Tentang model rekomendasi

Halaman ini menjelaskan model rekomendasi dengan konfigurasi penayangan dan tujuan pengoptimalan defaultnya, penyesuaian yang tersedia, dan jenis peristiwa yang didukung.

Pengantar

Saat mendaftar untuk menggunakan Vertex AI Search untuk commerce, Anda akan bekerja sama dengan Dukungan Vertex AI Search untuk commerce guna menentukan model rekomendasi dan penyesuaian terbaik yang akan digunakan untuk situs Anda. Model dan penyesuaian yang Anda gunakan bergantung pada kebutuhan bisnis Anda, dan tempat Anda berencana menampilkan rekomendasi yang dihasilkan.

Saat meminta rekomendasi, Anda memberikan nilai konfigurasi penayangan ke resource placement. (Lihat Tentang konfigurasi inferensi untuk mengetahui detail tentang penggunaan resource placement untuk konfigurasi inferensi, dan tentang dukungan untuk penempatan, yang sebelumnya digunakan untuk menempatkan model.) Konfigurasi penayangan menentukan model mana yang digunakan untuk menampilkan rekomendasi Anda. Anda juga dapat memfilter hasil.

Jenis model rekomendasi

Berikut jenis model rekomendasi:

Produk Lain yang Mungkin Anda Sukai

Rekomendasi Orang Lain yang Mungkin Anda Suka memprediksi produk berikutnya yang kemungkinan besar akan diakses atau dikonversi oleh pengguna. Prediksi didasarkan pada histori belanja dan tampilan pengguna serta relevansi produk kandidat dengan produk tertentu saat ini.

Tujuan pengoptimalan default: rasio klik-tayang

Konfigurasi penayangan default: T/A

Penyesuaian yang tersedia:

Halaman yang didukung untuk deployment model:

Sering Dibeli Bersama (perluasan keranjang belanja)

Rekomendasi Sering Dibeli Bersama memprediksi item yang sering dibeli bersama untuk produk tertentu dalam sesi belanja yang sama. Jika daftar produk sedang dilihat, item yang sering dibeli bersama daftar produk tersebut akan diprediksi.

Rekomendasi ini berguna saat pengguna telah menunjukkan niat untuk membeli produk tertentu (atau daftar produk) dan Anda ingin merekomendasikan pelengkap (bukan pengganti). Rekomendasi ini biasanya ditampilkan di halaman add-to-cart, atau di halaman keranjang belanja atau halaman daftar keinginan (untuk perluasan keranjang belanja).

Tujuan pengoptimalan default: pendapatan per sesi

Konfigurasi penayangan default: T/A

Penyesuaian yang tersedia:

Halaman yang didukung untuk deployment model:

Direkomendasikan untuk Anda

Rekomendasi Direkomendasikan untuk Anda memprediksi produk berikutnya yang kemungkinan besar akan diakses atau dibeli oleh pengguna, berdasarkan histori tampilan atau belanja pengguna tersebut dan informasi kontekstual permintaan, seperti stempel waktu. Rekomendasi ini biasanya digunakan di halaman beranda.

Direkomendasikan untuk Anda juga dapat berguna di halaman kategori. Halaman kategori mirip dengan halaman beranda, tetapi Anda hanya menampilkan item dari kategori tersebut. Anda dapat melakukannya menggunakan model standar Direkomendasikan untuk Anda dengan tag filter. Misalnya, Anda dapat menambahkan tag filter yang disesuaikan (sesuai dengan setiap halaman kategori) ke item dalam katalog Anda. Saat Anda mengirim permintaan prediksi, tetapkan objek peristiwa pengguna sebagai category-page-view dan tentukan tag halaman kategori tertentu di kolom filter. Hanya hasil rekomendasi yang cocok dengan tag filter yang diminta yang ditampilkan. Keragaman harus dinonaktifkan dalam kasus penggunaan ini, karena keragaman dapat berkonflik dengan tag filter berbasis kategori.

Tujuan pengoptimalan default: rasio klik-tayang

Konfigurasi penayangan default: T/A

Penyesuaian yang tersedia:

Halaman yang didukung untuk deployment model:

  • Semua

Beli Lagi

Model Beli Lagi mendorong pembelian item lagi berdasarkan pembelian berulang sebelumnya. Model yang dipersonalisasi ini memprediksi produk yang sebelumnya telah dibeli setidaknya sekali dan yang biasanya dibeli secara rutin. Interval saat produk disarankan bergantung pada produk dan pengunjung situs. Rekomendasi dari model ini dapat digunakan pada jenis halaman apa pun.

Model Beli Lagi menggunakan peristiwa pengguna yang menyelesaikan pembelian.

Model Beli Lagi tidak dapat disesuaikan.

Sebaiknya buat hanya satu model Beli Lagi per project. Karena model Beli Lagi tidak dapat disesuaikan, membuat beberapa model Beli Lagi berdasarkan peristiwa pengguna yang sama tidak akan menghasilkan rekomendasi yang berbeda dan dapat menimbulkan biaya yang tidak perlu.

Tujuan pengoptimalan default: Tidak Ada

Konfigurasi penayangan default: T/A

Penyesuaian yang tersedia: T/A

Halaman yang didukung untuk deployment model:

  • Semua

Dijual

Jenis model Sedang promo adalah model berbasis promosi yang dipersonalisasi yang dapat merekomendasikan produk yang sedang promo. Anda dapat menggunakan jenis model ini untuk mendorong pengguna membeli item diskon.

Biasanya digunakan di halaman beranda, halaman tambahkan ke keranjang, halaman keranjang belanja, halaman kategori, dan halaman detail.

Tujuan pengoptimalan default: Rasio klik-tayang

Konfigurasi penayangan default: T/A

Penyesuaian yang tersedia:

Halaman yang didukung untuk deployment model:

Baru Dilihat

Rekomendasi Baru Dilihat sebenarnya bukan rekomendasi. API ini memberikan ID produk yang baru-baru ini berinteraksi dengan pengguna atau pengunjung, dengan produk terbaru terlebih dahulu.

Tujuan pengoptimalan default: Tidak Ada

Konfigurasi penayangan default: recently_viewed_default

Penyesuaian yang tersedia: T/A

Halaman yang didukung untuk deployment model:

  • Semua

Pengoptimalan Tingkat Halaman

Pengoptimalan Tingkat Halaman memperluas rekomendasi dari pengoptimalan untuk satu panel rekomendasi dalam satu waktu menjadi pengoptimalan untuk seluruh halaman dengan beberapa panel. Model Pengoptimalan Tingkat Halaman secara otomatis memilih konten untuk setiap panel dan menentukan urutan panel di halaman Anda.

Misalnya, halaman beranda biasanya disusun dengan produk yang diatur dalam baris kelompok terkait, seperti kategori, item trending, atau produk yang baru dilihat. Menggunakan model Pengoptimalan Tingkat Halaman di halaman beranda dapat memberikan pengalaman rekomendasi yang dipersonalisasi kepada pengguna akhir sekaligus mengotomatiskan proses pengambilan keputusan untuk mengoordinasikan kombinasi dan tata letak model untuk halaman tersebut.

Untuk membuat model Pengoptimalan Tingkat Halaman, Anda harus memiliki konfigurasi penayangan rekomendasi yang ada yang telah melatih model terlebih dahulu. Saat membuat model Pengoptimalan Tingkat Halaman, Anda menentukan jenis halaman yang akan menggunakan model, batasan yang akan diterapkan untuk membatasi penayangan konfigurasi penayangan serupa, tujuan bisnis yang akan dioptimalkan (CTR atau CVR), jumlah panel rekomendasi yang akan ditampilkan, dan konfigurasi penayangan yang akan dipertimbangkan untuk setiap panel.

Sama seperti model lainnya, untuk menggunakan model Pengoptimalan Tingkat Halaman, Anda membuat panggilan prediksi menggunakan konfigurasi penayangan yang berisi model "Pengoptimalan Tingkat Halaman". Sebagai ganti rekomendasi, respons prediksi berisi daftar ID konfigurasi penayangan yang diurutkan yang merepresentasikan konfigurasi penayangan yang akan digunakan untuk setiap panel. Kemudian, lakukan panggilan prediksi baru untuk setiap panel dengan ID konfigurasi penayangan yang sesuai yang ditampilkan dari model Pengoptimalan Tingkat Halaman. Respons prediksi untuk setiap panel berisi daftar item yang direkomendasikan untuk ditampilkan di panel tersebut.

Tujuan pengoptimalan default: Tidak Ada

Konfigurasi penayangan default: T/A

Penyesuaian yang tersedia: T/A

Halaman yang didukung untuk deployment model:

  • Semua

Saat Anda mengaktifkan fitur ini

  • Informasi deskripsi Anda harus menjelaskan setiap produk dan berisi informasi atau kata-kata unik yang terpisah dari judul.
  • Fitur ini berfungsi optimal jika rata-rata ada minimal 10 kata deskripsi.
  • Persentase peristiwa yang berisi item_id tidak diketahui harus di bawah 10 persen. (Rasio yang tidak digabungkan dapat diperiksa. Baca selengkapnya tentang definisi rasio tidak bergabung).

Pengoptimalan untuk tujuan bisnis

Model machine learning dibuat untuk mengoptimalkan tujuan bisnis tertentu, yang menentukan cara model dibangun. Setiap model memiliki tujuan pengoptimalan default, tetapi Anda dapat meminta tujuan pengoptimalan yang berbeda untuk mendukung sasaran bisnis Anda dengan menghubungi perwakilan dukungan.

Setelah melatih model, Anda tidak dapat mengubah tujuan pengoptimalan. Anda harus melatih model baru untuk menggunakan tujuan pengoptimalan yang berbeda.

Vertex AI Search untuk commerce mendukung tujuan pengoptimalan berikut.

Rasio klik-tayang (CTR)

Mengoptimalkan CTR menekankan engagement; Anda harus mengoptimalkan CTR jika ingin memaksimalkan kemungkinan pengguna berinteraksi dengan rekomendasi.

CTR adalah tujuan pengoptimalan default untuk jenis model rekomendasi Lainnya yang Mungkin Anda Sukai dan Direkomendasikan untuk Anda.

Pendapatan per sesi

Tujuan pengoptimalan pendapatan per sesi tersedia untuk jenis model rekomendasi "Lainnya yang Mungkin Anda Sukai", "Direkomendasikan untuk Anda", dan "Sering Dibeli Bersama". Meskipun tujuan berfungsi secara berbeda untuk setiap model, tujuannya tetap sama, yaitu meningkatkan pendapatan.

  • Untuk Lainnya yang Mungkin Anda Sukai dan Direkomendasikan untuk Anda. Tujuan ini menggabungkan informasi dari klik, konversi, dan harga item untuk membantu model merekomendasikan item yang memiliki harga lebih tinggi dan probabilitas lebih tinggi untuk dibeli.

  • Untuk Sering Dibeli Bersama. Tujuan ini mengoptimalkan rekomendasi item dengan probabilitas lebih tinggi untuk ditambahkan ke keranjang, sehingga meningkatkan pendapatan dengan memperluas ukuran keranjang.

Rasio konversi (CVR)

Mengoptimalkan rasio konversi akan memaksimalkan kemungkinan pengguna menambahkan item yang direkomendasikan ke keranjangnya; jika Anda ingin meningkatkan jumlah item yang ditambahkan ke keranjang per sesi, optimalkan rasio konversi.

Opsi konfigurasi model lanjutan

Bergantung pada jenis model, ada beberapa opsi konfigurasi model lainnya yang dapat Anda gunakan untuk mengubah perilaku model.

Preferensi penyesuaian

Penyesuaian menjaga pelatihan model tetap optimal seiring perubahan data input dari waktu ke waktu. Setel model Anda untuk otomatis menyesuaikan setiap tiga bulan, atau pilih untuk menyesuaikannya secara manual. Model ini otomatis disesuaikan satu kali setelah dibuat. Pelajari lebih lanjut.

Untuk mengetahui detail biaya penyesuaian, lihat Harga.

Konfigurasi dan model inferensi yang tersedia

Sebelum dapat meminta prediksi dari model, Anda harus membuat setidaknya satu konfigurasi penayangan untuk model tersebut. Untuk mengetahui informasi selengkapnya, lihat Membuat konfigurasi penayangan.

Anda dapat melihat model Anda yang tercantum di halaman Model. Klik nama model untuk membuka halaman detailnya, tempat Anda dapat melihat konfigurasi penayangan yang terkait dengan model tersebut.

Produk konteks

Saat membuat rekomendasi, model mempertimbangkan produk yang sebelumnya berinteraksi dengan pengguna dalam konteks panel rekomendasi.

Produk kontekstual ini diteruskan ke isi permintaan predict sebagai bagian dari peristiwa pengguna. Misalnya, jika ada panel rekomendasi di halaman keranjang belanja, setiap peristiwa pengguna yang memicu permintaan predict harus menyertakan produk yang ada di keranjang belanja pada saat itu.shopping-cart-page-view Produk ini digunakan sebagai produk konteks untuk rekomendasi tersebut.

Saat membuat model Sering Dibeli Bersama, Anda menentukan apakah model tersebut akan membuat rekomendasi dalam konteks satu atau beberapa item. Opsi yang Anda pilih bergantung pada jenis halaman yang Anda rencanakan untuk menggunakan model.

  • Beberapa produk konteks (default): Model Sering Dibeli Bersama dapat menggunakan satu atau beberapa produk sebagai konteks untuk rekomendasinya. Kasus penggunaan ini biasanya ditujukan untuk halaman keranjang belanja yang memiliki berbagai produk kontekstual yang dapat menginformasikan rekomendasi yang akan ditayangkan di halaman tersebut.
  • Produk konteks tunggal: Model Sering Dibeli Bersama hanya dapat menggunakan satu produk konteks. Kasus penggunaan ini biasanya ditujukan untuk halaman yang memiliki satu produk yang akan digunakan sebagai konteks untuk rekomendasi, seperti halaman penambahan item ke keranjang dan halaman detail produk.

    Meneruskan lebih dari satu produk dalam permintaan predict dari satu konteks model Produk yang Sering Dibeli Bersama tidak akan gagal, meskipun tidak direkomendasikan karena mungkin tidak menghasilkan rekomendasi yang optimal.