Auf dieser Seite wird beschrieben, wie Sie ein neues Empfehlungsmodell erstellen.
Wenn Sie bereits ein Empfehlungsmodell des richtigen Typs haben und Vorhersagen von einem anderen Speicherort auf Ihrer Website abrufen möchten, können Sie statt eines neuen Modells eine neue Bereitstellungskonfiguration erstellen. Weitere Informationen
Einführung
Wenn Sie einen neuen Empfehlungstyp für Vorhersagen verwenden möchten, müssen Sie ein neues Empfehlungsmodell erstellen und genügend Nutzerereignisdaten bereitstellen, damit es trainiert werden kann. Sie erstellen Bereitstellungskonfigurationen für Ihr neues Modell und fordern dann Vorhersagen von diesen Bereitstellungskonfigurationen an, wenn das Modell das Training abgeschlossen hat.
Eine Übersicht über die Arbeit mit Vertex AI Search für den Einzelhandel finden Sie unter Vertex AI Search für den Einzelhandel implementieren.
Empfehlungsmodell erstellen
Sie fügen ein neues Empfehlungsmodell mithilfe der Console „Suchen für Einzelhandel“ oder der models.Create API-Methode hinzu.
Es sind bis zu 20 Modelle pro Projekt möglich, wobei jederzeit bis zu 10 Modelle aktiv (nicht pausiert) sein können. Weitere Informationen zum Pausieren eines Modells
Sie können bis zu fünf Modellvorgänge pro Minute starten. Zu den eingeschränkten Modellvorgängen gehören das Erstellen, Löschen, Anhalten und Fortsetzen.
Bevor Sie ein neues Modell erstellen, ist Folgendes zu beachten:
- Sehen Sie sich die verfügbaren Empfehlungsmodelltypen und Geschäftsziele für das Modell an und wählen Sie einen aus. Sie bestimmen, welche Art von Empfehlungen dieses Modell liefern soll.
- Legen Sie fest, wie oft das Modell optimiert werden soll. Weitere Informationen zu den Kosten für die Optimierung und das Training finden Sie unter Preise.
- Achten Sie darauf, dass Sie genügend Daten hochgeladen haben, um die Anforderungen zum Erstellen eines neuen Modells zu erfüllen. Einige Anforderungen hängen vom ausgewählten Modelltyp ab.
Wenn Sie ein Modell für die Optimierung auf Seitenebene erstellen möchten, gehen Sie so vor:
Prüfen Sie, ob Sie bereits Konfigurationen für die Empfehlungsbereitstellung mit verknüpften trainierten Modellen haben. Sie müssen eine Auswahl von Konfigurationen für die Auslieferung von Empfehlungen bereitstellen, aus denen die Optimierung auf Seitenebene bei der Optimierung der Empfehlungen einer Seite auswählen kann.
Richten Sie die Ereignisaufzeichnung für
detail-page-view-Ereignisse und Ereignisse ein, die dem Seitentyp entsprechen, auf dem Sie das Modell für die Optimierung auf Seitenebene bereitstellen. Wenn Sie das Modell beispielsweise auf einer Startseite bereitstellen, müssen Sie die Aufzeichnung fürhome-page-view-Ereignisse einrichten. Um personalisierte Empfehlungen zu verbessern, wird auch die Ereignisaufzeichnung fürpurchase- undadd-to-cart-Ereignisse empfohlen.Wenn Sie das Geschäftsziel „Conversion-Rate (CVR)“ auswählen, ist die Ereignisaufzeichnung für
add-to-cart-Ereignisse erforderlich.Achten Sie darauf, dass Sie das Modell nach dem Erstellen weiterhin abfragen, um Impressionen für Empfehlungen zu generieren. Diese Impressionen werden verwendet, um das Modell für die Optimierung auf Seitenebene zu trainieren und die Empfehlungen zu verbessern.
So erstellen Sie ein neues Modell:
Google Cloud Console
Rufen Sie in der Console „Suchen für Einzelhandel“ die Seite Modelle auf.
Zur Seite „Modelle“Klicken Sie auf Modell erstellen.
Geben Sie einen Namen für das Modell ein.
Der Name darf höchstens 1.024 Zeichen lang sein und nur alphanumerische Zeichen, Unterstriche, Bindestriche und Leerzeichen enthalten.
Wählen Sie den Empfehlungstyp aus.
Wenn Sie den Modelltyp für die Optimierung auf Seitenebene ausgewählt haben:
Wählen Sie die Art der Seite aus, für die das Modell „Optimierung auf Seitenebene“ optimiert werden soll.
Wählen Sie aus, inwiefern die Auslieferung ähnlicher Bereitstellungskonfigurationen in verschiedenen Bereichen eingeschränkt werden soll:
Einzigartiger Modelltyp:Es darf nicht vorkommen, dass mehrere Bereitstellungskonfigurationen mit demselben Modelltyp in verschiedenen Bereichen angezeigt werden.
Einzigartiges Modell:Es wird nicht zugelassen, dass mehrere Bereitstellungskonfigurationen mit demselben Modell in verschiedenen Bereichen angezeigt werden.
Eindeutige Bereitstellungskonfiguration:Nicht zulassen, dass dieselbe Bereitstellungskonfiguration in mehreren Bereichen angezeigt wird.
Keine Einschränkung:Es kann eine beliebige Anzahl von Bereitstellungskonfigurationen in beliebig vielen Bereichen angezeigt werden.
Geben Sie für jeden Empfehlungsbereich, den Sie mit diesem Modell anzeigen möchten, Folgendes an:
Geben Sie eine Bereichs-ID ein.
Wählen Sie aus, welche Bereitstellungskonfigurationen das Modell für die Optimierung auf Seitenebene als Optionen für diesen Bereich berücksichtigen kann.
Eine Seite zum Hinzufügen von Artikeln zum Einkaufswagen kann beispielsweise ein Empfehlungsfeld enthalten, in dem Sie entweder Empfehlungen für „Häufig zusammen gekaufte Artikel“ oder „Was Ihnen sonst noch gefallen könnte“ anzeigen möchten. Wählen Sie in diesem Fall eine Bereitstellungskonfiguration aus, die das Modell „Häufig zusammen gekauft“ und eine andere, die das Modell „Was Ihnen sonst noch gefallen könnte“ verwendet, um sie in diesem Bereich zu berücksichtigen. Wenn Sie eine Vorhersage an das Modell für die Optimierung auf Seitenebene senden, wird anhand des Ereignisverlaufs des Endnutzers ausgewählt, welche Art von Empfehlungen in diesem Bereich angezeigt werden soll.
Wählen Sie eine Standardbereitstellungskonfiguration aus.
Bei einem Google-Serverausfall kann das Modell zur Optimierung auf Seitenebene weiterhin Ergebnisse aus der Standardbereitstellungskonfiguration ausliefern.
Wenn Sie weitere Bereiche erstellen möchten, klicken Sie für jeden neuen Bereich auf Bereich hinzufügen und geben Sie die Details für den neuen Bereich ein.
Wählen Sie das Geschäftsziel aus, sofern für den ausgewählten Modelltyp verfügbar.
Wenn Sie den Modelltyp „Häufig zusammen gekauft“ ausgewählt haben, wählen Sie den Produkttyp für Kontext aus:
- Mehrere Kontextprodukte: Verwenden Sie ein oder mehrere Elemente als Kontext für Empfehlungen aus diesem Modell.
- Einzelnes Kontextprodukt: Verwenden Sie ein Element als Kontext für Empfehlungen aus diesem Modell.
Prüfen Sie in der Liste Datenanforderungen erfüllt?, ob Sie genügend Daten für den ausgewählten Modelltyp hochgeladen haben.
Wenn Sie das Modell aufgrund einer nicht erfüllten Datenanforderung nicht erstellen können, wird neben der Anforderung ein X cancel angezeigt und die Schaltfläche Erstellen unten im Bereich Empfehlungsmodell erstellen ist deaktiviert.
Wenn Sie weitere Daten hochladen müssen, prüfen Sie sorgfältig die aufgeführten Datenanforderungen, um festzustellen, ob einige oder alle für dieses Modell erfüllt werden müssen. Importieren Sie dann die Nutzerereignisse oder Produkte, die zum Erstellen des Modells erforderlich sind.
Weitere Informationen zum Importieren finden Sie unter Verlaufsnutzerereignisse importieren und Kataloginformationen importieren.
Legen Sie fest, wie oft das Modell optimiert werden soll. Weitere Informationen zu den Optimierungskosten finden Sie unter Preise.
- Alle drei Monate: Das Modell wird alle drei Monate automatisch optimiert.
- Nur manuelle Optimierung: Das Modell wird nur dann optimiert, wenn Sie es manuell optimieren.
Öffentliche Funktion in der Vorabversion: Legen Sie fest, ob automatisch Tags zum Filtern generiert werden sollen.
- Tags automatisch generieren: Wenn Sie diese Option aktivieren, können Sie Empfehlungsergebnisse aus diesem Modell herausfiltern. Wenn diese Option aktiviert ist, kann sich die Trainingszeit verlängern. Weitere Informationen zu den Kosten für die Modellerstellung finden Sie unter Preise.
- Keine Tags generieren: Wenn diese Option deaktiviert ist, erhalten Sie keine gefilterten Empfehlungen von diesem Modell.
Klicken Sie auf Erstellen, um das neue Empfehlungsmodell zu erstellen.
Wenn Sie ausreichend Nutzerereignisdaten des erforderlichen Typs hochgeladen haben, beginnt das erste Training und die Abstimmung des Modells. Das erste Training und die Abstimmung des Modells dauern zwei bis fünf Tage. Bei großen Datasets kann es jedoch länger dauern.
Sie können für Ihr neues Modell vor dem Training Bereitstellungskonfigurationen erstellen, aber diese werden nur als Probevorhersagen verwendet, bis das erste Training und die Feinabstimmung abgeschlossen sind und das Modell aktiv ist.
curl
Stellen Sie eine Models.create-Anfrage an die V2 API mit einer Instanz von Model im Anfragetext. Weitere Informationen finden Sie in der Models.create API-Referenz.
Weitere Informationen zu allen Models-Feldern finden Sie in der Models API-Referenz.
curl -X POST \ -H "Authorization: Bearer $(gcloud auth application-default print-access-token)" \ -H "Content-Type: application/json; charset=utf-8" \ --data '{ "name": "FULL_MODEL_NAME", "displayName": "DISPLAY_NAME", "trainingState": "TRAINING_STATE", "type": "MODEL_TYPE", "optimizationObjective": "OPTIMIZATION_OBJECTIVE", "periodicTuningState": "TUNING_STATE", "filteringOption": "FILTERING_STATE", "modelTypeConfig" { "contextProductsType": "CONTEXT_PRODUCTS_TYPE" } }' \ "https://retail.googleapis.com/v2beta/projects/PROJECT_NUMBER/locations/global/catalogs/default_catalog/models"
Wenn Sie ausreichend Nutzerereignisdaten des erforderlichen Typs hochgeladen haben, beginnt das erste Training und die Abstimmung des Modells. Das erste Training und die Abstimmung des Modells dauern zwei bis fünf Tage. Bei großen Datasets kann es jedoch länger dauern.
Sie können für Ihr neues Modell vor dem Training Bereitstellungskonfigurationen erstellen, aber diese werden nur als Probevorhersagen verwendet, bis das erste Training und die Feinabstimmung abgeschlossen sind und das Modell aktiv ist.
Anforderungen zum Erstellen eines neuen Empfehlungsmodells
Wenn Sie zum ersten Mal einen bestimmten Empfehlungstyp für Ihre Website verwenden, trainieren Sie ein neues Modell für maschinelles Lernen. Das erfordert genügend Trainingsdaten sowie die Zeit zum Trainieren und Optimieren des Modells. Die folgenden Schritte sind erforderlich, um einen neuen Empfehlungstyp zu verwenden:
- Importieren Sie Ihren Katalog in Vertex AI Search for Retail, falls Sie dies noch nicht getan haben, und implementieren Sie Prozesse, um den hochgeladenen Katalog auf dem neuesten Stand zu halten.
- Starten Sie die Aufnahme von Nutzerereignissen in Vertex AI Search für den Einzelhandel, falls Sie dies noch nicht getan haben. Achten Sie dabei auf die Best Practices zum Aufzeichnen von Nutzerereignisdaten.
- Identifizieren Sie den Empfehlungstyp und das Optimierungsziel, das Sie verwenden möchten.
- Ermitteln Sie die Anforderungen für Nutzerereignisdaten für den gewünschten Empfehlungstyp und das gewünschte Ziel.
- Importieren Sie Verlaufsdaten zu Nutzerereignissen, um die Mindestanforderungen für Ereignisdaten zu erfüllen, oder warten Sie, bis die Erfassung von Nutzerereignisdaten die Mindestanforderungen erfüllt.
Erstellen Sie Ihr Modell und Ihre Bereitstellungskonfigurationen.
An diesem Punkt initiiert Vertex AI Search für den Einzelhandel das Modelltraining und die Abstimmung. Das erste Training und die Abstimmung des Modells dauern zwei bis fünf Tage. Bei großen Datasets kann es jedoch länger dauern.
Prüfen Sie mithilfe der Vorhersagevorschau, ob Ihr Modell ordnungsgemäß funktioniert.
Mindestdatenanforderungen für den Modelltyp
Die Art der importierten Nutzerereignisse und die Menge der benötigten Daten hängen von Ihrem Empfehlungstyp (Modell) und Ihrem Optimierungsziel ab. Wenn Sie die Mindestdatenanforderungen erreichen, können Sie mit dem Modelltraining beginnen.
Das Datenerfassungsfenster stellt den Zeitraum für Nutzerereignisse dar. Das Importieren weiterer Verlaufsdaten hat keine Auswirkungen auf die Modellqualität.
Verwenden Sie echte Nutzerereignisse und echte Katalogdaten. Hochwertige Modelle können nicht auf synthetischen Daten basieren.
| Modelltyp | Optimierungsziel | Unterstützte Nutzerereignistypen: | Mindestdatenanforderung | Fenster zur Datenerfassung |
|---|---|---|---|---|
| Empfehlungen für mich | Klickrate (Click-through-Rate, CTR) |
detail-page-viewhome-page-view
|
7 Tage mit
100 einzelne Katalogartikel für das Ereignis
10.000 UND
7 Tage mit
10.000 |
3 Monate |
| Empfehlungen für mich | Conversion-Rate |
add-to-cartdetail-page-viewhome-page-view
|
7 Tage mit
100 einzelne Katalogartikel für das Ereignis
10.000 UND
7 Tage mit
100 einzelne Katalogartikel für das Ereignis
10.000 UND
7 Tage mit
10.000 |
3 Monate |
| Empfehlungen für mich | Umsatz pro Sitzung |
add-to-cartdetail-page-viewhome-page-view
|
7 Tage mit
100 einzelne Katalogartikel für das Ereignis
10.000 UND
7 Tage mit
10.000 |
3 Monate |
| Was Ihnen sonst noch gefallen könnte | Klickrate (Click-through-Rate, CTR) |
detail-page-view
|
7 Tage mit
100 einzelne Katalogartikel für das Ereignis
10.000 |
3 Monate |
| Was Ihnen sonst noch gefallen könnte | Conversion-Rate |
add-to-cartdetail-page-view
|
7 Tage mit
100 einzelne Katalogartikel für das Ereignis
10.000 UND
7 Tage mit
100 einzelne Katalogartikel für das Ereignis
10.000 |
3 Monate |
| Was Ihnen sonst noch gefallen könnte | Umsatz pro Sitzung |
add-to-cartdetail-page-view
|
7 Tage mit
100 einzelne Katalogartikel für das Ereignis
10.000 UND
7 Tage mit
100 einzelne Katalogartikel für das Ereignis
10.000 |
3 Monate |
| Häufig zusammen gekaufte Artikel | Umsatz pro Sitzung |
purchase-complete
|
Durchschnittlich 10 Vorkommnisse pro Katalogelement (in einem 1-Jahres-Zeitraum mit
100 einzelne Katalogartikel für das Ereignis
1.000 |
3 Monate Wir empfehlen, Ereignisse mindestens einmal täglich hochzuladen, um eine gute Datenqualität zu gewährleisten. Achten Sie beim Importieren von Verlaufsereignissen darauf, dass die Datenverteilung zum aktuellen Zeitstempel hin verzerrt ist. Die Anzahl der Ereignisse am letzten Tag mit Zeitstempel sollte der durchschnittlichen täglichen Ereignisanzahl entsprechen oder diese überschreiten. |
| Im Angebot | Klickrate (Click-through-Rate, CTR) |
detail-page-viewhome-page-view
|
7 Tage mit
100 einzelne Katalogartikel für das Ereignis
10.000 UND
7 Tage mit
10.000 |
3 Monate |
| Im Angebot | Conversion-Rate |
add-to-cartdetail-page-viewhome-page-view
|
7 Tage mit
100 einzelne Katalogartikel für das Ereignis
10.000 UND
7 Tage mit
100 einzelne Katalogartikel für das Ereignis
10.000 UND
7 Tage mit
10.000 |
3 Monate |
| Ähnliche Artikel | – | Nicht erforderlich. |
100 Produkt-SKUs müssen sich in irgendeinem Zweig befinden |
– |
| Optimierung auf Seitenebene | Beliebig |
detail-page-viewadd-to-cartpurchase-completehome-page-view
|
Bei der Optimierung auf Seitenebene werden Empfehlungsbereiche durch die Auswahl zwischen mehreren möglichen Modellen optimiert. Lesen Sie die Datenanforderungen für die Modelle, die Sie als Optionen für die Optimierung auf Seitenebene auswählen. |
– |
| Noch einmal kaufen | – |
purchase-complete
|
Durchschnittlich 10 Vorkommnisse pro Katalogelement (mit einem 90-Tage-Zeitraum mit
100 einzelne Katalogartikel für das Ereignis
1.000 100 Produkt-SKUs müssen sich in irgendeinem Zweig befinden |
– Wir empfehlen, Ereignisse mindestens einmal täglich hochzuladen, um eine gute Datenqualität zu gewährleisten. Achten Sie beim Importieren von Verlaufsereignissen darauf, dass die Datenverteilung zum aktuellen Zeitstempel hin verzerrt ist. Die Anzahl der Ereignisse am letzten Tag mit Zeitstempel sollte der durchschnittlichen täglichen Ereignisanzahl entsprechen oder diese überschreiten. |
Nächste Schritte
- Bereitstellungskonfiguration für das Modell erstellen.
- Training unterbrechen und fortsetzen.
- Wenn das Training des Modells abgeschlossen ist, fragen Sie Empfehlungen an.