im Cache gespeicherten Vorhersagen nicht. Die Modelle werden täglich neu trainiert, um Änderungen an Ihrem Katalog aufzunehmen und auf neue Trends in Nutzerereignissen zu reagieren. Dies führt auch zu Änderungen der Ergebnisse.
4. Ich muss die zurückgegebenen Empfehlungen basierend auf einer Geschäftsregel neu anordnen. Wird dies unterstützt?
Ja. Sie können die zurückgegebenen Empfehlungen anhand Ihrer Geschäftsregeln neu sortieren. Beachten Sie jedoch, dass die Neuordnung oder Filterung empfohlener Ergebnisse die Gesamteffizienz des Modells beeinträchtigen kann, was die Erreichung des von Ihnen gewählten Optimierungsziels betrifft.
Beim Preis-Reranking werden relevante hochpreisige Artikel zuerst in den zurückgegebenen Empfehlungen angeordnet. Diese Funktion ist als integrierte Anpassung für die Modelle „Andere Videos, die Ihnen gefallen könnten“ und „Empfehlungen für mich“ verfügbar.
Siehe Preis-Reranking.
5. Gibt es Einschränkungen für die Anzahl der Filter-Tags, die ich erstellen und verwenden kann?
Die Anzahl der Tags, die Sie erstellen oder verwenden können, ist unbegrenzt. Das System ist jedoch nicht für die Verarbeitung vieler Filter-Tags pro Artikel ausgelegt. Wir empfehlen, Filter-Tags auf maximal 10 pro Katalogartikel zu beschränken, wenn dies möglich ist. Im gesamten Katalog können mehr als 10 Werte verwendet werden. Dies ist eine Grenze pro Artikel. Das Limit für die Gesamtzahl der Tags (die Summe aller Tags pro Artikel) beträgt 100.000.000.
Weitere Informationen finden Sie in der Dokumentation zu Kontingenten und Limits in Vertex AI Search for Retail.
6. Kann ich die Empfehlungen diversifizieren?
Ja. Die Diversifizierung kann als Teil der Bereitstellungskonfiguration oder in den Parametern der Vorhersageanfrage angegeben werden. Bei niedriger Diversifizierung können Vorhersagen ähnliche Artikel in derselben Kategorie enthalten. Bei einer höheren Diversifizierung enthalten die Ergebnisse Artikel aus anderen Kategorien.
7. Kann ich Empfehlungen nach Preis priorisieren?
Ja. Beim Preis-Reranking werden die empfohlenen Katalogartikel mit einer ähnlichen Empfehlungswahrscheinlichkeit nach Preis sortiert, wobei die Artikel mit dem höchsten Preis zuerst aufgelistet werden. Die Relevanz wird auch noch für die Bestellung von Artikeln verwendet. Das Aktivieren des Preis-Rerankings entspricht also nicht der Sortierung nach Preis. Das Preis-Reranking kann als Teil der Bereitstellungskonfiguration oder in den Parametern der Vorhersageanfrage angegeben werden.
Modelle
1. Ich habe meinen Katalog und meine Ereignisse hochgeladen, erhalte aber immer noch die folgende Antwort, wenn ich die Prediction API aufrufe: „Empfehlungsmodell ist nicht bereit. Sie können "dryRun" in der Vorhersageanfrage zu Integrationszwecken auf "true" setzen, wodurch beliebige Katalogartikel aus Ihrem Katalog zurückgegeben werden. Verwenden Sie diese NICHT für den Produktionstraffic."
Dies bedeutet normalerweise, dass das Modell nicht trainiert wurde. Wenn seit dem Erstellen des Modells mehr als 10 Tage vergangen sind und Sie diese Antwort weiterhin erhalten, wenden Sie sich an den Support.
2. Wie lange dauert das Trainieren eines Modells?
Das anfängliche Training und die Feinabstimmung des Modells dauern 2 bis 5 Tage, bei großen Datasets kann dies jedoch auch länger dauern. Anschließend werden Modelle automatisch täglich neu trainiert, sofern sie nicht deaktiviert sind. Weitere Informationen finden Sie unter Training für ein Modell anhalten und fortsetzen.
3. Kann ich das Modell herunterladen oder exportieren?
Nein.
4. Kann ich Modelle, die ich in einem vorhandenen Projekt erstellt habe, in einem neuen Projekt verwenden?
Nein. Sie müssen die Modelle im neuen Projekt erstellen und neu trainieren.
5. Ich möchte ein Modell für meine Kategorieseiten verwenden. Ist das möglich?
Ja. Die Empfehlung für Sie ist auf Kategorieseiten hilfreich.
Eine Kategorieseite ähnelt einer Startseite, mit der Ausnahme, dass nur Artikel aus dieser Kategorie angezeigt werden.
Sie können dies mithilfe eines standardmäßig für Sie empfohlenen Modells mit Filter-Tags erreichen.
Beispielsweise können Sie den Artikeln in Ihrem Katalog benutzerdefinierte Filter-Tags (entsprechend den einzelnen Kategorieseiten) hinzufügen. Legen Sie in der Vorhersageanfrage das Nutzerereignisobjekt als category-page-view fest und geben Sie im Feld filter das Tag einer bestimmten Kategorieseite an. Es werden nur Empfehlungsergebnisse zurückgegeben, die mit dem angeforderten Filter-Tag übereinstimmen. Die Diversität sollte in diesem Anwendungsfall deaktiviert werden, da Diversität mit kategoriebasierten Filter-Tags in Konflikt stehen kann.
6. Kann ich die Personalisierung für meine Modelle deaktivieren?
Standardmäßig werden Vorhersageergebnisse für die Empfehlungsmodelltypen Andere Empfehlungen, Für Sie empfohlen und Noch einmal kaufen vom Nutzer personalisiert.
Es wird nicht empfohlen, die Personalisierung zu deaktivieren, da es sich negativ auf die Modellleistung auswirken kann.
Wenn Sie Katalogartikel anzeigen möchten, die für das aufgerufene Produkt relevant sind und nicht anhand der bisherigen Interaktionen des Nutzers mit Ihrer Website, können Sie nicht personalisierte Empfehlungen erhalten, indem in einer Vorhersageanfrage eine zufällige eindeutige Besucher-ID verwendet wird. Achten Sie darauf, dass Sie dies nur für Anfragen an Bereitstellungskonfigurationen tun, die Sie nicht personalisieren möchten.
Search for Retail-Konsole
1. Ich habe einige Ereignisse dauerhaft gelöscht, aber im Dashboard wird weiterhin die Anzahl für diese Ereignistypen angezeigt.
Dies ist zu erwarten. Das Dashboard von Search for Retail zeigt die Anzahl der Ereignisse, die über einen bestimmten Zeitraum aufgenommen wurden, nicht die aktuelle Anzahl oder Anzahl der Ereignisse an.
Im Allgemeinen sollten Sie Nutzerereignisse aufbewahren, nachdem sie aufgezeichnet wurden. Es wird nicht empfohlen, Ereignisse dauerhaft zu löschen. Wenn Sie Nutzerereignisse vollständig zurücksetzen möchten, sollten Sie stattdessen ein neues Projekt erstellen.
Wenn Sie Ereignisse, die nicht ordnungsgemäß aufgezeichnet wurden, dauerhaft löschen müssen, lesen Sie die Dokumentation unter Nutzerereignisse entfernen. Das dauerhafte Löschen eines Ereignisses kann mehrere Tage dauern.
2. Woher weiß ich, ob mein Katalog oder meine Nutzerereignisse fehlerhaft sind?
Die meisten API-Aufrufe für Katalogartikelaktualisierungen oder Nutzerereignisse geben einen Fehler zurück, wenn ein Syntaxproblem auftritt oder die Anfrage aus irgendeinem Grund nicht verarbeitet werden kann.
Das Dashboard von Search for Retail zeigt den Prozentsatz nicht verknüpfter Ereignisse an. Dies ist auch ein nützlicher Messwert, um Katalog- oder Ereignisprobleme zu erkennen. Nicht verbundene Ereignisse (oder nicht verbundene Vorhersageaufrufe) treten auf, wenn eine Artikel-ID angegeben ist, die nicht im Katalog enthalten ist. Dies bedeutet in der Regel, dass der Katalog veraltet ist und die neuen oder geänderten Katalogartikel hochgeladen werden müssen. Dies kann aber auch darauf zurückzuführen sein, dass fehlerhafte Artikel-IDs übergeben werden. Prüfen Sie Ihre Anfragen, um sicherzustellen, dass die Artikel-IDs korrekt dem Katalog zugeordnet sind. Prüfen Sie dann den hochgeladenen Katalog, um sicherzustellen, dass die Artikel vorhanden sind.
Mit Cloud Monitoring und Cloud Logging kann der Status von Ereignissen überwacht werden. Sie können beispielsweise Warnungen erhalten, wenn über einen bestimmten Zeitraum keine Ereignisse auftreten oder wenn Vorhersageaufrufe unter einen bestimmten Schwellenwert fallen.
3. Warum werden meine Konfigurationen für die Bereitstellung von Empfehlungen als inaktiv angezeigt? Wie aktiviere ich sie?
Wenn Sie Konfigurationen für die Bereitstellung von Empfehlungen verwenden möchten, müssen Sie zuerst Katalog- und Nutzerereignisdaten senden, um das entsprechende Modell zu trainieren. Sobald ein Modell trainiert wurde, zeigt das Dashboard an, dass das Modell abgefragt werden kann.
4. In welcher Währung werden Umsatzmesswerte von Search for Retail erfasst?
Search for Retail meldet Messwerte in der Währung, die in Ihren hochgeladenen Daten verwendet wird. Vertex AI Search for Retail unterstützt nicht die Verwendung mehrerer Währungen pro Katalog und wandelt keine Währungen um.
Wenn Sie vorhaben, die Search for Retail-Konsole zum Abrufen Ihrer Umsatzmesswerte zu verwenden, müssen Sie für alle Ereignisse eine einzige Währung verwenden oder sie alle in dieselbe Währung umrechnen, bevor Sie sie in Vertex AI Search for Retail hochladen.