Créez des recommandations de films personnalisées

---

Dans ce tutoriel, nous allons utiliser l'ensemble de données MovieLens pour découvrir comment importer votre catalogue de produits et vos événements utilisateur dans Vertex AI Search pour le commerce et entraîner un modèle de recommandation de produits personnalisé. L'ensemble de données MovieLens contient un catalogue de films (produits) et des notations de ces films par les utilisateurs (événements utilisateur).

Nous traiterons chaque note positive de film (note supérieure ou égale à 4) comme un événement de vue de la page produit. Nous allons entraîner un modèle de recommandation de type "Autres articles susceptibles de vous intéresser" qui formulera des recommandations de films en se basant sur un utilisateur ou sur un film source de notre ensemble de données.

Durée estimée :

• Étapes initiales pour commencer à entraîner le modèle : environ 1 heure et 30 minutes.
• Durée d'entraînement du modèle : environ 2 jours.
• Évaluation des prédictions du modèle et nettoyage : environ 30 minutes.

Objectifs

• Découvrez comment importer des produits et des données d'événements utilisateur à partir de dans Vertex AI Search pour le commerce.
• Entraîner et évaluer des modèles de recommandation

Coûts

Ce tutoriel utilise des composants facturables de Google Cloud, dont :

• Cloud Storage
• BigQuery
• Vertex AI Search pour le commerce

Pour en savoir plus sur le coût de Cloud Storage, consultez la page Tarifs de Cloud Storage.

Pour plus d'informations sur les coûts de BigQuery, consultez la page Tarifs de BigQuery.

Pour en savoir plus sur Vertex AI Search pour le commerce, consultez les Vertex AI Search pour les tarifs de vente au détail .

Avant de commencer

1. Sign in to your Google Cloud account. If you're new to Google Cloud, create an account to evaluate how our products perform in real-world scenarios. New customers also get $300 in free credits to run, test, and deploy workloads.

2. In the Google Cloud console, on the project selector page, select or create a Google Cloud project.

   Note: If you don't plan to keep the resources that you create in this procedure, create a project instead of selecting an existing project. After you finish these steps, you can delete the project, removing all resources associated with the project.

   Go to project selector

3. Make sure that billing is enabled for your Google Cloud project.

4. In the Google Cloud console, on the project selector page, select or create a Google Cloud project.

   Note: If you don't plan to keep the resources that you create in this procedure, create a project instead of selecting an existing project. After you finish these steps, you can delete the project, removing all resources associated with the project.

   Go to project selector

5. Make sure that billing is enabled for your Google Cloud project.

Préparer l'ensemble de données

Ouverts la console Google Cloud, sélectionnez votre projet Google Cloud. Notez l'ID du projet dans la fiche Informations sur le projet de la page du tableau de bord. Vous aurez besoin de l'ID du projet pour les étapes suivantes. Cliquez ensuite sur le bouton Activer Cloud Shell en haut de la console.

Une session Cloud Shell s'ouvre dans un nouveau cadre en bas de la console Google Cloud et affiche une invite de ligne de commande.

Importer l'ensemble de données

1. À l'aide de Cloud Shell, téléchargez et décompressez l'ensemble de données source :

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

2. Créez un bucket Cloud Storage et importez-y les données :

   gcloud storage buckets create gs://PROJECT_ID-movielens-data
   gcloud storage cp ml-latest/movies.csv ml-latest/ratings.csv \
     gs://PROJECT_ID-movielens-data
   

3. Créez un ensemble de données BigQuery :

   bq mk movielens
   

4. Chargez movies.csv dans une nouvelle table BigQuery "movies" (films) :

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

5. Chargez ratings.csv dans une nouvelle table BigQuery "ratings" (notes) :

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

Créer des vues BigQuery

1. Créez une vue qui convertit la table "movies" en utilisant le schéma de catalogue de produits Retail :

   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
   

   La nouvelle vue comporte maintenant le schéma attendu par Vertex AI Search for retail. Ensuite, dans la barre latérale de gauche, sélectionnez BIG DATA -> BigQuery. Dans la barre de l'explorateur sur la gauche, développez le nom de votre projet et sélectionnez movielens -> products pour ouvrir la page de requête de cette vue.

   

2. Convertissez maintenant les notes de films en événements utilisateur. Nous allons :

   • Ignorer les notes négatives (<4).
   • Traiter chaque note positive comme un événement de vue de page produit (detail-page-view).
   • Limiter aux 90 derniers jours la portion utilisée de l'ensemble de données MovieLens. Nous procédons ainsi pour deux raisons :
     • Vertex AI Search pour le commerce nécessite que les événements utilisateur ne datent pas de plus de 2015. Les évaluations MovieLens remontent jusqu'à 1995.
     • Vertex AI Search pour le commerce utilise les 90 derniers jours d'événements utilisateur lors de la diffusion de requêtes de prédiction pour un utilisateur. Ainsi, lorsque nous effectuons des prédictions pour un utilisateur quelconque, chaque utilisateur apparaît comme ayant des événements récents.

   Créez une vue BigQuery. La commande suivante utilise une requête SQL qui répond aux exigences de conversion mentionnées ci-dessus.

   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
   

Importer un catalogue de produits et des événements utilisateur

Nous sommes maintenant prêts à importer le catalogue de produits et les données d'événements utilisateur dans Vertex AI Search pour le commerce.

1. Activez l'API Vertex AI Search pour le commerce pour votre projet Google Cloud.

   ACTIVER L'API

2. Cliquez sur Get started (Commencer).

3. Accédez à Données > de la console Search for Retail.
   
   Accéder à la page "Données"

4. Cliquez sur Import (Importer).

Importer un catalogue de produits

1. Remplissez le formulaire pour importer des produits à partir de la vue BigQuery que vous avez créée ci-dessus :

   • Sélectionnez le type d'importation : Catalogue de produits.
   • Sélectionnez le nom de la branche par défaut.
   • Sélectionnez la source de données : BigQuery.
   • Sélectionnez un schéma de données : Schéma de produit Retail.

   • Saisissez le nom de la vue BigQuery des produits que vous avez créée ci-dessus (PROJECT_ID.movielens.products).

     Remarque : Le nom de la vue BigQuery est obtenu à partir de l'ID de vue en remplaçant le deux-points (:) par un point (.). Vous trouverez l'ID de vue sur la page BIG DATA -> BigQuery en sélectionnant votre vue dans le menu de gauche, puis en accédant à l'onglet DÉTAILS.

2. Cliquez sur Importer.

   Remarque : L'activation complète de l'API Vertex AI Search pour le commerce peut prendre quelques minutes. Si l'opération n'est pas terminée, vous risquez de recevoir une erreur à cette étape. Si tel est le cas, réessayez quelques minutes plus tard.

3. Attendez que tous les produits aient été importés, ce qui prend entre 5 et 10 minutes.

   Vous pouvez vérifier l'état de l'opération d'importation si vous le souhaitez. Une fois l'importation terminée, l'état de l'opération d'importation devient Réussie.

   

Importer des événements utilisateur

1. Importez la vue BigQuery "user_events" :

   • Sélectionnez le type d'importation : Événements utilisateur.
   • Sélectionnez la source de données : BigQuery.
   • Sélectionnez un schéma de données : Schéma d'événement utilisateur Retail.
   • Saisissez le nom de la vue BigQuery user_events que vous avez créée ci-dessus.

2. Cliquez sur Import (Importer).

3. Attendez qu'au moins un million d'événements aient été importés avant de passer à l'étape suivante, afin de satisfaire les exigences relatives aux données d'entraînement d'un nouveau modèle.

   Vous pouvez vérifier l'état de l'activité d'importation si vous le souhaitez. Le processus prend environ une heure.

   

Entraîner et évaluer des modèles de recommandation

Créer un modèle de recommandation

1. Accédez à la page Modèles dans la console de la recherche pour le commerce.
   
   Accéder à la page "Modèles"

2. Cliquez sur Créer un modèle :

   • Attribuez un nom au modèle.
   • Sélectionnez le type de modèle Autres articles susceptibles de vous intéresser.
   • Sélectionnez Taux de clics (CTR) comme objectif commercial.

3. Cliquez sur Create (Créer).

   

   L'entraînement de votre modèle commence.

   

Créer une configuration de diffusion

1. Accédez à la page Configurations de diffusion de la console Search for Retail.
   
   Accéder à la page "Configurations de diffusion"

2. Cliquez sur Créer une configuration de diffusion :

   • Sélectionnez Recommandation.
   • Attribuez un nom à la configuration de diffusion.
   • Sélectionnez le modèle que vous avez créé.

3. Cliquez sur Create (Créer).

Attendez que le modèle soit "Prêt à interroger"

L'entraînement et la mise à disposition du modèle pour interrogation prennent environ deux jours.

Pour afficher l'état, cliquez sur la configuration de diffusion créée sur la page Configurations de diffusion.

Le champ Modèle prêt à interroger indique Oui lorsque le processus est terminé.

Prévisualiser les recommandations

Une fois le modèle prêt à être interrogé :

1. Accédez à la page Configurations de diffusion de la console Search for Retail.
   
   Accéder à la page "Configurations de diffusion"
2. Cliquez sur le nom de la configuration de diffusion pour accéder à sa page d'informations.
3. Cliquez sur l'onglet Évaluation*.

4. Saisissez un ID de film source, par exemple 4993 pour "The Lord of the Rings: The Fellowship of the Ring (2001)".

   

5. Cliquez sur Aperçu de la prédiction pour afficher la liste des éléments recommandés à droite de la page.

Effectuer un nettoyage

Pour éviter que les ressources utilisées lors de ce tutoriel soient facturées sur votre compte Google Cloud, supprimez le projet contenant les ressources, ou conservez le projet et supprimez les ressources individuelles.

Supprimer le projet

Attention : La suppression d'un projet entraîne les effets décrits ci-dessous :

• Tout le contenu du projet est supprimé. Si vous avez utilisé un projet existant pour les tâches décrites dans ce document et que vous le supprimez, vous supprimerez également tout autre travail effectué dans le projet.
• Les ID de projets personnalisés sont perdus. Lorsque vous avez créé ce projet, vous avez peut-être créé un ID de projet personnalisé que vous souhaitez utiliser à l'avenir. Pour conserver les URL qui utilisent l'ID de projet, telle qu'une URL appspot.com, supprimez les ressources sélectionnées dans le projet au lieu de supprimer l'ensemble du projet.

Si vous envisagez d'explorer plusieurs architectures, tutoriels et guides de démarrage rapide, réutiliser des projets peut vous aider à ne pas dépasser les limites de quotas des projets.

1. In the Google Cloud console, go to the Manage resources page.

   Go to Manage resources

2. In the project list, select the project that you want to delete, and then click Delete.
3. In the dialog, type the project ID, and then click Shut down to delete the project.

Supprimer des ressources individuelles

1. Accédez à la page Configurations de diffusion, puis supprimez la configuration de diffusion que vous avez créée.

2. Accédez à la page Modèles et supprimez le modèle.

3. Supprimez l'ensemble de données BigQuery dans Cloud Shell :

   bq rm --recursive --dataset movielens
   

4. Supprimez le bucket Cloud Storage et son contenu:

   gcloud storage rm gs://PROJECT_ID-movielens-data --recursive
   

Étape suivante

• Implémenter Vertex AI Search pour le commerce