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 mehr? Beispielcode?
Ja. Im Clientbibliothek-Leitfaden finden Sie hier finden Sie Informationen zur Einrichtung und Referenzen für die einzelnen Bibliotheken.
Die Google API Discovery-Dienst können auch anstelle von REST-Rohaufrufen verwendet werden.
2. Sind alle Empfehlungsmodelle personalisiert?
Die Modelle „Empfehlungen für mich“, „Andere Personen, die Ihnen gefallen könnten“ und „Noch einmal kaufen“ liefern personalisierte Empfehlungen, wenn mit dem User-Verlauf. Die Modelle „Häufig zusammen gekauft“ und „Ähnliche Artikel“ sind personalisiert.
Siehe Empfehlungsmodelle.
3. Erhalte ich sofort personalisierte Empfehlungen oder muss ich warten Sie, bis sich diese mit der Zeit verbessern?
Empfehlungen werden verbessert, je mehr Nutzerverlauf Sie erfassen. Das Modell „Empfehlungen für mich“ beliebte Produkte und das Modell „Others You May Like“ ähnliche Produkte hauptsächlich auf den Ansichten anderer. Bei beiden Modellen wird das Nutzerverhalten sofort berücksichtigt. Daher ist es wichtig, Echtzeitereignisse zu senden. Weitere Informationen finden Sie unter Empfehlungsmodelle
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 einschließen möchten, können Sie auch andere Text- oder Informationen, die als benutzerdefinierte Attribute nützlich sein können. Dieses werden die Daten nach der erneuten Abstimmung vom Modell verwendet.
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 geben, die auf dem Ereignisverlauf einer Gruppe von Nutzern basieren? anstatt auf den Verlauf eines einzelnen Nutzers?
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. In der Vorhersagevorschau wird auch ein Bild verwendet. URLs zum Anzeigen der Bilder, wenn Sie die Vorhersageergebnisse eines Modells in der Search for Retail-Konsole.
7. Mein Unternehmen betreibt keine E-Commerce-Website für den Einzelhandel. Kann ich weiterhin Empfehlungen für die Vorhersage von x,y,z?
Unsere Kunden nutzen Contentempfehlungen, Empfehlungen, Videostreaming und Gaming und andere Anwendungsfälle. 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 Artikel, die dir gefallen könnten“ sind Artikel-IDs erforderlich. Diese sollten also für folgende Zwecke verwendet werden: Empfehlungen, z. B. anhand einer Produkt-ID oder von Artikeln in einem Einkaufswagen. Häufig zusammen gekauft funktioniert in der Regel am besten auf Seiten zum Hinzufügen von Artikeln zum Einkaufswagen oder zum Bezahlen, während andere Artikel, die Ihnen gefallen könnten und Ähnliche Artikel funktionieren am besten auf Produktdetailseiten. "Für Sie empfohlen" kann auf da nur eine Besucher-ID eingegeben werden muss, die Seite aber als Startseite dient. Konfiguration der Seitenbereitstellung. Die Funktion „Noch einmal kaufen“ kann auf jeder Seite platziert werden.
9. Kann ich Empfehlungen für Empfehlungen in E-Mails verwenden? Newsletter?
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 für den Einzelhandel 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. Außerdem benötigen einen ähnlichen Mechanismus, um Echtzeitereignisse zu senden.
11. Ich habe keine Ereignisdaten für mehr als 3 Monate. Kann ich weiterhin Vertex AI Search for Retail? 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 trotzdem ein Modell vom Typ „Ähnliche Artikel“ erstellen und trainieren, wenn 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, wenn die Produktseiten mindestens drei Monate lang aufgerufen wurden, Startseite Seitenaufrufe und Ereignisse vom Typ „In den Einkaufswagen“ für alle Modelle und idealerweise ein bis zwei Jahre der bisherigen Käufe für das Modell „Häufig zusammen gekauft“
Ein bis zwei Wochen lang Aufrufe von Detailseiten können ausreichen, um mit dem Training zu weiteren Themen zu beginnen, die dir gefallen könnten. und „Für Sie empfohlen“-Modelle. Die Optionen „Häufig zusammen gekauft“ und „Noch einmal kaufen“ erfordern in der Regel mehr. sind normalerweise weniger Käufe pro Tag als Seitenaufrufe. Modellqualität mit mehr Daten erheblich verbessert werden; führt der Mindestbetrag möglicherweise nicht optimale Ergebnisse erzielen. 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“ gibt derzeit nur Produktempfehlungen zurück. Sie können aber die Kategorien für jedes Produkt abrufen, die als Teil der Ergebnisse zurückgegeben werden.
13. Haben Sie Integrationen zum Hochladen von Daten aus SQL-Datenbanken oder anderen 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. Alle Ereignisse, die an muss für Vertex AI Search for Retail eine Besucher-ID angegeben werden. aus einem Cookie entfernen.
15. Brauche ich ein eigenes Google Cloud-Projekt?
Sie können ein neues, dediziertes Projekt 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. Sie sollten ein Dienstkonto verwenden, in Ihrer Umgebung verfügbar sind. Andernfalls erhalten Sie möglicherweise eine Fehlermeldung wie die folgende: "Ihre Anwendung wurde mit Endnutzeranmeldedaten des Google Cloud SDK oder Google Cloud Shell, 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 der Vertex AI Search für den Einzelhandel mit denen anderer Produkte 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 migriert
für Vertex AI Search for Retail. Sie haben die Recommendations Engine API während
in der Betaphase war, empfehlen wir, Ihre Empfehlungen
Vertex AI Search for Retail (Dienstendpunkt https://retail.googleapis.com),
nämlich GA.
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 sowie in den 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 das Merchant Center über die Console verknüpfen, damit der zugehörige Katalog werden automatisch synchronisiert.
- 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, neue Elemente schnell 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 Importieren 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 eine verwenden? Katalog für alle meine Daten?
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, innerhalb desselben Projekts. Wenn Sie jedoch Entitäten verwenden, können Sie die Funktionsweise der Suche, Empfehlungen und der automatischen Vervollständigung für ein bestimmtes Element festlegen. in einem bestimmten Land.
Wenn sich die Kataloge zwischen den Websites erheblich unterscheiden, empfehlen wir, für jede Website ein separates Projekt erstellen. Wenn die Länder unterschiedliche sprachen, empfehlen wir, für jede Sprache ein eigenes Projekt zu erstellen.
Wenn ähnliche Websites im Vergleich zur Haupt-Website wenig Traffic haben, ist es am besten, einen einzigen Katalog zu verwenden, wenn nicht genügend Ereignisse vorhanden sind, qualitativ hochwertiger Modelle für alle Websites.
Wenn Sie einen einzelnen Katalog verwenden möchten, sollten die Katalogartikel-IDs einheitlich sein, d.h. die sollte es auf allen Websites eine einzige Artikel-ID haben, damit keine Produktduplizierung im Katalog.
Bei Empfehlungen können Sie alternativ zur Verwendung von Entitäten nach einem
bestimmte Website mithilfe von Filtern. Filter können jedoch
bis acht Stunden aktualisiert werden.
Wenn also eine länderspezifische Verfügbarkeit (von
Bestand) erfordern, müssen sie normalerweise von einer Geschäftsregel bearbeitet werden, die
filtert die Ergebnisse nach der Vorhersageantwort heraus. 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. Veranstaltungen müssen mit einer einzigen Währung hochgeladen werden.
Wenn Sie vorhaben, Search for Retail-Konsole zum Abrufen Ihres Umsatzes müssen Sie für alle Ereignisse eine einzige Währung verwenden oder sie in alle dieselbe Währung verwenden, bevor Sie sie hochladen.
8. Ich habe mehrere Websites mit einem freigegebenen Katalog oder ähnlichen Artikeln. Kann Empfehlungen websiteübergreifende Empfehlungen liefern?
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, um nur websitespezifische Elemente für eine bestimmte Vorhersageaufruf.
Wenn die Websites nur wenige oder überhaupt keine Katalogartikel 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 Vorhersageergebnisse zurückgegeben werden, indem Sie returnProduct:true angeben. Sie können also für das Rendering von Ergebnissen hilfreich sein. Bilder und Artikelattribute werden für die Vorhersagevorschau verwendet
in der Search for Retail-Konsole.
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. Bild-URLs ermöglichen auch eine Vorhersagevorschau
um die Bilder anzuzeigen, wenn Sie die Vorhersageergebnisse eines Modells in der
Search for Retail-Konsole.
11. Welche Sprachen werden für meine Produkte unterstützt?
Empfehlungen:Unterstützt die meisten Sprachen. Das Modell die Textsprache automatisch erkennt. Hier finden Sie eine Liste aller Sprachen, automatisch erkannt werden, siehe Compact Language Detector GitHub README-Datei.
search: Unterstützt folgende Sprachen: Arabisch, Deutsch, Englisch, Französisch, Italienisch, Japanisch, Koreanisch, Niederländisch, Polnisch, Portugiesisch, Spanisch und Türkisch. Die Sprache legen Sie beim Hochladen des Katalogs fest. Die Der Katalog sollte nur in einer Sprache vorliegen und die Anfragen sollten im dieselbe Sprache. Durch den mehrsprachigen Katalog wird das Modell beeinträchtigt. die Leistung. Wenn der Katalog beispielsweise auf Spanisch ist, die Suchanfrage aber auf Englisch ist, wird die Abfrage nicht ins Spanische übersetzt.
<ph type="x-smartling-placeholder"></ph>
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?
Hier finden Sie eine Liste der Nutzerereignistypen. sowie Anforderungen an 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 für Daten auf. Qualitätsmesswerte zu Ihrem aufgenommenen Katalog und Ihren Nutzerereignissen.
3. Ist eine Verknüpfung mit Google Analytics 360 möglich?
Sie können Verlaufsdaten aus Google Analytics 360 (GA360) verwenden. Ähnlich wie können Merchant Center-Daten und Google Analytics 360-Daten BigQuery und dann Vertex AI Search for Retail die Ereignisse direkt von BigQuery aus.
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. Bietet sie alle die benötigten Nutzerereignisse?
In Google Analytics 360 werden nativ alle Nutzerereignisse unterstützt, die von Vertex AI Search für den Einzelhandel, mit Ausnahme von Suchereignissen. Sie können weiterhin Suchanfragen importieren, Nutzerereignisse aus Analytics 360 erstellen. Vertex AI Search for Retail erstellt das Nutzerereignis für die Suche aus Suchanfragen und falls vorhanden, 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 eine Modell? 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“, die keinen Wert für Umsatz oder Menge. 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 weiterhin Vertex AI Search for Retail?
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 kann ich Kontext hinzufügen, z. B. den Shop, in dem die Nutzenden einkaufen, als Teil auf die Suchanfrage hin?
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. sowohl Verfügbarkeit als auch Preis?
Ja, [boostSpec] erlaubt komplexe Rankingregeln.
5. Ist es möglich, einige Attribute zu gruppieren, um Ergebnisse mit mehrere Attribute? 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 sehen, warum ein Modell ein bestimmtes Produkt hergestellt hat? Empfehlung?
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 auf Grundlage 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 an erster Stelle in der zurückgegebene Empfehlungen und steht als integrierte Anpassung Andere Modelle, die Ihnen gefallen könnten, und für Sie empfohlene Modelle.
Siehe Preis-Reranking.
5. Gibt es Beschränkungen für die Anzahl der Filter-Tags, die ich erstellen kann und verwenden?
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 hochgeladen und aber ich erhalte diese Antwort immer noch, Prediction API aufrufen: „Recommendation model is not ready. 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, für große Datasets länger. 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 in der neuen Version erstellen und neu trainieren. Projekt arbeiten.
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 die Vorhersageergebnisse vom Nutzer für die Weitere Empfehlungen, Empfehlungen für mich und Noch einmal kaufen.
Es wird nicht empfohlen, die Personalisierung zu deaktivieren, da es sich negativ auf die Modellleistung auswirken kann.
Wenn Sie Katalogartikel zeigen möchten, die für das angezeigte Produkt relevant sind, als auf früheren Interaktionen des Nutzers mit Ihrer Website, können nicht personalisierte Empfehlungen erhalten, indem eine zufällige eindeutige Besucher-ID in um eine Vorhersageanfrage zu erhalten. Achten Sie darauf, dass Sie dies nur für Anfragen an Bereitstellungskonfigurationen tun, die Sie nicht personalisieren möchten.
Search for Retail-Konsole
1. Ich habe mehrere Ereignisse dauerhaft gelöscht, aber im Dashboard werden immer noch die Anzahlen für diese Ereignistypen.
Dies ist zu erwarten. Das Search for Retail-Dashboard zeigt die Anzahl der Ereignisse, die über einen bestimmten Zeitraum aufgenommen wurden wird die aktuelle Anzahl nicht angezeigt oder die Anzahl der Ereignisse.
Im Allgemeinen sollten Sie Nutzerereignisse aufbewahren, nachdem sie aufgezeichnet wurden. Es wird nicht empfohlen, Ereignisse dauerhaft zu löschen. Wenn Sie Nutzerereignisse vollständig zurücksetzen möchten, erstellen Sie stattdessen ein neues Projekt.
Wenn Sie Ereignisse, die nicht ordnungsgemäß aufgezeichnet wurden, dauerhaft löschen müssen, sehen Sie sich die Nutzerereignisse entfernen Das dauerhafte Löschen eines Ereignisses mehrere Tage dauern kann.
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, 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 Empfehlungsbereitstellung verwenden möchten, müssen Sie zuerst Katalog und Nutzerereignisdaten, um die entsprechenden model. 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-Berichte Messwerte in der Währung, die verwendet wird in Ihre hochgeladenen Daten. Vertex AI Search for Retail unterstützt nicht die Verwendung mehrerer Währungen pro Katalog an und rechnet keine Währungen um.
Wenn Sie die Search for Retail-Konsole verwenden möchten, um Ihre müssen Sie für alle Ereignisse eine einzige Währung verwenden oder in Vertex AI Search for Retail hochladen.