추천 모델 정보

이 페이지에서는 기본 서빙 구성 및 최적화 목표, 사용 가능한 맞춤설정, 지원되는 이벤트 유형과 함께 추천 모델을 설명합니다.

소개

소매업용 Vertex AI Search를 사용하기 위해 가입할 때 소매업용 Vertex AI Search 지원팀과 협력하여 사이트에 사용할 최적의 추천 모델 및 맞춤설정을 결정합니다. 사용하는 모델 및 맞춤설정은 비즈니스 요구사항과 결과 추천을 표시할 위치에 따라 달라집니다.

추천을 요청하면 placement 리소스에 서빙 구성 값을 제공합니다. (서빙 구성을 위해 placement 리소스 사용에 대한 자세한 내용과 이전에 모델을 배치하는 데 사용된 배치 지원에 대한 자세한 내용은 서빙 구성 정보를 참조하세요.) 서빙 구성은 추천을 반환하는 데 사용되는 모델을 결정합니다. 또한 결과를 필터링할 수도 있습니다.

추천 모델 유형

추천 모델 유형은 다음과 같습니다.

내가 좋아할 만한 기타 항목

내가 좋아할 만한 기타 항목 추천은 사용자가 관심을 보이거나 전환할 가능성이 가장 높은 다음 제품을 예측합니다. 예측은 사용자의 쇼핑/조회 기록 및 후보 제품과 현재 지정된 제품의 관련성을 토대로 이루어집니다.

기본 최적화 목표: 클릭률

기본 서빙 구성: 해당 사항 없음

사용 가능한 맞춤설정:

모델 배포에 지원되는 페이지:

자주 함께 구매하는 항목(쇼핑 장바구니 확장)

자주 함께 구매하는 항목 추천은 동일한 쇼핑 세션 내에서 특정 제품과 자주 함께 구매하는 항목을 예측합니다. 제품 목록이 조회되면 해당 제품 목록과 함께 자주 구매한 상품을 예측합니다.

이 추천은 사용자가 이미 특정 제품(또는 제품 목록)을 구매하겠다는 의도를 표시한 경우에 대체 상품이 아닌 보완 제품을 추천하려는 경우에 유용합니다. 이 추천은 일반적으로 '장바구니에 추가' 페이지 또는 '장바구니' 또는 '레지스트리' 페이지에 표시됩니다(장바구니 확장의 경우).

기본 최적화 목표: 주문당 수익

기본 서빙 구성: 해당 사항 없음

사용 가능한 맞춤설정:

모델 배포에 지원되는 페이지:

추천 서비스

추천 서비스 추천은 사용자의 쇼핑 또는 조회 기록 및 타임스탬프와 같은 요청의 컨텍스트 정보를 기준으로 사용자가 관심을 보이거나 구매할 가능성이 가장 높은 다음 제품을 예측합니다. 이 추천은 일반적으로 홈페이지에서 사용됩니다.

추천 서비스는 카테고리 페이지에도 유용할 수 있습니다. 카테고리 페이지는 해당 카테고리의 상품만 표시한다는 점을 제외하면 홈페이지와 유사합니다. 이는 필터 태그가 있는 표준 추천 서비스 모델을 사용하여 수행할 수 있습니다. 예를 들어 카탈로그의 항목에 맞춤설정된 필터 태그(각 카테고리 페이지에 해당)를 추가할 수 있습니다. 예측 요청을 전송할 때 사용자 이벤트 객체를 category-page-view로 설정하고 filter 필드에 특정 카테고리 페이지의 태그를 지정합니다. 요청된 필터 태그와 일치하는 추천 결과만 반환됩니다. 다양성은 카테고리 기반 필터 태그와 충돌할 수 있으므로 이 사용 사례에서는 다양성을 사용 중지해야 합니다.

기본 최적화 목표: 클릭률

기본 서빙 구성: 해당 사항 없음

사용 가능한 맞춤설정:

모델 배포에 지원되는 페이지:

  • 전체

유사 항목

유사 항목 추천은 고려 중인 제품과 속성이 거의 동일한 다른 제품을 예측합니다 이 권장사항은 일반적으로 제품 세부정보 페이지에서 또는 권장 제품의 재고가 없을 때 사용됩니다.

유사 항목 모델에는 제품 카탈로그의 정보만 필요하고, 사용자 이벤트는 필요하지 않습니다.

유사 항목 모델은 조정할 수 없습니다.

프로젝트당 유사 항목 모델 1개만 만드는 것이 좋습니다. 유사 항목 모델은 맞춤설정할 수 없기 때문에 동일한 사용자 이벤트를 기반으로 여러 유사 항목 모델을 만들어도 다른 추천이 생성되지 않으며 불필요한 비용이 발생할 수 있습니다.

기본 최적화 목표: 클릭률

기본 서빙 구성: 해당 사항 없음

사용 가능한 맞춤설정: 해당 사항 없음

모델 배포에 지원되는 페이지:

다시 구매하기

다시 구매하기 모델은 이전 반복 구매를 기준으로 항목을 다시 구매하도록 권장합니다. 이 맞춤형 모델은 이전에 한 번 이상 구매한 제품과 일반적으로 정기적으로 구매하는 제품을 예측합니다. 제품이 추천되는 간격은 제품 및 사이트 방문자에 따라 다릅니다. 이 모델의 추천은 모든 페이지 유형에서 사용할 수 있습니다.

다시 구매하기 모델은 구매 완료 사용자 이벤트를 사용합니다.

다시 구매하기 모델은 조정할 수 없습니다.

프로젝트당 다시 구매하기 모델 1개만 만드는 것이 좋습니다. 다시 구매하기 모델은 맞춤설정할 수 없으므로 동일한 사용자 이벤트를 기반으로 다시 구매하기 모델을 여러 개 만들면 다른 권장사항이 생성되지 않으며 불필요한 비용이 발생할 수 있습니다.

기본 최적화 목표: 해당 사항 없음

기본 서빙 구성: 해당 사항 없음

사용 가능한 맞춤설정: 해당 사항 없음

모델 배포에 지원되는 페이지:

  • 전체

할인 판매 중

할인 판매 모델 유형은 할인 제품을 추천할 수 있는 맞춤설정된 프로모션 기반 모델입니다. 이 모델 유형을 사용하여 사용자가 할인 상품을 구매하도록 유도할 수 있습니다.

일반적으로 홈페이지, 장바구니에 추가 페이지, 장바구니 페이지, 카테고리 페이지, 세부정보 페이지에 사용됩니다.

기본 최적화 목표: 클릭률

기본 서빙 구성: 해당 사항 없음

사용 가능한 맞춤설정:

모델 배포에 지원되는 페이지:

최근에 본 항목

최근에 본 항목 추천은 엄밀히 말해 추천이 아닙니다. 사용자/방문자가 최근에 상호작용한 제품의 ID를 제공하며, 가장 최근 제품을 먼저 표시합니다.

기본 최적화 목표: 해당 사항 없음

기본 서빙 구성: recently_viewed_default

사용 가능한 맞춤설정: 해당 사항 없음

모델 배포에 지원되는 페이지:

  • 전체

페이지 수준 최적화

페이지 수준 최적화는 한 번에 단일 추천 패널에 대한 최적화에서 여러 패널이 있는 전체 페이지에 대한 최적화로 추천을 확장합니다. 페이지 수준 최적화 모델은 각 패널의 콘텐츠를 자동으로 선택하고 페이지의 패널 순서를 결정합니다.

예를 들어 홈페이지는 일반적으로 카테고리, 인기 항목 또는 최근에 본 제품과 같은 관련 그룹의 행으로 구성된 제품으로 구성됩니다. 홈페이지에서 페이지 수준 최적화 모델을 사용하면 최종 사용자에게 해당 페이지의 모델 조합 및 레이아웃 조정을 위한 결정 프로세스를 자동화하면서 맞춤설정된 추천 환경을 제공할 수 있습니다.

페이지 수준 최적화 모델을 만들려면 먼저 학습된 모델이 있는 기존 추천 서빙 구성이 있어야 합니다. 페이지 수준 최적화 모델을 만들 때 모델을 사용할 페이지 유형, 유사한 서빙 구성 제공을 제한하기 위해 적용할 제한사항, 최적화할 비즈니스 목표(CTR 또는 CVR), 표시할 권장 패널 수 및 각 패널에 대해 고려할 서빙 구성을 지정합니다.

다른 모델과 마찬가지로 페이지 수준 최적화 모델을 사용하려면 '페이지 수준 최적화' 모델을 포함하는 서빙 구성을 사용하여 예측 호출을 수행합니다. 예측 응답에 추천 대신 각 패널에 사용할 서빙 구성을 나타내는 서빙 구성 ID의 정렬된 목록이 포함됩니다. 그런 다음 페이지 수준 최적화 모델에서 반환된 해당 서빙 구성 ID를 사용하여 각 패널에 대해 새로운 예측 호출을 수행합니다. 각 패널의 예측 응답에는 해당 패널에 표시할 추천 항목 목록이 포함됩니다.

기본 최적화 목표: 해당 사항 없음

기본 서빙 구성: 해당 사항 없음

사용 가능한 맞춤설정: 해당 사항 없음

모델 배포에 지원되는 페이지:

  • 전체

이 기능을 사용 설정하는 경우

  • 설명 정보는 각 제품을 설명하는 내용이어야 하며 제품명과 별도의 고유한 정보나 단어를 포함해야 합니다.
  • 이 기능은 평균적으로 설명어가 10개 이상일 때 가장 효과적입니다.
  • 알 수 없는 item_id가 포함된 이벤트의 비율은 10% 미만이어야 합니다. ('조인되지 않은 비율'은 확인할 수 있습니다.) '조인되지 않은 비율'의 정의에 대해 자세히 알아보세요.

비즈니스 목표 최적화

모델 빌드 방법을 결정하는 특정 비즈니스 목표에 맞춰 최적화된 머신러닝 모델이 생성됩니다. 각 모델에는 기본 최적화 목표가 있지만 지원 담당자에게 문의하여 내 비즈니스 목표를 지원하는 다른 최적화 목표를 요청할 수 있습니다.

모델을 학습시킨 후에는 최적화 목표를 변경할 수 없습니다. 다른 최적화 목표를 사용하도록 새 모델을 학습시켜야 합니다.

소매업용 Vertex AI Search는 다음 최적화 목표를 지원합니다.

클릭률(CTR)

CTR에 맞게 최적화하면 참여를 강조할 수 있습니다. 사용자가 추천과 상호작용할 가능성을 극대화하도록 CTR에 맞게 최적화해야 합니다.

CTR은 내가 좋아할 만한 기타 항목 및 추천 서비스 추천 모델 유형의 기본 최적화 목표입니다.

세션당 수익

세션당 수익 최적화 목표는 '내가 좋아할 만한 기타 항목', '추천 서비스', '자주 함께 구매하는 항목' 추천 모델 유형에 사용할 수 있습니다. 각 모델마다 목표가 다르게 작동하지만 수익 증가 목적은 동일합니다.

  • 내가 좋아할 만한 기타 항목 및 추천 서비스. 이 목표는 클릭, 전환, 상품 가격의 정보를 결합하여 모델이 가격 및 구매 가능성이 더 높은 상품을 추천하도록 도와줍니다.

  • 함께 자주 구매되는 항목. 이 목표는 장바구니에 추가될 가능성이 더 높은 항목을 추천하여 장바구니 크기를 늘려 수익을 높이도록 최적화합니다.

전환율(CVR)

전환율에 맞게 최적화하면 사용자가 추천 항목을 장바구니에 추가할 가능성이 높아집니다. 세션당 장바구니에 추가되는 항목 수를 늘리려면 전환율에 맞게 최적화하세요.

고급 모델 구성 옵션

모델 유형에 따라 모델 동작을 변경하는 데 사용할 수 있는 모델 구성 옵션이 몇 가지 더 있습니다.

조정 환경설정

시간이 지나면서 입력 데이터가 변경될 때 미세 조정으로 최적의 모델 학습을 유지합니다. 3개월마다 자동으로 미세 조정되도록 모델을 설정하거나 수동으로만 미세 조정되도록 선택할 수 있습니다. 모델은 생성 후에 한 번 자동으로 미세 조정됩니다. 자세히 알아보기

비용 미세 조정에 대한 자세한 내용은 가격 책정을 참조하세요.

사용 가능한 서빙 구성 및 모델

모델에서 예측을 요청하려면 먼저 하나 이상의 서빙 구성을 만들어야 합니다. 자세한 내용은 서빙 구성 만들기를 참조하세요.

모델 페이지에서 나열된 모델을 확인할 수 있습니다. 모델 이름을 클릭하여 세부정보 페이지로 이동하고, 여기에서 해당 모델과 연관된 서빙 구성을 볼 수 있습니다.

컨텍스트 제품

추천 항목을 생성할 때 모델은 사용자가 추천 패널의 컨텍스트에서 이전에 상호작용한 제품을 고려합니다.

이러한 컨텍스트 제품은 사용자 이벤트의 일부로 predict 요청의 본문에 전달됩니다. 예를 들어 장바구니 페이지에 추천 패널이 있으면 predict 요청을 트리거하는 모든 shopping-cart-page-view 사용자 이벤트에는 해당 시점에 장바구니에 있는 제품이 포함되어야 합니다. 이러한 제품은 해당 추천의 컨텍스트 제품으로 사용됩니다.

자주 함께 구매하는 항목 모델을 만들 때 모델이 하나 이상의 항목 컨텍스트에서 추천을 생성할지 여부를 지정합니다. 어떤 옵션을 선택할지는 모델을 사용하려는 페이지 유형에 따라 다릅니다.

  • 여러 컨텍스트 제품(기본값): 자주 함께 구매하는 항목 모델은 1개 이상의 제품을 추천의 컨텍스트로 사용할 수 있습니다. 이 사용 사례는 일반적으로 해당 페이지에 제공되도록 추천을 제공할 수 있는 다양한 컨텍스트 제품이 있는 장바구니 페이지에 대한 것입니다.

  • 단일 컨텍스트 제품: 자주 함께 구매하는 항목 모델은 1개의 컨텍스트 제품만 사용할 수 있습니다. 이 사용 사례는 일반적으로 장바구니에 추가 페이지 및 제품 세부정보 페이지와 같이 추천에 대한 컨텍스트로 사용되는 단일 제품이 있는 페이지에 대한 것입니다.

    단일 컨텍스트 제품인 자주 함께 구매하는 항목 모델에서 predict 요청에 제품을 두 개 이상 전달하는 것은 실패하지 않지만 최적의 추천이 되지 않을 수 있으므로 권장하지 않습니다.