Mendapatkan saran

Halaman ini menjelaskan cara meminta rekomendasi produk untuk pengguna dan peristiwa pengguna tertentu.

Setelah mengupload produk dan mencatat peristiwa pengguna, Anda dapat meminta rekomendasi produk untuk pengguna tertentu berdasarkan peristiwa pengguna yang dicatat untuk pengguna tersebut dan aktivitasnya saat ini. Diperlukan waktu hingga 48 jam agar produk dan peristiwa pengguna baru tercermin dalam model rekomendasi.

Vertex AI Search untuk retail menampilkan daftar ID produk yang diberi peringkat. Anda bertanggung jawab untuk merender hasil di situs Anda dengan gambar dan teks.

Jangan pernah meng-cache hasil yang dipersonalisasi dari pengguna akhir, dan jangan pernah menampilkan hasil yang dipersonalisasi kepada pengguna akhir yang berbeda.

Sebelum Memulai

Anda harus membuat project Google Cloud dan menyiapkan autentikasi menggunakan langkah-langkah di bagian Sebelum memulai.

Selain itu, sebelum dapat meminta prediksi dari rekomendasi, Anda memerlukan rekomendasi (model) yang dilatih dan disesuaikan serta satu atau beberapa konfigurasi penayangan aktif.

Mengevaluasi rekomendasi

Sebelum memperbarui kode situs untuk meminta rekomendasi, Anda dapat menggunakan hasil prediksi pratinjau untuk mengonfirmasi bahwa model dan konfigurasi penayangan Anda berfungsi seperti yang Anda harapkan.

Untuk informasi selengkapnya tentang konfigurasi inferensi, lihat Tentang konfigurasi inferensi.

Anda dapat melihat pratinjau hasil konfigurasi penayangan dari halaman Evaluasi, atau dengan membuka halaman Detail konfigurasi penayangan di konsol dan mengklik tab Evaluasi. Langkah-langkah berikut menunjukkan cara melihat pratinjau dari halaman Evaluasi.

Untuk melihat pratinjau rekomendasi yang ditampilkan oleh konfigurasi penayangan Anda:

  1. Buka halaman Evaluasi di konsol Penelusuran untuk Retail.

    Buka halaman Evaluasi

  2. Klik tab Recommendations, jika belum dipilih.

  3. Pilih konfigurasi penayangan yang ingin Anda lihat pratinjaunya.

  4. Opsional: Masukkan ID pengunjung untuk melihat pratinjau rekomendasi bagi pengguna tersebut.

  5. Jika bagian Item terkait ditampilkan, klik Tambahkan item dan masukkan ID produk untuk mendapatkan rekomendasi terkait untuk item tersebut. Anda dapat menambahkan beberapa item terkait.

    Penambahan item hanya tersedia jika jenis model konfigurasi penayangan yang dipilih memerlukan produk sebagai input untuk rekomendasi. Model Direkomendasikan untuk Anda tidak memerlukan item terkait untuk dimasukkan.

  6. Klik Pratinjau prediksi untuk melihat hasil prediksi.

Untuk melihat halaman Details untuk konfigurasi penayangan yang Anda lihat pratinjaunya, klik View serving config di bagian kolom Select serving config.

Mendapatkan rekomendasi

Untuk mengetahui detail biaya prediksi, lihat Harga.

curl

Untuk mendapatkan rekomendasi, buat permintaan POST ke metode REST predict dan berikan isi permintaan yang sesuai:

  • Akun layanan yang Anda gunakan harus memiliki peran "Retail Viewer" atau yang lebih tinggi.

  • Ganti SERVING_CONFIG_ID dengan konfigurasi penayangan tempat Anda akan menggunakan prediksi. Pelajari lebih lanjut.

  • Jika Anda mengimpor peristiwa pengguna Google Analytics 360 menggunakan BigQuery, tetapkan visitorId ke client ID Google Analytics. Lihat dokumentasi Google Analytics untuk mengetahui cara mendapatkan client ID.

  • Jika Anda menjalankan eksperimen A/B, tetapkan experimentIds ke ID untuk grup eksperimen ini. Pelajari lebih lanjut.

  • Berikan objek peristiwa pengguna untuk tindakan pengguna yang memulai permintaan rekomendasi.

    Perhatikan bahwa peristiwa pengguna ini tidak direkam, tetapi hanya digunakan untuk memberikan konteks untuk permintaan rekomendasi ini. Anda juga harus merekam peristiwa pengguna dengan cara yang sama seperti merekam peristiwa pengguna lainnya.

  • Atau, berikan filter untuk mempersempit kemungkinan produk ditampilkan. Pelajari lebih lanjut.

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

Anda akan melihat hasil yang mirip dengan berikut ini:

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

Anda harus mengaitkan nilai attribution_token dengan URL apa pun yang ditayangkan sebagai hasil prediksi ini, dan menampilkannya dengan peristiwa pengguna untuk URL tersebut. Pelajari lebih lanjut.

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;
}

Pengurutan harga

Pengurutan ulang harga akan membuat produk yang direkomendasikan dengan rekomendasi serupa diurutkan menurut harga. Urutan akan dimulai dari item berharga paling tinggi. Relevansi juga masih digunakan untuk mengurutkan item, sehingga mengaktifkan pemeringkatan ulang harga tidak sama dengan mengurutkan berdasarkan harga.

Penggantian peringkat harga dapat ditetapkan di tingkat konfigurasi penayangan, atau per permintaan prediksi.

Saat Anda memilih setelan pemeringkatan ulang harga saat membuat konfigurasi penayangan di konsol Penelusuran untuk Retail, setelan tersebut akan berlaku untuk semua rekomendasi yang ditayangkan oleh konfigurasi tersebut, tanpa Anda harus melakukan tindakan lebih lanjut.

Jika perlu mengontrol pengurutan ulang harga rekomendasi tertentu, Anda dapat melakukannya menggunakan kolom PredictRequest.params. Tindakan ini akan menggantikan setelan pemeringkatan ulang tingkat konfigurasi yang akan berlaku untuk rekomendasi ini.

Keragaman rekomendasi

Diversifikasi memengaruhi apakah hasil yang ditampilkan dari satu permintaan prediksi berasal dari kategori yang berbeda pada katalog produk Anda.

Diversifikasi dapat ditetapkan di tingkat konfigurasi penayangan, atau per permintaan prediksi.

Saat Anda memilih setelan diversifikasi saat membuat konfigurasi penayangan di konsol Penelusuran untuk Retail, setelan tersebut akan diterapkan secara default ke semua rekomendasi yang ditayangkan oleh konfigurasi tersebut, tanpa Anda harus melakukan tindakan lebih lanjut.

Jika perlu mengontrol keberagaman rekomendasi tertentu, Anda dapat melakukannya menggunakan kolom PredictRequest.params. Tindakan ini akan menggantikan setelan diversifikasi tingkat konfigurasi yang akan berlaku untuk rekomendasi ini. Lihat untuk mengetahui nilai yang diterima.

Menggunakan filter rekomendasi

Anda dapat memfilter rekomendasi yang ditampilkan oleh rekomendasi menggunakan kolom filter dalam metode predict. Untuk mengetahui informasi selengkapnya, lihat Memfilter rekomendasi.

Panggilan prediksi dengan model Pengoptimalan Tingkat Halaman

Memberikan rekomendasi menggunakan Pengoptimalan Tingkat Halaman memerlukan langkah panggilan prediksi tambahan.

Lakukan panggilan prediksi awal menggunakan konfigurasi penayangan yang berisi model Page-Level Optimization. Respons prediksi menampilkan daftar ID konfigurasi penayangan yang diurutkan yang mewakili model yang akan digunakan untuk setiap panel.

Kemudian, lakukan panggilan prediksi untuk setiap panel menggunakan ID konfigurasi penayangan yang direkomendasikan oleh model Pengoptimalan Tingkat Halaman untuk panel tersebut. Respons prediksi berisi nama model (seperti Direkomendasikan untuk Anda) dan daftar item yang direkomendasikan untuk ditampilkan di panel tersebut.

Pembuatan ulang peringkat harga, keberagaman rekomendasi, dan filter rekomendasi tidak tersedia untuk konfigurasi penayangan yang menggunakan model Pengoptimalan Tingkat Halaman.

Memantau dan memecahkan masalah rekomendasi

Setelah menyiapkan situs untuk mendapatkan rekomendasi, sebaiknya siapkan notifikasi. Lihat Menyiapkan pemberitahuan untuk error prediksi.

Untuk memecahkan masalah error, lihat Memantau dan memecahkan masalah.