아래에서 찾을 수 없는 다른 문제나 어려운 점이 있으신가요? 버그 신고 또는 기능 요청에 참여하시고 cloud-recommendations-users Google 그룹 또는 Stack Overflow 토론에 참여하세요.
일반
1. Vertex AI Search for Retail용 클라이언트 라이브러리 또는 추가 샘플 코드가 있나요?
예. 각 라이브러리의 설정 및 참조 정보는 여기에서 클라이언트 라이브러리 가이드를 참조하세요.
원시 REST 호출 대신 Google API 검색 서비스를 사용할 수도 있습니다.
2. 모든 추천 모델이 맞춤설정되나요?
추천 서비스, 내가 좋아할 만한 기타 항목, 다시 구매하기 모델은 사용자 기록과 함께 제공된 경우 맞춤설정된 항목을 추천합니다. 자주 함께 구매하는 항목 및 유사 항목 모델은 맞춤설정되지 않습니다.
추천 모델 정보를 참조하세요.
3. 맞춤 추천을 즉시 받을 수 있나요? 아니면 시간이 지남에 따라 더 개선될 때까지 기다려야 하나요?
사용자 기록을 많이 수집할수록 추천 항목이 개선됩니다. 추천 서비스 모델은 인기 있는 제품을 보여주고 내가 좋아할 만한 기타 항목 모델은 다른 사용자의 보기를 기준으로 비슷한 제품을 보여줍니다. 이 두 모델은 모두 사용자 행동을 즉시 반영하기 때문에 실시간 이벤트를 전송하는 것이 중요합니다. 추천 모델 정보를 참조하세요.
맞춤설정이 적용되려면 사용자 이벤트를 실시간 또는 근실시간으로 전송해야 합니다. 사용자 이벤트가 하루에 한 번만 제출되거나 하루 동안 일괄적으로 제출된 경우, 맞춤 모델이 실시간 이벤트가 전송되었을 때처럼 잘 작동하지 않을 수 있습니다.
4. 모델에 Google 사용자 인구통계 데이터가 사용되나요?
모델에서는 내가 제공하는 카탈로그와 사용자 이벤트 데이터만 사용합니다. 인구통계 데이터를 포함하려면 커스텀 속성으로 유용한 다른 텍스트 또는 숫자 정보를 포함하면 됩니다. 이 데이터는 모델이 다시 미세 조정된 후에 모델에서 사용됩니다.
이메일 주소나 사용자 이름 같은 개인 식별 정보(PII)를 포함하지 마세요. 값을 해싱하거나 그룹 ID를 사용하는 등의 방식으로 인구통계 데이터를 익명처리하는 것이 좋습니다.
5. 단일 사용자의 기록 대신 사용자 그룹의 이벤트 기록을 기반으로 추천할 수 있나요?
현재, 추천은 단일 방문자 ID 또는 사용자 ID를 기반으로 합니다. 개별 요청을 수행한 후 결과를 그룹 기록의 기본 추천에 결합해야 합니다. 사용자에게 공통 메타데이터 속성이 있는 경우 그룹 ID를 사용자 ID로 사용하여 그룹 수준의 추천을 제공할 수 있습니다.
6. 제품의 이미지 URL을 제출할 수 있음을 알게 되었습니다. 모델에서 제품 이미지를 고려하나요?
현재로서는 불가능합니다. 이러한 필드는 추천 결과를 렌더링하는 데 도움이 되도록 반환된 추천 결과와 함께 이 메타데이터를 검색할 수 있게 제공됩니다. 또한 예측 미리보기는 Search for Retail 콘솔에서 모델 예측 결과를 미리볼 때 이미지 URL을 사용하여 이미지를 표시합니다.
7. 저희 회사는 유통/전자상거래 웹사이트가 아닙니다. 그래도 추천을 사용해서 x,y,z 예측을 수행할 수 있나요?
Google 고객은 콘텐츠 추천, 동영상 스트리밍 및 게임, 기타 사용 사례에 추천을 사용하고 있습니다. 하지만 Google의 콘텐츠와 환경은 현재 유통/전자상거래 사용 사례를 고려하여 설계되었으며 다른 사용 사례에 적합하지 않을 수 있습니다.
8. 내 사이트의 아무 페이지에나 추천을 제공할 수 있나요?
예. 하지만 모델은 특정 사용 사례에 맞게 설계되었으므로 특정 페이지에서 가장 효과적으로 작동할 수 있습니다. 추천 모델 정보를 참조하세요.
자주 함께 구매하는 항목 및 내가 좋아할 만한 기타 항목에는 항목 ID가 필요하므로, 차트의 제품 ID 또는 항목 등을 사용하는 추천에 사용해야 합니다. 자주 함께 구매하는 항목은 일반적으로 장바구니에 추가 또는 결제 페이지에서 가장 잘 작동하지만 내가 좋아할 만한 기타 항목은 제품 세부정보 페이지에서 가장 효과적입니다. 추천 서비스는 방문자 ID만 입력되면 작동하므로 모든 페이지에 배치할 수 있지만 홈페이지 서빙 구성으로 설계되었습니다. 다시 구매하기는 모든 페이지에 배치되도록 설계되었습니다.
9. Recommendations를 이메일 뉴스레터의 추천에 사용할 수 있나요?
예. 방문자 ID 또는 사용자 ID로 API를 호출한 다음 결과를 이메일 템플릿에 통합하면 됩니다. 이메일 읽기 시점에 항목을 동적으로 로드하려면 Google Cloud 함수와 같은 중개 엔드포인트를 사용하여 예측 요청을 보내야 합니다. 이 API는 정렬된 제품 ID 및 메타데이터의 목록만 제공하므로 이미지 결과를 렌더링하는 자체 코드도 작성해야 합니다.
10. 웹 이외의 사용 사례(모바일 앱, 키오스크)에 Vertex AI Search for Retail을 사용할 수 있나요?
예. 엔드포인트(예: Google Cloud 함수)를 설정하여 앱의 결과를 가져올 수 있습니다. 또한 실시간 이벤트를 보내기 위한 유사한 메커니즘이 필요합니다.
11. 3개월이 넘는 분량의 이벤트 데이터가 없어도 Vertex AI Search for Retail을 사용할 수 있나요? 나중에 데이터를 더 추가할 수 있나요?
유사 항목 모델은 사용자 이벤트 데이터 또는 모델 조정을 사용하지 않습니다. 이벤트 데이터가 없어도 카탈로그 데이터가 있으면 유사 항목 모델을 만들고 학습시킬 수 있습니다.
실시간 이벤트의 트래픽을 충분히 기록할 수 있다면 최신 데이터를 다른 모델 학습에 사용할 수 있습니다. 나중에 제공할 추가 데이터가 있는 경우 초기 모델 학습 후에 업로드할 수 있습니다. 매일 재학습하는 동안 새로 백필된 데이터가 모델에 통합됩니다. 하지만 이 데이터가 초기 학습에 사용된 이벤트와 크게 다를 경우 모델을 다시 미세 조정해야 할 수 있습니다.
대부분의 모델은 3개월 이상의 제품 페이지 조회, 홈페이지 조회, 장바구니에 추가 이벤트가 있으면 가장 잘 작동하며, 자주 함께 구매하는 항목 모델의 경우 1~2년의 구매 내역이 있으면 좋습니다.
내가 좋아할 만한 기타 항목 및 추천 서비스 모델 학습을 시작하는 데 1~2주치의 세부정보 페이지 조회로 충분하지만 일반적으로 자주 함께 구매하는 항목 및 다시 구매하기의 경우에는 페이지 조회가 있는 경우보다 일일 구매 수가 적기 때문에 더 오랜 기간의 정보가 필요합니다. 데이터가 많을수록 모델 품질이 크게 향상될 수 있습니다. 최소한의 양으로는 최적의 결과를 얻지 못할 수 있습니다. 예를 들어 1년치 구매 정보가 있으면 모델이 계절성과 트렌드를 더 잘 활용할 수 있습니다.
12. 카테고리와 제품을 함께 추천할 수 있나요?
Recommendations에서는 현재 제품 추천만 반환하지만 사용자가 결과의 일부로 반환되는 각 제품의 카테고리를 가져올 수 있습니다.
13. SQL 데이터베이스 또는 BigQuery와 같은 다른 시스템의 데이터 업로드를 통합할 수 있나요?
예. 이벤트의 경우 BigQuery에서 읽는 샘플 코드가 있습니다. BigQuery용 Google 애널리틱스 샘플 데이터 세트를 참조하세요.
14. Vertex AI Search for Retail에 쿠키가 사용되나요?
아니요, 쿠키를 사용하지 않습니다. 하지만 Vertex AI Search for Retail에 전송되는 모든 이벤트에는 방문자 ID가 지정되어 있어야 하며, 이는 쿠키의 세션 식별자인 경우가 많습니다.
15. 전용 Google Cloud 프로젝트가 필요한가요?
새로운 전용 프로젝트를 만들거나 기존 프로젝트에서 Vertex AI Search for Retail을 사용 설정할 수 있습니다.
16. Cloud Shell을 사용할 때 사용자 인증 정보가 작동하지 않는 이유는 무엇인가요?
Vertex AI Search for Retail에 대해 인증 설정 단계가 완료되었는지 확인합니다. 사용자 환경에서 사용할 수 있도록 만든 서비스 계정을 사용해야 합니다. 그렇지 않으면 '애플리케이션이 지원되지 않는 Google Cloud SDK 또는 Google Cloud Shell의 최종 사용자 인증 정보를 사용하여 인증되었습니다.'라는 오류가 표시될 수 있습니다.
서비스 계정에 대한 자세한 내용은 Google Cloud 문서의 인증 섹션을 참조하세요.
17. Vertex AI Search for Retail을 비슷한 솔루션과 어떻게 비교할 수 있나요?
A/B 테스트를 수행하여 Vertex AI Search for Retail의 결과를 다른 제품의 결과와 비교할 수 있습니다.
18. x,y,z 특성이 유용할 것 같은데 이를 추가할 수 있나요?
여러분의 소중한 의견을 기다리고 있습니다. 특성 요청은 계정팀, Google 지원팀 또는 Issue Tracker를 통해 제출하실 수 있습니다.
19. Recommendations에 이전 API를 계속 사용할 수 있나요?
Recommendations는 Recommendations Engine API에서 Vertex AI Search for Retail로 마이그레이션되었습니다. 베타 기간 동안 Recommendations Engine API를 사용하고 있었다면 Recommendations를 일반 안정화 버전인 Vertex AI Search for Retail(서비스 엔드포인트 https://retail.googleapis.com)로 마이그레이션하는 것이 좋습니다.
이전 API(서비스 엔드포인트 https://recommendationengine.googleapis.com) 및 문서는 계속 사용할 수 있지만 더 이상 업데이트되지 않습니다.
카탈로그 및 제품
1. Recommendations는 새 제품의 콜드 스타트를 어떻게 처리하나요?
구매 내역이 없는 제품은 비슷한 제품을 기준으로 추천을 제공합니다. 이 경우 특히 카탈로그에 올바른 제품 제목, 카테고리, 설명이 정의되어 있어야 합니다.
콜드 스타트 사용자(방문 기록이 없는 방문자)의 경우 모델이 가장 인기 있는 일반 제품부터 시작하며, 더 많은 사용자 이벤트가 수신되면 실시간으로 맞춤설정됩니다.
카탈로그 및 제품 정보와 제품 참조 페이지를 참조하세요.
2. Recommendations에 판매자 센터 카탈로그를 사용할 수 있나요?
예. 판매자 센터 Data Transfer Service를 사용하여 판매자 센터 카탈로그를 BigQuery로 내보낼 수 있습니다. 그러면 BigQuery에서 카탈로그를 직접 읽을 수 있습니다. 판매자 센터에서 카탈로그 데이터 가져오기를 참조하세요.
3. 카탈로그를 가져올 수 있는 그 밖의 방법은 무엇인가요?
- 판매자 센터: 판매자 센터를 이용해 가져옵니다. Search를 사용하는 경우 콘솔을 사용하여 카탈로그를 자동으로 동기화하도록 판매자 센터와 연결할 수 있습니다.
- BigQuery: 테이블 또는 뷰에서 직접 가져옵니다.
- Cloud Storage: JSON 카탈로그 항목을 한 줄에 하나씩 포함한 텍스트 파일을 사용하여 가져옵니다.
- 인라인 가져오기: API 호출을 통해 JSON 카탈로그 항목을 한 줄에 하나씩 포함한 텍스트 파일로 가져옵니다.
- 제품 항목 만들기:
Products생성 메서드를 사용합니다.
4. 카탈로그를 최신 상태로 유지하려면 어떻게 해야 하나요? 카탈로그를 얼마나 자주 업데이트해야 하나요?
카탈로그를 최신 상태로 유지 항목을 참조하세요.
카탈로그는 매일 업데이트하는 것이 좋습니다. Cloud Storage 또는 BigQuery에서 전체 업데이트를 실행하거나 증분 업데이트(즉, 신규 항목 및 변경된 항목만 업데이트)를 실행할 수 있습니다.
가능하다면 실시간으로 가격 및 가용성을 업데이트하세요. 이는 Search를 사용하여 새 항목을 빠르게 검색할 수 있는지에 영향을 줍니다.
Pub/Sub, 메시지 큐, 이벤트 등을 통해 카탈로그 변경사항에 대한 알림을 쉽게 받을 수 있는 경우 import 또는 create API 메서드를 사용하여 실시간으로 카탈로그를 업데이트할 수 있습니다.
예를 들어 Cloud Scheduler를 사용해 일일 BigQuery 가져오기 호출을 실행할 수 있습니다.
5. 카탈로그에 최소 및 최대 크기가 있나요?
최소 크기는 없지만 카탈로그 크기가 너무 적으면(항목 수 100개 미만) 추천할 제품이 너무 적기 때문에 Recommendations를 통해 크게 이득을 보지 못할 수 있습니다.
카탈로그 최댓값은 4,000만 개입니다.
기본 할당량 및 한도와 할당량 변경을 요청하는 방법은 문서를 참조하세요.
6. 여러 국가에서 웹사이트를 운영하는 회사인데 모든 데이터에 하나의 카탈로그를 사용해야 하나요?
일반적으로 모든 항목이 포함된 카탈로그를 하나만 사용하는 것이 가장 좋습니다. 이벤트는 모두 단일 통화를 사용하여 제출해야 합니다. 현재 동일한 프로젝트 내에 여러 개의 카탈로그를 포함할 수 있는 방법은 없지만 항목을 사용하는 경우 특정 국가에 대한 검색, 추천, 자동 완성 동작을 지정할 수 있습니다.
웹사이트마다 카탈로그가 크게 다른 경우 각 웹사이트에 대해 별도의 프로젝트를 운영하는 것이 좋습니다. 또한 국가마다 언어가 다른 경우 각 언어에 대해 하나씩 별도의 프로젝트를 운영하는 것이 좋습니다.
기본 웹사이트보다 트래픽이 적은 유사한 웹사이트가 있다면 모든 개별 웹사이트에 고품질 모델을 생성하기에 충분한 이벤트가 없는 경우 단일 카탈로그를 사용하는 것이 가장 좋습니다.
단일 카탈로그를 사용하려면 카탈로그 항목 ID가 일관되어야 합니다. 즉, 카탈로그 내에서 제품이 중복되지 않도록 동일한 제품이 모든 웹사이트에서 단일 상품 ID를 사용해야 합니다.
Recommendations의 경우에만 항목을 사용하는 대신 필터 태그를 사용하여 특정 웹사이트로 필터링할 수 있습니다. 하지만 필터 태그가 업데이트되는 데 최대 8시간이 걸릴 수 있으므로 국가별 재고(재고 없음) 요구사항이 있는 경우 일반적으로 예측 응답 후 결과를 필터링하는 비즈니스 규칙에 따라 태그를 처리해야 합니다.
7. Vertex AI Search for Retail에서 카탈로그에 따라 여러 통화가 지원되나요?
아니요, 카탈로그당 통화 유형은 하나만 지원됩니다. 단일 통화를 사용해서 이벤트를 업로드해야 합니다.
Search for Retail 콘솔을 사용하여 수익 측정항목을 가져오려면 모든 이벤트에 단일 통화가 사용되는지 확인하거나 모두 동일한 통화로 변환한 후 업로드해야 합니다.
8. 공유 카탈로그 또는 유사한 항목이 포함된 여러 웹사이트가 있습니다. Recommendations가 교차 사이트 추천을 제공할 수 있나요?
일반적으로 사이트 간에 겹치는 부분이 많을 때만 이와 같은 단일 카탈로그를 사용하는 것이 좋습니다. 이 경우 동일한 제품을 많이 또는 모두 공유해야 합니다. 그런 다음 멀티 리전 사이트와 마찬가지로 항목 또는 필터 태그를 사용하여 특정 예측 호출의 사이트별 항목만 반환할 수 있습니다.
사이트에서 카탈로그 항목을 하나라도 공유하지 않는 경우 여러 카탈로그를 사용해야 합니다. 여러 카탈로그를 사용하려면 카탈로그마다 별도의 Google Cloud 프로젝트가 필요합니다.
9. 메타데이터를 더 많이 포함하면 모델이 개선되나요? 모델은 x,y,z 필드를 고려하나요?
필수 필드는 필수 카탈로그 항목 정보를 참조하세요.
다른 메타데이터 필드는 선택사항입니다(예: image 및 itemsAttribute). 예측 미리보기, 결과 분석, 학습, 조정에 사용될 수 있습니다. 색상, 크기, 소재 등과 같은 유용한 속성을 포함하는 것이 좋습니다. 이러한 필드는 returnProduct:true를 지정하여 예측 결과의 일부로 반환될 수 있으며 결과를 렌더링하는 데 유용합니다. 이미지 및 항목 속성은 Search for Retail 콘솔의 예측 미리보기에 사용됩니다.
10. 카탈로그 항목의 어떤 속성이 모델 학습 입력으로 사용되나요?
사용자 행동과 제품 속성의 조합이 사용됩니다. 사용되는 기본 필드는 ID, 제목, 카테고리 계층 구조, 가격, URL입니다. Product.attributes[]에 유용할 수 있는 다른 커스텀 키-값 속성을 포함할 수 있습니다.
이미지 URL은 더 편리한 기능입니다. returnProduct:true를 지정하면 이 메타데이터를 예측 결과의 일부로 반환할 수 있으므로 이 정보를 검색하기 위해 추가 호출을 수행할 필요가 없습니다. 또한 이미지 URL이 있으면 Search for Retail 콘솔에서 모델의 예측 결과를 미리 볼 때 예측 미리보기가 이미지를 표시할 수 있습니다.
11. 내 제품에 어떤 언어가 지원되나요?
Recommendations: 대부분의 언어를 지원합니다. 이 모델은 텍스트 언어를 자동으로 감지합니다. 자동으로 감지할 수 있는 모든 언어 목록은 Compact Language Detector GitHub README를 참조하세요.
Search: 한국어, 아랍어, 네덜란드어, 영어, 프랑스어, 독일어, 이탈리아어, 일본어, 폴란드어, 포르투갈어, 스페인어, 터키어를 지원합니다. 카탈로그를 업로드할 때 언어를 설정합니다. 카탈로그를 한 언어로만 작성해야 하고 쿼리를 동일한 언어로 전송해야 합니다. 카탈로그에 여러 언어가 있으면 모델 성능이 저하됩니다. 예를 들어 카탈로그가 스페인어로 작성되었지만 검색어가 영어인 경우에는 쿼리가 스페인어로 번역되지 않습니다.
12. 카탈로그에 기본/변이 또는 상위/하위 SKU가 포함되어 있습니다. 이러한 SKU가 지원되나요?
예. 판매자 센터의 item_group_id와 비슷합니다. 상위 또는 하위 수준에서 추천을 다시 수신할 방법 및 이벤트가 상위 수준 또는 하위 수준인지를 결정해야 합니다.
제품 수준에 대한 상세 설명은 제품 수준을 참조하세요.
항목 또는 이벤트를 보내기 전에 올바른 제품 수준을 결정하고 설정하세요. 제품 수준을 변경할 수 있지만 항목을 재조인하고 모델을 다시 미세 조정해야 합니다.
13. 더 이상 사용할 수 없을 때 카탈로그에서 제품을 삭제할 수 있나요?
항목이 더 이상 최신 상태가 아닌 경우 이를 참조하는 사용자 이벤트가 무효화되지 않도록 항목을 삭제하는 대신 항목의 상태를 OUT_OF_STOCK으로 설정하는 것이 좋습니다.
사용자 이벤트
1. 수집해야 하는 사용자 이벤트는 무엇인가요?
사용자 이벤트 유형 목록과 사용자 이벤트 요구사항 및 권장사항은 사용자 이벤트 정보를 참조하세요.
2. 모델을 만들 때 데이터 품질 문제는 어떻게 해결하나요?
Search for Retail 콘솔에서 데이터 품질 페이지로 이동하여 수집된 카탈로그와 사용자 이벤트에 대한 데이터 품질 측정항목을 확인합니다.
3. Google 애널리틱스 360과 통합할 수 있나요?
Google 애널리틱스 360(GA360)의 이전 데이터를 사용할 수 있습니다. 판매자 센터 데이터와 마찬가지로 GA360 데이터도 BigQuery로 내보낼 수 있으며 그러면 Vertex AI Search for Retail이 BigQuery에서 직접 이벤트를 읽을 수 있습니다.
GA360에서는 이벤트가 지연되므로 실시간 이벤트의 경우 Google 태그 관리자와 추적 픽셀을 통합하는 것이 좋습니다.
4. Google 애널리틱스 360에서 사용자 이벤트를 가져오고 싶습니다. 필요한 모든 사용자 이벤트를 제공하나요?
Google 애널리틱스 360은 검색 이벤트를 제외하고 Vertex AI Search for Retail에서 사용하는 모든 사용자 이벤트를 기본으로 지원합니다. 사용자는 애널리틱스 360에서 검색 사용자 이벤트를 계속 가져올 수 있지만, Vertex AI Search for Retail은 검색어 및 제품 노출(있는 경우)을 통해 검색 사용자 이벤트를 구성하는 점에 유의하세요.
5. Recommendations AI로 이벤트를 제공하려면 어떻게 해야 하나요?
사용자는 일반적으로 Cloud Storage 또는 API 가져오기를 사용하여 이전 이벤트를 가져온 후 라이브 사이트의 자바스크립트 Pixel 또는 태그 관리자 태그를 사용하거나 백엔드의 write 메서드를 통해 실시간 이벤트를 스트리밍합니다.
6. 모델에 필요한 대로 나열한 사용자 이벤트 유형을 모두 전송할 수 없는 경우에는 어떻게 해야 하나요? 각 모델에 필요한 최소 이벤트 유형 수는 어떻게 되나요?
모델 및 최적화 목표마다 요구사항이 약간 다릅니다. 사용자 이벤트 데이터 요구사항을 참조하세요.
일반적으로 카탈로그 항목당 이벤트가 더 많으면 모델 성능이 향상됩니다. 트래픽이 많지만 카탈로그가 작은 사이트의 경우 소량의 과거 이벤트를 사용해 시작할 수 있지만 보통은 최소 몇 주 이상의 이전 데이터는 물론 향후 실시간 이벤트가 필요합니다.
7. 수익 또는 수량 값이 없는 장바구니 추가 및 구매 완료 이벤트가 있습니다. 무엇을 제출해야 하나요?
수량 값이 없다면 모델 결과에 영향을 주지 않도록 기본값 1을 전달하면 됩니다. 항목에는 항상 displayPrice가 설정되어 있어야 합니다. 할인 가격과 같이 사용자에게 표시되는 것이라면 무엇이든 가능합니다. originalPrice 및 cost는 선택사항입니다.
8. 내 데이터에는 제한된 유형의 이벤트만 포함되어 있습니다. Vertex AI Search for Retail을 사용할 수 있나요?
각 모델 유형의 최소 데이터 요구사항은 사용자 이벤트 데이터 요구사항을 참조하세요.
검색결과
1. 검색결과가 맞춤설정되나요?
예. 검색은 맞춤형 개인 검색 결과를 제공할 수 있습니다. 검색 결과는 방문자 ID를 기반으로 맞춤설정됩니다. 자세한 내용은 맞춤설정을 참조하세요.
2. 사용자가 쇼핑하는 매장처럼, 검색 요청의 일부로서 컨텍스트를 포함하려면 어떻게 해야 하나요?
저장소 ID 기반 가용성 및 처리 옵션은 제품 카탈로그의 속성입니다. 처리 옵션은 '온라인 전송', '온라인 구매', '매장에서 수령'과 같은 속성입니다.
속성은 검색 요청에서 매개변수로 전송될 수 있습니다. 따라서 이 예시에서 검색 요청은 사용자의 저장소 ID를 지정할 수 있습니다. 결과는 요청의 저장소 ID에 따라 필터링되거나 더 높게 순위 지정될 수 있습니다.
3. 검색 결과에서 제품을 숨길 수 있나요?
예. filter 매개변수는 해당 태그를 기준으로 결과를 필터링할 수 있습니다.
4. 재고 및 가격과 같은 여러 기준에 따라 순위를 지정할 수 있나요?
예, [boostSpec]에서는 복잡한 순위 지정 규칙을 허용합니다.
5. 여러 상품 속성에 대한 결과를 제공하기 위해 일부 속성을 그룹화할 수 있나요? 예를 들어 생산 출처를 기준으로 같은 국가의 도시를 그룹화할 수 있나요?
제품 속성은 계층적이지 않습니다. 하지만 여러 커스텀 속성을 사용하여 이를 달성할 수 있습니다. 이 예시에서는 제조 국가 및 제조 도시 모두에 커스텀 속성을 사용할 수 있습니다.
6. 추천은 어떻게 작동하나요?
추천은 사용자 쿼리, 다시 작성된 쿼리, 제품 이름 등의 조합입니다. 고품질 자동 완성 추천을 생성하려면 카탈로그와 함께 충분한 수의 검색 이벤트를 수집해야 합니다.
예측 결과
1. 반환할 수 있는 예측 수에 제한이 있나요?
기본적으로 예측 요청은 응답으로 20개의 항목을 반환합니다. pageSize 값을 제출하면 이 수를 늘리거나 줄일 수 있습니다.
100개가 넘는 항목을 반환해야 하는 경우 Google 지원팀에 문의하여 한도를 늘리세요. 그러나 항목을 100개 넘게 반환하면 응답 지연 시간이 증가할 수 있습니다.
2. 모델에서 특정 제품을 추천한 이유를 확인할 수 있나요?
현재로서는 가능하지 않습니다.
3. 예측 결과를 다운로드하고 캐시할 수 있나요?
사이트의 사용자 활동에 따라 예측 결과가 실시간으로 개선되므로 캐시된 예측을 사용하지 않는 것이 좋습니다. 모델에서 매일 재학습을 통해 카탈로그 변경사항을 통합하고 사용자 이벤트의 새로운 추세에 반응하기 때문에 결과 또한 달라집니다.
4. 비즈니스 규칙을 기준으로 반환된 추천을 재정렬해야 합니다. 가능한가요?
예. 반환된 추천을 비즈니스 규칙에 따라 재정렬할 수 있지만 추천 결과를 재정렬하거나 필터링하면 선택한 최적화 목표 달성 시 모델의 전반적인 효율이 떨어질 수 있습니다.
가격 재정렬 기능은 반환된 추천 집합에서 관련 상품을 가격이 높은 순서로 정렬하며 내가 좋아할 만한 기타 항목 및 추천 서비스 모델의 기본 맞춤설정으로 사용할 수 있습니다.
가격 재정렬을 참조하세요.
5. 만들고 사용할 수 있는 필터 태그 수에 제한이 있나요?
만들거나 사용할 수 있는 고유한 태그 수에는 엄격한 제한이 없습니다. 하지만 시스템은 항목당 여러 개의 필터 태그를 처리하도록 설계되지 않았습니다. 가능하면 필터 태그를 카탈로그 항목당 최대 10개로 제한하는 것이 좋습니다. 전체 카탈로그에서 값을 10개 넘게 사용할 수 있습니다. 이는 항목당 한도입니다. 총 태그(모든 항목당 태그 수 합계)의 한도는 100,000,000개입니다.
Vertex AI Search for Retail 할당량 및 한도 문서를 참조하세요.
6. Recommendations를 다각화할 수 있나요?
예. 다각화는 서빙 구성의 일부로서, 또는 예측 요청 매개변수에서 지정할 수 있습니다. 다각화 수준이 낮으면 예측에는 동일한 카테고리의 유사한 항목이 포함될 수 있습니다. 다각화가 높을수록 결과에 다른 카테고리의 항목이 포함됩니다.
7. 가격별로 추천 우선순위를 지정할 수 있나요?
예. 가격 재순위를 사용하면 추천 확률이 비슷한 추천 제품이 높은 가격순으로 정렬됩니다. 항목 순서를 지정할 때 관련성도 사용되므로 가격 재순위를 사용 설정하는 것은 가격을 기준으로 정렬하는 것과는 다릅니다. 가격 재순위는 서빙 구성의 일부로서, 또는 예측 요청 매개변수에서 지정할 수 있습니다.
모델
1. 카탈로그 및 이벤트를 업로드했는데 predict API를 호출할 때 다음과 같은 응답이 계속 표시됩니다. "Recommendations 모델이 준비되지 않았습니다. 통합을 위해 예측 요청에서 'dryRun'을 true로 설정할 수 있습니다. 그러면 카탈로그에서 임의의 카탈로그 항목이 반환됩니다(프로덕션 트래픽에는 사용하지 마세요)."
보통은 모델의 학습이 완료되지 않았다는 의미입니다. 모델을 만든 지 10일이 넘었는데 이 응답이 계속 표시된다면 지원팀에 문의하세요.
2. 모델을 학습시키는 데 얼마나 걸리나요?
초기 모델 학습 및 미세 조정을 완료하는 데 2~5일이 걸리지만 데이터 세트가 대규모일 경우에는 더 오래 걸릴 수 있습니다. 이후에 사용 중지되지 않는 한 모델은 매일 자동으로 재학습됩니다. 모델 학습 일시중지 및 재개를 참조하세요.
3. 모델을 다운로드하거나 내보낼 수 있나요?
번호
4. 기존 프로젝트에서 만든 모델을 새 프로젝트에서 사용할 수 있나요?
아니요. 새 프로젝트에서 모델을 만들고 재학습시켜야 합니다.
5. 카테고리 페이지에 모델을 사용하고 싶습니다. 그렇게 할 수 있나요?
예. 추천 서비스는 카테고리 페이지에 유용합니다.
카테고리 페이지는 해당 카테고리의 상품만 표시한다는 점을 제외하면 홈페이지와 유사합니다.
이는 필터 태그가 있는 표준 추천 서비스 모델을 사용하여 수행할 수 있습니다.
예를 들어 카탈로그의 항목에 맞춤설정된 필터 태그(각 카테고리 페이지에 해당)를 추가할 수 있습니다. 예측 요청을 전송할 때 사용자 이벤트 객체를 category-page-view로 설정하고 filter 필드에 특정 카테고리 페이지의 태그를 지정합니다. 요청된 필터 태그와 일치하는 추천 결과만 반환됩니다. 다양성은 카테고리 기반 필터 태그와 충돌할 수 있으므로 이 사용 사례에서는 다양성을 사용 중지해야 합니다.
6. 모델에서 맞춤설정을 사용 중지할 수 있나요?
기본적으로 예측 결과는 내가 좋아할 만한 기타 항목, 추천 서비스, 다시 구매하기 추천 모델 유형의 사용자에 대해 맞춤설정됩니다.
맞춤설정을 사용 중지하면 모델 성능에 부정적인 영향을 줄 수 있으므로 사용 설정하지 않는 것이 좋습니다.
사용자가 사이트에서 이전에 상호작용한 내용을 기반으로 하지 않고 보고 있는 제품과 관련이 있는 카탈로그 항목을 표시해야 하는 경우, 예측 요청에서 임의의 고유 방문자 ID를 사용하여 맞춤설정되지 않은 추천을 받을 수 있습니다. 맞춤설정하지 않으려는 서빙 구성의 요청에만 이렇게 해야 합니다.
Search for Retail 콘솔
1. 여러 이벤트를 삭제했는데 이러한 이벤트 유형의 개수가 대시보드에 계속 표시됩니다.
이는 정상적인 동작입니다. Search for Retail 대시보드에는 특정 기간 동안 수집된 이벤트 수가 표시됩니다. 현재 개수나 이벤트 수는 표시되지 않습니다.
일반적으로 사용자 이벤트는 기록된 후에 그대로 유지해야 합니다. 이벤트를 삭제하지 않는 것이 좋습니다. 사용자 이벤트를 완전히 재설정하려면 대신 새 프로젝트를 만드는 것이 좋습니다.
올바르게 기록되지 않은 이벤트를 삭제해야 하는 경우 사용자 이벤트 삭제 문서를 참조하세요. 이벤트 삭제를 완료하는 데 며칠이 걸릴 수 있습니다.
2. 카탈로그 또는 사용자 이벤트에 오류가 있는지 어떻게 알 수 있나요?
카탈로그 항목 업데이트 또는 사용자 이벤트에 대한 API 호출은 대부분 구문에 문제가 있거나 어떠한 이유로 요청을 처리할 수 없는 경우에 오류를 반환합니다.
Search for Retail 대시보드에는 조인되지 않은 이벤트의 백분율이 표시됩니다. 이는 카탈로그 또는 이벤트 문제를 파악할 때 사용하면 유용한 측정항목입니다. 조인되지 않은 이벤트(또는 조인되지 않은 예측 호출)는 카탈로그에 없는 항목 ID가 지정된 경우에 발생합니다. 이는 일반적으로 카탈로그가 오래되었으며 새 카탈로그 항목 또는 변경된 카탈로그 항목을 업로드해야 하지만, 잘못된 상품 ID가 전달되었기 때문일 수 있습니다. 요청을 확인하여 상품 ID가 카탈로그에 올바르게 매핑되었는지 확인한 다음 업로드한 카탈로그를 확인하여 항목이 있는지 확인합니다.
Cloud Monitoring 및 Cloud Logging을 사용하여 이벤트 상태를 모니터링할 수 있습니다. 예를 들어 일정 기간 동안 이벤트가 없거나 예측 호출이 특정 기준점 아래로 떨어지면 알림을 받을 수 있습니다.
3. 추천 서빙 구성이 비활성으로 표시되는 이유는 무엇인가요? 이를 활성화하려면 어떻게 해야 하나요?
추천 서빙 구성을 사용하려면 먼저 카탈로그 및 사용자 이벤트 데이터를 제출하여 해당 모델을 학습시켜야 합니다. 모델이 학습되면 대시보드는 모델이 쿼리할 준비가 되었음을 나타냅니다.
4. Search for Retail은 어떤 통화로 수익 측정항목을 보고하나요?
Search for Retail은 업로드된 데이터에 사용된 통화로 측정항목을 보고합니다. Vertex AI Search for Retail은 카탈로그당 여러 통화 사용을 지원하지 않으며 통화를 변환하지 않습니다.
Search for Retail 콘솔을 사용하여 수익 측정항목을 가져오려면 모든 이벤트에서 단일 통화를 사용하는지 확인하거나 Vertex AI Search for Retail에 업로드하기 전에 모든 이벤트를 동일한 통화로 변환하세요.