Empfehlungen erhalten

Auf dieser Seite wird beschrieben, wie Sie Produktempfehlungen für einen bestimmten Nutzer und ein bestimmtes Nutzerereignis anfordern.

Nachdem Sie Ihre Produkte hochgeladen und Nutzerereignisse aufgezeichnet haben, können Sie Produktempfehlungen für bestimmte Nutzer anfragen, die auf den aufgezeichneten Nutzerereignissen für diesen Nutzer und seiner aktuellen Aktivität basieren. Es kann bis zu 48 Stunden dauern, bis neue Produkte und Nutzerereignisse im Empfehlungsmodell berücksichtigt werden.

Vertex AI Search for Retail gibt eine Liste der Produktkennzeichnungen zurück. Sie sind dafür verantwortlich, die Ergebnisse auf Ihrer Website mit Bildern und Text zu rendern.

Caching von personalisierten Ergebnissen eines Endnutzers ist nicht zulässig. Außerdem dürfen personalisierte Ergebnisse nicht für einen anderen Endnutzer zurückgegeben werden.

Vorbereitung

Sie müssen ein Google Cloud-Projekt erstellen und die Authentifizierung einrichten. Gehen Sie dazu wie unter Vorbereitung beschrieben vor.

Bevor Sie Vorhersagen von Empfehlungen anfordern können, benötigen Sie außerdem eine trainierte und fein abgestimmte Empfehlung (Modell) sowie mindestens eine aktive Bereitstellungskonfiguration.

Empfehlungen bewerten

Bevor Sie Ihren Websitecode zum Anfordern von Empfehlungen aktualisieren, können Sie mithilfe der Vorschau der Vorhersageergebnisse prüfen, ob Ihr Modell und Ihre Bereitstellungskonfiguration wie erwartet funktionieren.

Weitere Informationen zu Bereitstellungskonfigurationen finden Sie unter Bereitstellungskonfigurationen.

Sie können sich eine Vorschau der Ergebnisse für die Bereitstellungskonfiguration entweder auf der Seite Bewerten oder in der Console auf der Seite Details der Bereitstellungskonfiguration auf dem Tab Bewerten ansehen. In den folgenden Schritten wird beschrieben, wie Sie eine Vorschau auf der Seite Bewerten aufrufen.

So rufen Sie eine Vorschau der Empfehlungen auf, die von Ihrer Bereitstellungskonfiguration zurückgegeben werden:

  1. Rufen Sie in der Console „Suchen für Einzelhandel“ die Seite Bewerten auf.

    Zur Seite „Bewerten“

  2. Klicken Sie auf den Tab Empfehlungen, falls er nicht bereits ausgewählt ist.

  3. Wählen Sie die Bereitstellungskonfiguration aus, für die Sie eine Vorschau sehen möchten.

  4. Optional: Geben Sie eine Besucher-ID ein, um eine Vorschau der Empfehlungen für diesen Nutzer aufzurufen.

  5. Wenn der Bereich Zugeordnete Artikel angezeigt wird, klicken Sie auf Artikel hinzufügen und geben Sie eine Produkt-ID ein, um zugehörige Empfehlungen für diesen Artikel zu erhalten. Sie können mehrere verknüpfte Elemente hinzufügen.

    Das Hinzufügen von Artikeln ist nur möglich, wenn für den Modelltyp der ausgewählten Bereitstellungskonfiguration Produkte als Eingabe für Empfehlungen erforderlich sind. Für Modelle vom Typ „Empfohlen für mich“ müssen keine verknüpften Artikel eingegeben werden.

  6. Klicken Sie auf Vorhersagevorschau, um die Vorhersageergebnisse aufzurufen.

Wenn Sie die Seite Details für die Bereitstellungskonfiguration aufrufen möchten, die Sie sich gerade in der Vorschau ansehen, klicken Sie unter dem Feld Bereitstellungskonfiguration auswählen auf Bereitstellungskonfiguration ansehen.

Empfehlung erhalten

Weitere Informationen zu den Kosten für Vorhersagen finden Sie unter Preise.

curl

Für eine Empfehlung senden Sie eine POST-Anfrage an die REST-Methode predict und geben Sie dazu den entsprechenden Anfragetext ein:

  • Das von Ihnen verwendete Dienstkonto muss die Rolle „Retail-Betrachter“ oder höher haben.

  • Ersetzen Sie SERVING_CONFIG_ID durch die Bereitstellungskonfiguration, für die Sie die Vorhersagen verwenden. Weitere Informationen

  • Wenn Sie Google Analytics 360-Nutzerereignisse mit BigQuery importiert haben, legen Sie für visitorId die Google Analytics-Client-ID fest. Weitere Informationen zum Abrufen der Client-ID finden Sie in der Google Analytics-Dokumentation.

  • Für einen A/B-Test legen Sie für experimentIds die ID dieser Testgruppe fest. Weitere Informationen

  • Geben Sie ein Nutzerereignis-Objekt für die Nutzeraktion an, die die Empfehlungsanfrage eingeleitet hat.

    Beachten Sie, dass das Nutzereignis nicht aufgezeichnet wird. Es dient lediglich der Bereitstellung von Kontext für die Empfehlungsanfrage. Sie sollten das Nutzerereignis außerdem genauso aufzeichnen, wie Sie auch andere Nutzerereignisse aufzeichnen.

  • Optional können Sie einen Filter angeben, um die zurückgegebenen Produkte einzugrenzen. Weitere Informationen

curl -X POST \
    -H "Authorization: Bearer $(gcloud auth application-default print-access-token)" \
    -H "Content-Type: application/json; charset=utf-8" \
    --data '{
              "filter": "FILTER_STRING",
              "validateOnly": false,
              "userEvent": {
                  "eventType": "detail-page-view",
                  "visitorId": "VISITOR_ID",
                  "userInfo": {
                      "userId": "USER_ID",
                      "ipAddress": "IP_ADDRESS",
                      "userAgent": "USER_AGENT"
                  },
                  "experimentIds": "EXPERIMENT_GROUP",
                  "productDetails": [{
                      "product": {
                        "id": "PRODUCT_ID"
                     }
                  }]
              }
            }' \
https://retail.googleapis.com/v2/projects/PROJECT_ID/locations/global/catalogs/default_catalog/servingConfigs/SERVING_CONFIG_ID:predict

Die Ergebnisse sollten in etwa so aussehen:

{
  "results": [{"id": "sample-id-1"}, {"id": "sample-id-2"}],
  "attribution_token": "sample-atr-token"
}

Sie müssen den Wert attribution_token mit einer URL verknüpfen, die Sie als Ergebnis dieser Vorhersage bereitstellen, und ihn mit Nutzerereignissen für diese URLs zurückgeben. Weitere Informationen

Java

public static PredictResponse predictWithNextPageToken(UserEvent userEvent, int pageSize,
    String nextPageToken)
    throws IOException, InterruptedException {
  PredictionServiceClient predictionClient = getPredictionServiceClient();

  PredictRequest request = PredictRequest.newBuilder()
      .setPlacement(HOME_PAGE_PLACEMENT_NAME)
      .setUserEvent(userEvent)
      .setPageSize(pageSize)
      .setPageToken(nextPageToken)
      .setValidateOnly(true)
      .build();

  PredictResponse response = predictionClient.predict(request);

  predictionClient.shutdownNow();
  predictionClient.awaitTermination(2, TimeUnit.SECONDS);

  return response;
}

Preis-Reranking

Beim Preis-Reranking werden die empfohlenen Produkte mit einer ähnlichen Empfehlungswahrscheinlichkeit nach Preis sortiert, wobei die Artikel mit dem höchsten Preis zuerst aufgelistet werden. Die Relevanz wird auch noch für die Bestellung von Artikeln verwendet. Das Aktivieren des Preis-Rerankings entspricht also nicht der Sortierung nach Preis.

Das Preis-Reranking kann auf der Ebene der Bereitstellungskonfiguration oder pro Vorhersageanfrage festgelegt werden.

Wenn Sie beim Erstellen einer Bereitstellungskonfiguration in der Retail Search Console eine Einstellung für das Preis-Reranking auswählen, gilt diese Einstellung für alle Empfehlungen, die von dieser Konfiguration bereitgestellt werden, ohne dass Sie etwas tun müssen.

Wenn Sie das Preis-Reranking einer bestimmten Empfehlung festlegen möchten, verwenden Sie dazu das Feld PredictRequest.params. Dadurch wird jede Einstellung für das Reranking auf Konfigurationsebene überschrieben, die andernfalls für diese Empfehlung gelten würde.

Vielfalt der Empfehlungen

Die Diversifizierung beeinflusst, ob die von einer einzelnen Vorhersageanfrage zurückgegebenen Ergebnisse aus verschiedenen Kategorien Ihres Produktkatalogs stammen.

Die Diversifizierung kann auf der Ebene der Bereitstellungskonfiguration oder pro Vorhersageanfrage festgelegt werden.

Wenn Sie beim Erstellen einer Bereitstellungskonfiguration in der Retail Search Console eine Diversifizierungseinstellung auswählen, gilt diese Einstellung standardmäßig für alle Empfehlungen, die von dieser Konfiguration bereitgestellt werden, ohne dass Sie etwas unternehmen müssen.

Wenn Sie die Diversifizierung einer bestimmten Empfehlung festlegen müssen, können Sie dazu das Feld PredictRequest.params verwenden. Dadurch wird jede Einstellung für die Diversifizierung auf Konfigurationsebene überschrieben, die andernfalls für diese Empfehlung gelten würde. Weitere Informationen finden Sie unter den akzeptierten Werten.

Empfehlungsfilter verwenden

Sie können die von Recommendations AI zurückgegebenen Empfehlungen filtern. Verwenden Sie dazu das Feld filter in der Methode predict. Weitere Informationen finden Sie unter Filterempfehlungen.

Vorhersageaufrufe mit Modellen für die Optimierung auf Seitenebene

Für die Bereitstellung von Empfehlungen mit der Optimierung auf Seitenebene ist ein zusätzlicher Schritt für die Vorhersage erforderlich.

Führen Sie einen ersten Vorhersageaufruf mit einer Bereitstellungskonfiguration aus, die das Modell für die Optimierung auf Seitenebene enthält. Die Antwort der Vorhersage enthält eine sortierte Liste von Bereitstellungskonfigurations-IDs, die das Modell darstellen, das für jedes Panel verwendet werden soll.

Rufen Sie dann für jedes Panel eine Vorhersage auf, wobei Sie die ID der Bereitstellungskonfiguration verwenden, die vom Modell für die Optimierung auf Seitenebene empfohlen wurde. Die Antwort auf die Vorhersage enthält den Namen des Modells (z. B. „Empfohlen für mich“) und eine Liste der empfohlenen Elemente, die in diesem Bereich angezeigt werden sollen.

Preis-Reranking, Empfehlungsvielfalt und Empfehlungsfilter sind für Bereitstellungskonfigurationen, die das Modell „Optimierung auf Seitenebene“ verwenden, nicht verfügbar.

Empfehlungen beobachten und Fehler beheben

Nachdem Sie Ihre Website eingerichtet haben, um Empfehlungen zu erhalten, empfehlen wir Ihnen, Benachrichtigungen einzurichten. Weitere Informationen finden Sie unter Benachrichtigung für Vorhersagefehler einrichten.

Informationen zur Fehlerbehebung finden Sie unter Überwachen und Fehler beheben.