Personalisierte Filmempfehlungen erstellen

---

In dieser Anleitung wird gezeigt, wie Sie mit dem Dataset Movielens Ihren Produktkatalog und Nutzerereignisse in die Retail API hochladen und ein personalisiertes Produktempfehlungsmodell trainieren. Das MovieLens-Dataset enthält einen Katalog an Filmen (Produkten) und Nutzer-Filmbewertungen (Nutzerereignisse).

Wir behandeln jede positive Filmbewertung (Bewertung >= 4) als Ereignis für die Anzeige einer Produktseite. Wir trainieren ein Empfehlungsmodell des Typs „Andere Nutzer, das Ihnen gefallen könnte“, das Filmempfehlungen basierend auf einem beliebigen Nutzer oder einem Startfilm in unserem Dataset ausgibt.

Geschätzte Dauer:

• Erste Schritte für das Training des Modells: ca.1,5 Stunden.
• Warten auf das Modelltraining: ca. 2 Tage.
• Bewerten der Modellvorhersagen und Bereinigen: ca. 30 Minuten.

Lernziele

• Produkte und Nutzerereignisdaten aus BigQuery in die Retail API importieren
• Empfehlungsmodelle trainieren und bewerten

Kosten

In dieser Anleitung werden kostenpflichtige Komponenten von Google Cloud verwendet, darunter:

• Cloud Storage
• BigQuery
• Einzelhandel

Weitere Informationen zu Cloud Storage-Kosten erhalten Sie auf der Seite Cloud Storage – Preise.

Weitere Informationen zu den Kosten von BigQuery finden Sie auf der Seite BigQuery-Preise.

Weitere Informationen zu Retail-Kosten finden Sie auf der Seite Retail – Preise.

Hinweis

1. Melden Sie sich bei Ihrem Google Cloud-Konto an. Wenn Sie mit Google Cloud noch nicht vertraut sind, erstellen Sie ein Konto, um die Leistungsfähigkeit unserer Produkte in der Praxis sehen und bewerten zu können. Neukunden erhalten außerdem ein Guthaben von 300 $, um Arbeitslasten auszuführen, zu testen und bereitzustellen.

2. Wählen Sie in der Google Cloud Console auf der Seite der Projektauswahl ein Google Cloud-Projekt aus oder erstellen Sie eines.

   Hinweis: Wenn Sie die Ressourcen, die Sie in diesem Verfahren erstellen, nicht behalten möchten, erstellen Sie ein Projekt, anstatt ein vorhandenes Projekt auszuwählen. Wenn Sie fertig sind, können Sie das Projekt löschen und dadurch alle mit dem Projekt verknüpften Ressourcen entfernen.

   Zur Projektauswahl

3. Die Abrechnung für das Google Cloud-Projekt muss aktiviert sein. So prüfen Sie, ob die Abrechnung für ein Projekt aktiviert ist

4. Wählen Sie in der Google Cloud Console auf der Seite der Projektauswahl ein Google Cloud-Projekt aus oder erstellen Sie eines.

   Hinweis: Wenn Sie die Ressourcen, die Sie in diesem Verfahren erstellen, nicht behalten möchten, erstellen Sie ein Projekt, anstatt ein vorhandenes Projekt auszuwählen. Wenn Sie fertig sind, können Sie das Projekt löschen und dadurch alle mit dem Projekt verknüpften Ressourcen entfernen.

   Zur Projektauswahl

5. Die Abrechnung für das Google Cloud-Projekt muss aktiviert sein. So prüfen Sie, ob die Abrechnung für ein Projekt aktiviert ist

Dataset vorbereiten

Öffnen Sie die Google Cloud Console und wählen Sie Ihr Google Cloud-Projekt aus. Notieren Sie sich die Projekt-ID auf der Dashboard-Seite auf der Karte Projektinformationen. Diese Projekt-ID benötigen Sie für die folgenden Schritte. Klicken Sie als Nächstes oben in der Console auf die Schaltfläche Cloud Shell aktivieren.

Im unteren Bereich der Google Cloud Console wird ein neuer Frame für die Cloud Shell-Sitzung geöffnet, in dem eine Befehlszeilen-Eingabeaufforderung angezeigt wird.

Dataset importieren

1. Laden Sie in Cloud Shell das Quell-Dataset herunter und entpacken Sie es:

   wget https://files.grouplens.org/datasets/movielens/ml-latest.zip
   unzip ml-latest.zip
   

2. Erstellen Sie einen Cloud Storage-Bucket und laden Sie die Daten in diesen hoch:

   gsutil mb gs://PROJECT_ID-movielens-data
   gsutil cp ml-latest/movies.csv ml-latest/ratings.csv \
     gs://PROJECT_ID-movielens-data
   

3. Erstellen Sie ein BigQuery-Dataset:

   bq mk movielens
   

4. Laden Sie movies.csv in eine neue BigQuery-Tabelle für Filme:

   bq load --skip_leading_rows=1 movielens.movies \
     gs://PROJECT_ID-movielens-data/movies.csv \
     movieId:integer,title,genres
   

5. Laden Sie ratings.csv in eine neue BigQuery-Tabelle für Bewertungen:

   bq load --skip_leading_rows=1 movielens.ratings \
     gs://PROJECT_ID-movielens-data/ratings.csv \
     userId:integer,movieId:integer,rating:float,time:timestamp
   

BigQuery-Ansichten erstellen

1. Erstellen Sie eine Ansicht, die die Filme-Tabelle in das Retail-Produktkatalogschema konvertiert:

   bq mk --project_id=PROJECT_ID \
    --use_legacy_sql=false \
    --view '
    SELECT
      CAST(movieId AS string) AS id,
      SUBSTR(title, 0, 128) AS title,
      SPLIT(genres, "|") AS categories
    FROM `PROJECT_ID.movielens.movies`' \
   movielens.products
   

   Die neue Ansicht enthält jetzt das Schema, das von der Retail API erwartet wird. Wählen Sie dann in der linken Seitenleiste BIG DATA -> BigQuery aus. Maximieren Sie dann in der Explorerleiste links Ihren Projektnamen und wählen Sie movielens -> products aus, um die Abfrageseite für diese Ansicht zu öffnen.

   

2. Jetzt wandeln Sie Filmbewertungen in Nutzerereignisse um. Konkret werden wir Folgendes tun:

   • Negative Filmbewertungen ignorieren (<4)
   • Jede positive Bewertung als Aufruf einer Produktseite behandeln (detail-page-view)
   • Skalieren Sie die Movielens-Zeitachse auf die letzten 90 Tage. Hierfür gibt es zwei Gründe:
     • Retail API setzt voraus, dass die Nutzerereignisse nicht älter als von 2015 sind. MovieLens-Bewertungen reichen bis 1995 zurück.
     • Die Retail API verwendet die letzten 90 Tage von Nutzerereignissen, wenn Vorhersageanfragen für einen Nutzer verarbeitet werden. Jeder Nutzer hat scheinbar aktuelle Ereignisse, wenn wir später Vorhersagen für einen Nutzer treffen.

   Eine BigQuery-Ansicht erstellen. Der folgende Befehl verwendet eine SQL-Abfrage, die die oben aufgeführten Konvertierungsanforderungen für die Retail API erfüllt.

   bq mk --project_id=PROJECT_ID \
    --use_legacy_sql=false \
    --view '
    WITH t AS (
      SELECT
        MIN(UNIX_SECONDS(time)) AS old_start,
        MAX(UNIX_SECONDS(time)) AS old_end,
        UNIX_SECONDS(TIMESTAMP_SUB(
          CURRENT_TIMESTAMP(), INTERVAL 90 DAY)) AS new_start,
        UNIX_SECONDS(CURRENT_TIMESTAMP()) AS new_end
      FROM `PROJECT_ID.movielens.ratings`)
    SELECT
      CAST(userId AS STRING) AS visitorId,
      "detail-page-view" AS eventType,
      FORMAT_TIMESTAMP(
        "%Y-%m-%dT%X%Ez",
        TIMESTAMP_SECONDS(CAST(
          (t.new_start + (UNIX_SECONDS(time) - t.old_start) *
            (t.new_end - t.new_start) / (t.old_end - t.old_start))
        AS int64))) AS eventTime,
      [STRUCT(STRUCT(movieId AS id) AS product)] AS productDetails,
    FROM `PROJECT_ID.movielens.ratings`, t
    WHERE rating >= 4' \
   movielens.user_events
   

Produktkatalog und Nutzerereignisse in die Retail API importieren

Wir können jetzt den Produktkatalog und die Nutzerereignisdaten in die Retail API importieren.

1. Aktivieren Sie die Retail API für Ihr Google Cloud-Projekt.

   RETAIL API AKTIVIEREN

2. Klicken Sie auf Jetzt starten.

3. Rufen Sie in der Google Cloud Console die Seite „Einzelhandelsdaten“ auf.
   
   Zur Seite „Daten“

4. Klicken Sie auf Importieren.

Produktkatalog importieren

1. Füllen Sie das Formular aus, um Produkte aus der oben erstellten BigQuery-Ansicht zu importieren:

   • Wählen Sie den Importtyp aus: Produktkatalog.
   • Wählen Sie den Standardzweignamen aus.
   • Wählen Sie die Datenquelle aus: BigQuery.
   • Wählen Sie das Datenschema aus: Retail-Produktschema.

   • Geben Sie den Namen der Produkte ein, die Sie in BigQuery erstellt haben (PROJECT_ID.movielens.products).

     Hinweis: Der BigQuery-Ansichtsname wird aus der Ansichts-ID abgerufen, indem der Doppelpunkt (:) durch einen Punkt (.) ersetzt wird. Die ID der Datenansicht finden Sie auf der Seite BIG DATA -> BigQuery. Wählen Sie dazu im linken Menü die Ansicht aus und gehen Sie zum Tab DETAILS.

2. Klicken Sie auf Import (Importieren).

   Hinweis: Es kann einige Minuten dauern, bis die Retail API vollständig aktiviert ist. In diesem Schritt wird möglicherweise eine Fehlermeldung angezeigt, wenn die Aktivierung noch nicht abgeschlossen ist. Versuchen Sie es in diesem Fall einige Minuten später noch einmal.

3. Warten Sie fünf bis zehn Minuten, bis alle Produkte importiert sind.

   Sie können die Importaktivität auf den Status des Importvorgangs prüfen. Wenn der Import abgeschlossen ist, ändert sich der Status des Importvorgangs in Erfolgreich.

   

Nutzerereignisse importieren

1. Importieren Sie die BigQuery-Ansicht „user_events“:

   • Wählen Sie den Importtyp aus: Nutzerereignisse.
   • Wählen Sie die Datenquelle aus: BigQuery.
   • Wählen Sie das Datenschema aus: Schema für Nutzerereignisse in Retail.
   • Geben Sie den Namen der BigQuery-Ansicht user_events ein, die Sie oben erstellt haben.

2. Klicken Sie auf Import (Importieren).

3. Warten Sie, bis mindestens eine Million Ereignisse importiert wurden, bevor Sie mit dem nächsten Schritt fortfahren, um die Datenanforderungen für das Training eines neuen Modells zu erfüllen.

   Sie können die Importaktivität auf den Vorgangsstatus prüfen. Der Vorgang dauert etwa eine Stunde.

   

Empfehlungsmodelle trainieren und bewerten

Empfehlungsmodell erstellen

1. Rufen Sie in der Google Cloud Console die Seite „Einzelhandelsmodelle“ auf.
   
   Zur Seite "Modelle"

2. Klicken Sie auf Modell erstellen:

   • Geben Sie einen Namen für das Modell ein.
   • Wählen Sie Was Ihnen sonst noch gefallen könnte als Modelltyp aus.
   • Wählen Sie Klickrate (Click-through-Rate, CTR) als Geschäftsziel aus.

3. Klicken Sie auf Erstellen.

   

   Ihr neues Modell beginnt mit dem Training.

   

Bereitstellungskonfiguration erstellen

1. Rufen Sie in der Google Cloud Console die Seite „Konfigurationen für den Einzelhandel“ auf.
   
   Zur Seite "Bereitstellungskonfigurationen"

2. Klicken Sie auf Bereitstellungskonfiguration erstellen.

   • Wählen Sie Empfehlung aus.
   • Geben Sie der Bereitstellungskonfiguration einen Namen.
   • Wählen Sie das von Ihnen erstellte Modell aus.

3. Klicken Sie auf Erstellen.

Warten Sie, bis das Modell bereit für die Abfrage ist.

Es dauert ungefähr zwei Tage, bis das Modell trainiert und bereit für die Abfrage ist.

Klicken Sie zum Erstellen des Status auf der Seite Konfigurationskonfigurationen auf die erstellte Bereitstellungskonfiguration.

Im Feld Bereit zum Abfragen des Modells wird Ja angezeigt, wenn der Vorgang abgeschlossen ist.

Vorschau von Empfehlungen

Sobald das Modell zum Abfragen bereit ist:

1. Rufen Sie in der Google Cloud Console die Seite „Konfigurationen für den Einzelhandel“ auf.
   
   Zur Seite "Bereitstellungskonfigurationen"
2. Klicken Sie auf den Namen der Bereitstellungskonfiguration, um die zugehörige Detailseite aufzurufen.
3. Klicken Sie auf den Tab Bewerten.

4. Geben Sie eine Seed-Film-ID ein, z. B. 4993 für „The Lord of the Rings: The Fellowship of the Ring (2001)“.

   

5. Klicken Sie auf Vorhersagevorschau, um die Liste der empfohlenen Elemente rechts auf der Seite zu sehen.

Bereinigen

Damit Ihrem Google Cloud-Konto die in dieser Anleitung verwendeten Ressourcen nicht in Rechnung gestellt werden, löschen Sie entweder das Projekt, das die Ressourcen enthält, oder Sie behalten das Projekt und löschen die einzelnen Ressourcen.

Projekt löschen

Achtung: Das Löschen von Projekten hat folgende Auswirkungen:

• Alle Inhalte des Projekts werden gelöscht. Wenn Sie für diese Anleitung ein bereits bestehendes Projekt verwendet haben, werden auch alle anderen im Rahmen des Projekts erstellten Daten gelöscht.
• Benutzerdefinierte Projekt-IDs gehen verloren. Beim Erstellen dieses Projekts haben Sie möglicherweise eine benutzerdefinierte Projekt-ID erstellt, die Sie weiterhin verwenden möchten. Damit die URLs, die die Projekt-ID nutzen, z. B. eine appspot.com-URL, erhalten bleiben, sollten Sie ausgewählte Ressourcen innerhalb des Projekts löschen, statt das gesamte Projekt.

Wenn Sie mehrere Anleitungen und Schnellstarts durcharbeiten möchten, können Sie die Überschreitung von Projektkontingenten verhindern, wenn Sie Projekte wiederverwenden.

1. Wechseln Sie in der Google Cloud Console zur Seite Ressourcen verwalten.

   Zur Seite „Ressourcen verwalten“

2. Wählen Sie in der Projektliste das Projekt aus, das Sie löschen möchten, und klicken Sie dann auf Löschen.
3. Geben Sie im Dialogfeld die Projekt-ID ein und klicken Sie auf Shut down (Beenden), um das Projekt zu löschen.

Einzelne Ressourcen löschen

1. Rufen Sie die Seite Bereitstellungskonfigurationen auf und löschen Sie die Bereitstellungskonfiguration, die Sie erstellt haben.

2. Rufen Sie die Seite Modelle auf und löschen Sie das Modell.

3. Löschen Sie das BigQuery-Dataset in Cloud Shell:

   bq rm --recursive --dataset movielens
   

4. Löschen Sie den Cloud Storage-Bucket:

   gsutil rm gs://PROJECT_ID-movielens-data/movies.csv
   gsutil rm gs://PROJECT_ID-movielens-data/ratings.csv
   gsutil rb gs://PROJECT_ID-movielens-data/
   

Nächste Schritte

• Retail implementieren