Membuat rekomendasi film yang dipersonalisasi

---

Dalam tutorial ini, kita akan menggunakan set data Movielens untuk mendemonstrasikan cara mengupload katalog produk dan peristiwa pengguna ke Vertex AI Search untuk e-commerce serta melatih model rekomendasi produk yang dipersonalisasi. Set data Movielens berisi katalog film (produk) dan rating film pengguna (peristiwa pengguna).

Kami akan memperlakukan setiap rating film positif (rating >= 4) sebagai peristiwa tampilan halaman produk. Kita akan melatih model rekomendasi berjenis Orang Lain yang Mungkin Anda Suka yang akan membuat rekomendasi film berdasarkan pengguna atau film awal dalam set data kita.

Perkiraan waktu:

• Langkah-langkah awal untuk mulai melatih model: ~1,5 jam.
• Menunggu model dilatih: ~2 hari.
• Mengevaluasi prediksi model dan membersihkan: ~30 menit.

Tujuan

• Pelajari cara mengimpor data produk dan peristiwa pengguna dari BigQuery ke Vertex AI Search untuk commerce.
• Latih dan evaluasi model rekomendasi.

Biaya

Tutorial ini menggunakan komponen Google Cloudyang dapat ditagih, termasuk:

• Cloud Storage
• BigQuery
• Vertex AI Search untuk commerce

Untuk mengetahui informasi selengkapnya tentang biaya Cloud Storage, lihat halaman Harga Cloud Storage.

Untuk mengetahui informasi selengkapnya tentang biaya BigQuery, lihat halaman harga BigQuery.

Untuk mengetahui informasi selengkapnya tentang biaya Vertex AI Search untuk commerce, lihat halaman Harga Vertex AI Search untuk commerce.

Sebelum memulai

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.

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

Verify that billing is enabled for your Google Cloud project.

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

Verify that billing is enabled for your Google Cloud project.

Menyiapkan set data

Buka Google Cloud console, pilih project Google Cloud Anda. Catat ID project di kartu Project info di halaman dasbor. Anda akan memerlukan project ID untuk langkah-langkah berikut. Selanjutnya, klik tombol Activate Cloud Shell di bagian atas Konsol.

Sesi Cloud Shell akan terbuka di dalam frame baru di bagian bawah Google Cloud konsol dan menampilkan perintah command line.

Mengimpor set data

1. Dengan menggunakan Cloud Shell, download dan ekstrak set data sumber:

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

2. Buat bucket Cloud Storage dan upload data ke dalamnya:

   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. Buat set data BigQuery:

   bq mk movielens
   

4. Muat movies.csv ke dalam tabel BigQuery film baru:

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

5. Muat ratings.csv ke dalam tabel BigQuery rating baru:

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

Membuat tampilan BigQuery

1. Buat tampilan yang mengonversi tabel film menjadi skema katalog produk 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
   

   Sekarang tampilan baru memiliki skema yang diharapkan oleh Vertex AI Search untuk commerce. Kemudian, dari sidebar kiri, pilih BIG DATA -> BigQuery. Kemudian, dari panel penjelajah di sebelah kiri, luaskan nama project Anda dan pilih movielens -> products untuk membuka halaman kueri untuk tampilan ini.

   

2. Sekarang, mari kita konversi rating film menjadi peristiwa pengguna. Kami akan:

   • Mengabaikan rating film negatif (<4)
   • Perlakukan setiap rating positif sebagai peristiwa penayangan halaman produk (detail-page-view)
   • Ubah skala linimasa Movielens menjadi 90 hari terakhir. Kami melakukannya karena dua alasan:
     • Vertex AI Search untuk commerce mengharuskan peristiwa pengguna tidak lebih lama dari tahun 2015. Rating Movielens berasal dari tahun 1995.
     • Vertex AI Search untuk e-commerce menggunakan peristiwa pengguna dalam 90 hari terakhir saat menayangkan permintaan prediksi untuk pengguna. Setiap pengguna akan tampak memiliki peristiwa terbaru saat kita membuat prediksi untuk pengguna mana pun di kemudian hari.

   Buat tampilan BigQuery. Perintah berikut menggunakan kueri SQL yang memenuhi persyaratan konversi yang tercantum di atas.

   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
   

Mengimpor katalog produk dan peristiwa pengguna

Sekarang kita siap mengimpor katalog produk dan data peristiwa pengguna ke Vertex AI Search untuk e-commerce.

1. Aktifkan API Vertex AI Search for commerce untuk project Google Cloud Anda.

   AKTIFKAN API

2. Klik Mulai.

3. Buka halaman Data> di konsol Search for commerce.
   
   Buka halaman Data

4. Klik Import.

Mengimpor katalog produk

1. Isi formulir untuk mengimpor produk dari tampilan BigQuery yang Anda buat di atas:

   • Pilih jenis impor: Katalog Produk.
   • Pilih nama cabang default.
   • Pilih sumber data: BigQuery.
   • Pilih skema data: Skema Produk Retail.

   • Masukkan nama tampilan BigQuery produk yang Anda buat di atas (PROJECT_ID.movielens.products).

     Catatan: Nama tampilan BigQuery diperoleh dari ID tampilan dengan mengganti titik dua (:) dengan titik (.). Anda dapat menemukan ID tampilan di halaman BIG DATA -> BigQuery dengan memilih tampilan dari menu kiri dan membuka tab DETAIL.

2. Klik Import.

   Catatan: Mungkin perlu waktu beberapa menit hingga API Vertex AI Search untuk e-commerce diaktifkan sepenuhnya dan Anda mungkin mendapatkan error pada langkah ini jika pengaktifan belum selesai. Jika hal itu terjadi, coba lagi beberapa menit kemudian.

3. Tunggu hingga semua produk diimpor, yang akan memakan waktu 5–10 menit.

   Anda dapat memeriksa aktivitas impor untuk mengetahui status operasi impor. Setelah impor selesai, status operasi impor berubah menjadi Berhasil.

   

Mengimpor peristiwa pengguna

1. Impor tampilan BigQuery user_events:

   • Pilih jenis impor: Peristiwa Pengguna.
   • Pilih sumber data: BigQuery.
   • Pilih skema data: Skema Peristiwa Pengguna Retail.
   • Masukkan nama tampilan BigQuery user_events yang Anda buat di atas.

2. Klik Import.

3. Tunggu hingga minimal satu juta peristiwa diimpor sebelum melanjutkan ke langkah berikutnya, untuk memenuhi persyaratan data guna melatih model baru.

   Anda dapat memeriksa aktivitas impor untuk mengetahui status operasi. Proses ini memerlukan waktu sekitar satu jam.

   

Melatih dan mengevaluasi model rekomendasi

Membuat model rekomendasi

1. Buka halaman Model di konsol Search for Commerce.
   
   Buka halaman Models

2. Klik Buat model:

   • Beri nama model.
   • Pilih Produk lain yang mungkin Anda sukai sebagai jenis model.
   • Pilih Rasio klik-tayang (CTR) sebagai tujuan bisnis.

3. Klik Buat.

   

   Model baru Anda mulai dilatih.

   

Membuat konfigurasi inferensi

1. Buka halaman Serving Configs di konsol Penelusuran untuk e-commerce.
   
   Buka halaman Konfigurasi penayangan

2. Klik Create serving config:

   • Pilih Rekomendasi.
   • Beri nama konfigurasi penayangan.
   • Pilih model yang Anda buat.

3. Klik Buat.

Tunggu hingga model "Siap untuk membuat kueri"

Model memerlukan waktu sekitar dua hari untuk dilatih dan siap untuk membuat kueri.

Untuk melihat statusnya, klik konfigurasi penayangan yang dibuat di halaman Konfigurasi penayangan.

Kolom Model siap untuk membuat kueri menunjukkan Ya jika prosesnya selesai.

Pratinjau rekomendasi

Setelah model siap untuk dikueri:

1. Buka halaman Serving Configs di konsol Penelusuran untuk e-commerce.
   
   Buka halaman Konfigurasi penayangan
2. Klik nama konfigurasi penayangan untuk membuka halaman detailnya.
3. Klik tab *Evaluate.

4. Masukkan ID film awal, seperti 4993 untuk "The Lord of the Rings: The Fellowship of the Ring (2001)".

   

5. Klik Pratinjau prediksi untuk melihat daftar item yang direkomendasikan di sebelah kanan halaman.

Pembersihan

Agar tidak perlu membayar biaya pada akun Google Cloud Anda untuk resource yang digunakan dalam tutorial ini, hapus project yang berisi resource tersebut, atau simpan project dan hapus setiap resource.

Menghapus project

Perhatian: Menghapus project memiliki efek berikut:

• Semua hal dalam project akan dihapus. Jika menggunakan project yang sudah ada untuk tugas dalam dokumen ini, saat Anda menghapusnya, pekerjaan lain yang telah Anda lakukan dalam project tersebut juga akan terhapus.
• Project ID kustom hilang. Saat membuat project ini, Anda mungkin telah membuat project ID kustom yang ingin digunakan di masa mendatang. Untuk mempertahankan URL yang menggunakan project ID, seperti URL appspot.com, hapus resource yang dipilih di dalam project, bukan menghapus seluruh project.

Jika Anda berencana mempelajari beberapa arsitektur, tutorial atau panduan memulai, dengan menggunakan kembali project dapat membantu Anda agar tidak melampaui batas kuota project.

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.

Menghapus resource satu per satu

1. Buka halaman Konfigurasi penayangan dan hapus konfigurasi penayangan yang Anda buat.

2. Buka halaman Model dan hapus model.

3. Hapus set data BigQuery di Cloud Shell:

   bq rm --recursive --dataset movielens
   

4. Hapus bucket Cloud Storage dan isinya:

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

Langkah berikutnya

• Mengimplementasikan Vertex AI Search untuk commerce