Ada kesulitan lain atau masalah yang Anda alami tidak dijelaskan di sini? Laporkan bug atau minta fitur dan bergabunglah dengan grup Google cloud-recommendations-users atau diskusi Stack Overflow.
Umum
Berikut adalah pertanyaan umum (FAQ).
1. Apakah Anda memiliki library klien untuk Vertex AI Search untuk commerce atau contoh kode lainnya?
Ya. Anda dapat melihat panduan library klien untuk informasi penyiapan dan referensi untuk setiap library.
Layanan Penemuan API Google juga dapat digunakan sebagai pengganti panggilan REST mentah.
2. Apakah semua model rekomendasi dipersonalisasi?
Model Direkomendasikan untuk Anda, Lainnya yang Mungkin Anda Sukai, dan Beli Lagi membuat rekomendasi yang dipersonalisasi jika diberi histori pengguna. Model Sering Dibeli Bersama dan Item Serupa tidak dipersonalisasi.
Lihat Tentang model rekomendasi.
3. Apakah saya akan langsung menerima rekomendasi yang dipersonalisasi, atau apakah saya harus menunggu rekomendasi ini meningkat seiring waktu?
Rekomendasi akan meningkat seiring Anda mengumpulkan lebih banyak histori pengguna. Model Direkomendasikan untuk Anda menampilkan produk populer dan model Produk Lain yang Mungkin Anda Sukai menampilkan produk serupa berdasarkan sebagian besar penayangan orang lain. Kedua model ini langsung memperhitungkan perilaku pengguna, jadi penting untuk mengirim peristiwa real-time. Lihat artikel Tentang model rekomendasi.
Peristiwa pengguna harus dikirim secara real time, atau mendekati real time, agar personalisasi efektif. Jika peristiwa pengguna hanya dikirimkan setiap hari, atau dalam batch sepanjang hari, model yang dipersonalisasi mungkin tidak berperforma sebaik yang seharusnya jika peristiwa real-time dikirimkan.
4. Apakah Anda menggunakan data demografi pengguna Google dalam model Anda?
Model hanya menggunakan data peristiwa pengguna dan katalog yang Anda berikan. Jika ingin menyertakan data demografis, Anda dapat menyertakan informasi tekstual atau numerik lain yang mungkin berguna sebagai atribut kustom. Data ini akan mulai digunakan oleh model setelah disesuaikan ulang.
Jangan sertakan informasi identitas pribadi (PII) seperti alamat email atau nama pengguna. Sebaiknya Anda menganonimkan data demografis, misalnya dengan melakukan hashing pada nilai atau menggunakan ID grup.
5. Dapatkah saya membuat rekomendasi berdasarkan histori peristiwa sekelompok pengguna, bukan histori satu pengguna?
Rekomendasi didasarkan pada satu ID pengunjung atau ID pengguna. Anda harus membuat permintaan satu per satu, lalu menggabungkan hasilnya untuk mendasarkan rekomendasi pada histori grup. Jika pengguna memiliki atribut metadata umum, Anda dapat menggunakan ID grup sebagai ID pengguna untuk memberikan rekomendasi tingkat grup.
6. Saya melihat bahwa Anda dapat mengirimkan URL gambar untuk produk. Apakah model mempertimbangkan gambar produk?
Saat ini, tidak. Kolom ini disediakan agar Anda dapat mengambil metadata ini bersama dengan hasil rekomendasi yang ditampilkan, untuk membantu merender hasil rekomendasi. Pratinjau prediksi juga menggunakan URL gambar untuk menampilkan gambar saat Anda melihat pratinjau hasil prediksi model di konsol Penelusuran untuk e-commerce.
7. Perusahaan saya bukan situs e-commerce retail. Apakah saya masih dapat menggunakan rekomendasi untuk memprediksi x,y,z?
Pelanggan kami telah menggunakan rekomendasi untuk rekomendasi konten, streaming video dan game, serta kasus penggunaan lainnya. Namun, konten dan pengalaman kami dirancang dengan mempertimbangkan kasus penggunaan e-commerce retail dan mungkin belum cocok untuk kasus penggunaan lainnya.
8. Dapatkah saya menempatkan rekomendasi di halaman mana pun di situs saya?
Ya, tetapi setiap model dirancang untuk kasus penggunaan tertentu dan mungkin berfungsi paling baik di halaman tertentu. Lihat Tentang model rekomendasi.
Bersama Dibeli dan Lainnya yang Mungkin Anda Suka memerlukan ID item, sehingga harus digunakan untuk rekomendasi menggunakan, misalnya, ID produk atau item dalam keranjang. Sering Dibeli Bersama biasanya berfungsi paling baik di halaman penambahan item ke keranjang atau checkout, sementara Orang Lain Juga Menyukai dan Item Serupa berfungsi paling baik di halaman detail produk. Direkomendasikan untuk Anda dapat ditempatkan di halaman mana pun, karena hanya memerlukan ID pengunjung sebagai input, tetapi dirancang sebagai konfigurasi penayangan halaman beranda. Beli Lagi dirancang untuk ditempatkan di halaman mana pun.
9. Dapatkah saya menggunakan rekomendasi untuk rekomendasi dalam newsletter email?
Ya. Hal ini dapat dilakukan dengan melakukan panggilan ke API dengan ID pengunjung atau ID pengguna, lalu menggabungkan hasilnya ke dalam template email. Jika ingin item dimuat secara dinamis pada saat email dibaca, Anda harus menggunakan endpoint perantara, seperti Google Cloud Function, untuk mengirim permintaan prediksi. API hanya menyediakan daftar ID produk dan metadata yang diurutkan, jadi Anda juga perlu menulis kode sendiri untuk merender hasil gambar.
10. Dapatkah saya menggunakan Vertex AI Search untuk commerce untuk kasus penggunaan non-web lainnya (aplikasi seluler, kios)?
Ya. Anda dapat menyiapkan endpoint (misalnya, Google Cloud Function) untuk mendapatkan hasil aplikasi. Anda juga memerlukan mekanisme serupa untuk mengirim peristiwa real-time.
11. Saya tidak memiliki data peristiwa selama 3+ bulan. Apakah saya masih dapat menggunakan Vertex AI Search untuk commerce? Dapatkah saya menambahkan lebih banyak data di lain waktu?
Model Item Serupa tidak menggunakan data peristiwa pengguna atau penyesuaian model. Jika tidak memiliki data peristiwa, Anda tetap dapat membuat dan melatih model Item Serupa selama Anda memiliki data katalog.
Jika Anda dapat merekam traffic yang cukup untuk peristiwa real-time, data terbaru dapat digunakan untuk melatih model lain. Jika memiliki data tambahan yang tersedia di kemudian hari, Anda dapat menguploadnya setelah pelatihan model awal. Data yang baru diisi ulang akan dimasukkan ke dalam model selama pelatihan ulang harian. Namun, jika data sangat berbeda dengan peristiwa yang digunakan untuk pelatihan awal, model mungkin perlu disesuaikan ulang.
Sebagian besar model berfungsi optimal dengan penayangan halaman produk, penayangan halaman beranda, dan peristiwa penambahan ke keranjang selama minimal tiga bulan untuk semua model, dan idealnya satu hingga dua tahun histori pembelian untuk model Sering Dibeli Bersama.
Satu hingga dua minggu penayangan halaman detail sudah cukup untuk mulai melatih model Orang Lain yang Mungkin Anda Suka dan Direkomendasikan untuk Anda, sementara Sering Dibeli Bersama dan Beli Lagi biasanya memerlukan lebih banyak karena biasanya lebih sedikit pembelian per hari dibandingkan penayangan halaman. Kualitas model dapat ditingkatkan secara signifikan dengan lebih banyak data; jumlah minimum mungkin tidak menghasilkan hasil yang optimal. Pembelian selama setahun, misalnya, memungkinkan model memanfaatkan tren musiman dan tren dengan lebih baik.
12. Dapatkah saya merekomendasikan kategori bersama dengan produk?
Rekomendasi hanya menampilkan rekomendasi produk, tetapi Anda bisa mendapatkan kategori untuk setiap produk yang ditampilkan sebagai bagian dari hasil.
13. Apakah Anda memiliki integrasi untuk mengupload data dari database SQL atau sistem lain, seperti BigQuery?
Ya. Untuk peristiwa, ada kode contoh yang membaca dari BigQuery. Lihat contoh set data Google Analytics untuk BigQuery.
14. Apakah Vertex AI Search untuk commerce menggunakan cookie?
Tidak, situs ini tidak menggunakan cookie. Namun, semua peristiwa yang dikirim ke Vertex AI Search untuk e-commerce harus memiliki ID pengunjung yang ditentukan, yang sering kali berupa ID sesi dari cookie.
15. Apakah saya memerlukan project Google Cloud khusus?
Anda dapat membuat project baru khusus, atau mengaktifkan Vertex AI Search untuk commerce di project yang ada.
16. Mengapa kredensial saya tidak berfungsi saat menggunakan Cloud Shell?
Pastikan Anda telah menyelesaikan langkah penyiapan autentikasi untuk Vertex AI Search for commerce. Anda harus menggunakan akun layanan yang telah Anda sediakan di lingkungan Anda. Jika tidak, Anda mungkin mendapatkan error seperti ini: Aplikasi Anda telah diautentikasi menggunakan kredensial pengguna akhir dari Google Cloud SDK atau Google Cloud Shell yang tidak didukung.
Untuk mengetahui informasi selengkapnya tentang akun layanan, lihat bagian Autentikasi dalam dokumentasi Google Cloud.
17. Bagaimana cara membandingkan Vertex AI Search untuk commerce dengan solusi serupa?
Anda dapat melakukan pengujian A/B untuk membandingkan hasil dari Vertex AI Search untuk commerce dengan hasil produk lainnya.
18. Saya rasa fitur x,y,z akan sangat berguna. Can you add this?
Kami ingin mendengar pendapat Anda. Permintaan fitur dapat dikirimkan melalui tim akun, Dukungan Google, atau issue-tracker.
19. Apakah saya masih dapat menggunakan API lama untuk rekomendasi?
Recommendations telah dimigrasikan dari Recommendations Engine API ke Vertex AI Search untuk commerce. Jika Anda menggunakan Recommendations Engine API saat masih dalam versi beta, sebaiknya migrasikan rekomendasi Anda ke Vertex AI Search untuk e-commerce (endpoint layanan https://retail.googleapis.com), yang sudah tersedia secara umum.
API sebelumnya (endpoint layanan
https://recommendationengine.googleapis.com) dan
dokumentasinya tetap tersedia, tetapi tidak lagi diperbarui.
Katalog dan produk
Berikut adalah pertanyaan umum (FAQ) tentang katalog dan produk.
1. Bagaimana cara rekomendasi menangani cold start untuk produk baru?
Untuk produk yang tidak memiliki histori pembelian, kami membuat rekomendasi berdasarkan produk serupa. Dalam kasus ini, sangat penting untuk memiliki judul, kategori, dan deskripsi produk yang baik yang ditentukan dalam katalog.
Untuk pengguna cold start (pengunjung tanpa histori), model dimulai dengan produk umum yang paling populer, dan menjadi lebih dipersonalisasi secara real time saat lebih banyak peristiwa pengguna diterima.
Lihat Tentang katalog dan produk dan halaman referensi produk.
2. Dapatkah saya menggunakan katalog Merchant Center untuk rekomendasi?
Ya, Anda dapat mengekspor katalog Merchant Center ke BigQuery menggunakan Merchant Center Data Transfer Service. Kemudian, kita dapat membaca katalog langsung dari BigQuery. Lihat Mengimpor data katalog dari Merchant Center.
3. Bagaimana cara lain untuk mengimpor katalog saya?
- Merchant Center: Impor dengan Merchant Center. Jika menggunakan penelusuran, Anda dapat menggunakan konsol untuk menautkan Merchant Center agar katalognya disinkronkan secara otomatis.
- BigQuery: Impor langsung dari tabel atau tampilan.
- Cloud Storage: Impor menggunakan file teks dengan satu item katalog JSON per baris.
- Impor inline: Impor dengan panggilan API, menggunakan file teks dengan satu item katalog JSON per baris.
- Buat item produk: Gunakan metode pembuatan
Products.
4. Bagaimana cara menjaga agar katalog saya tetap terbaru? Seberapa sering katalog perlu diperbarui?
Lihat Memastikan katalog Anda selalu ter-update.
Sebaiknya perbarui katalog Anda setiap hari. Anda dapat melakukan update penuh dari Cloud Storage atau BigQuery, atau update inkremental (yaitu, hanya item baru dan yang diubah).
Jika memungkinkan, perbarui harga dan ketersediaan secara real time. Hal ini memengaruhi seberapa cepat item baru dapat ditelusuri dengan penelusuran.
Jika Anda memiliki cara untuk diberi tahu tentang perubahan katalog (seperti menggunakan Pub/Sub, antrean pesan, peristiwa, dll.), Anda dapat memperbarui katalog secara real-time menggunakan metode API import atau create.
Misalnya, Cloud Scheduler dapat digunakan untuk melakukan panggilan impor BigQuery harian.
5. Apakah ada ukuran katalog minimum dan maksimum?
Tidak ada minimum, tetapi ukuran katalog yang sangat kecil (< 100 item) mungkin tidak mendapatkan banyak manfaat dari rekomendasi karena hanya ada sedikit produk berbeda yang dapat direkomendasikan.
Maksimum katalog adalah 40 juta item.
Lihat dokumentasi untuk kuota dan batas default serta cara meminta perubahan kuota.
6. Perusahaan saya mengoperasikan situs di beberapa negara. Haruskah saya menggunakan satu katalog untuk semua data saya?
Biasanya yang terbaik adalah memiliki satu katalog dengan semua item. Semua acara harus dikirimkan menggunakan satu mata uang. Tidak ada cara untuk memiliki beberapa katalog dalam project yang sama, tetapi, jika Anda menggunakan entitas, Anda dapat menentukan perilaku penelusuran, rekomendasi, dan pelengkapan otomatis untuk negara tertentu.
Jika katalog di antara situs sangat berbeda, sebaiknya buat project terpisah untuk setiap situs. Selain itu, jika negara memiliki bahasa yang berbeda, sebaiknya buat project terpisah, satu untuk setiap bahasa.
Jika ada situs serupa dengan traffic rendah dibandingkan dengan situs utama, sebaiknya gunakan satu katalog jika tidak ada cukup banyak peristiwa untuk menghasilkan model berkualitas tinggi untuk semua situs individual.
Untuk menggunakan satu katalog, ID item katalog harus konsisten, yaitu produk yang sama harus memiliki satu ID item di semua situs sehingga tidak ada duplikasi produk dalam katalog.
Untuk rekomendasi saja, alternatif selain menggunakan entitas adalah memfilter ke situs tertentu menggunakan filter. Namun, filter mungkin memerlukan waktu hingga 8 jam untuk diperbarui, jadi jika ada persyaratan ketersediaan khusus negara (stok habis), persyaratan tersebut biasanya harus ditangani oleh aturan bisnis yang memfilter hasil setelah respons prediksi. Hal ini berlaku untuk pemfilteran filter_tag v1 dan pemfilteran berbasis atribut v2.
7. Apakah Vertex AI Search untuk commerce mendukung beberapa mata uang per katalog?
Tidak, hanya satu jenis mata uang per katalog yang didukung. Peristiwa harus diupload menggunakan satu mata uang.
Jika Anda berencana menggunakan konsol Penelusuran untuk e-commerce guna mendapatkan metrik pendapatan, pastikan semua peristiwa Anda menggunakan satu mata uang atau konversikan semuanya ke mata uang yang sama sebelum menguploadnya.
8. Saya memiliki beberapa situs dengan katalog bersama atau item serupa. Dapatkah rekomendasi memberikan rekomendasi lintas situs?
Biasanya, kami hanya merekomendasikan penggunaan satu katalog seperti ini jika ada tumpang-tindih yang signifikan antara situs; situs tersebut harus berbagi banyak atau semua produk yang sama. Kemudian, seperti situs multiregion, Anda dapat menggunakan entitas atau tag filter untuk menampilkan hanya item khusus situs untuk panggilan prediksi tertentu.
Jika situs tidak membagikan banyak, atau tidak ada, item katalog, beberapa katalog harus digunakan. Menggunakan beberapa katalog memerlukan project terpisah untuk setiap katalog. Google Cloud
9. Apakah menyertakan lebih banyak metadata meningkatkan kualitas model? Apakah model mempertimbangkan kolom x,y,z?
Lihat Informasi item katalog yang diperlukan untuk mengetahui kolom yang wajib diisi.
Kolom metadata lainnya bersifat opsional (misalnya, gambar dan itemAttributes). Data ini dapat digunakan untuk pratinjau prediksi, analisis hasil, pelatihan, dan penyesuaian. Sebaiknya sertakan atribut yang berguna seperti warna, ukuran, bahan, dll. Kolom ini dapat ditampilkan sebagai bagian dari hasil predict dengan menentukan returnProduct:true, sehingga dapat berguna untuk merender hasil. Gambar dan atribut item digunakan untuk pratinjau prediksi
di konsol Penelusuran untuk e-commerce.
10. Atribut item katalog mana yang digunakan sebagai input pelatihan model?
Kombinasi perilaku pengguna dan atribut produk digunakan. Kolom utama yang digunakan adalah ID, judul, hierarki kategori, harga, dan URL. Anda dapat menyertakan
atribut nilai kunci kustom lainnya yang mungkin berguna di
Product.attributes[].
URL gambar lebih merupakan fitur praktis; Anda dapat menampilkan metadata ini sebagai
bagian dari hasil prediksi dengan menentukan
returnProduct:true, yang dapat menghemat panggilan tambahan untuk mengambil
informasi ini. Memiliki URL gambar juga memungkinkan pratinjau prediksi
untuk menampilkan gambar saat Anda melihat pratinjau hasil prediksi model di
konsol Penelusuran untuk e-commerce.
11. Bahasa apa saja yang didukung untuk produk saya?
Fitur rekomendasi: Mendukung sebagian besar bahasa. Model ini otomatis mendeteksi bahasa teks. Untuk mengetahui daftar semua bahasa yang dapat dideteksi secara otomatis, lihat README GitHub Compact Language Detector.
Fitur penelusuran: Mendukung bahasa dunia ini.
Anda menyetel bahasa saat mengupload katalog. Katalog hanya boleh dalam satu bahasa dan kueri harus dikirim dalam bahasa yang sama. Memiliki beberapa bahasa dalam katalog akan menurunkan performa model. Misalnya, jika katalog dalam bahasa Spanyol, tetapi kueri penelusuran dalam bahasa Inggris, kueri tidak diterjemahkan ke dalam bahasa Spanyol.
12. Katalog saya memiliki SKU utama/varian atau induk/turunan. Apakah ini didukung?
Ya. Hal ini akan serupa dengan item_group_id di
Merchant Center. Anda perlu menentukan cara mendapatkan kembali rekomendasi (di tingkat induk atau turunan) dan apakah peristiwa berada di tingkat induk atau turunan.
Lihat Tingkat produk untuk mengetahui informasi selengkapnya tentang tingkat produk.
Tentukan dan tetapkan tingkat produk yang benar sebelum mengirimkan item atau peristiwa. Tingkat produk dapat diubah, tetapi memerlukan penggabungan kembali item dan penyesuaian ulang model.
13. Dapatkah saya menghapus produk dari katalog saat produk tersebut tidak lagi tersedia?
Jika item tidak lagi berlaku, sebaiknya tetapkan statusnya ke
OUT_OF_STOCK, bukan menghapusnya, agar peristiwa pengguna sebelumnya yang
mereferensikannya tidak dibatalkan.
Peristiwa pengguna
Berikut adalah pertanyaan umum (FAQ) tentang peristiwa pengguna.
1. Peristiwa pengguna apa yang perlu saya kumpulkan?
Lihat Tentang peristiwa pengguna untuk mengetahui daftar jenis peristiwa pengguna, serta persyaratan dan praktik terbaik peristiwa pengguna.
2. Bagaimana cara memecahkan masalah kualitas data dalam pembuatan model?
Di konsol Penelusuran untuk e-commerce, buka halaman Kualitas Data untuk melihat metrik kualitas data tentang katalog dan peristiwa pengguna yang di-ingest.
3. Dapatkah saya berintegrasi dengan Google Analytics 360?
Anda dapat menggunakan data historis dari Google Analytics 360 (GA360). Mirip dengan data Merchant Center, data GA360 dapat diekspor ke BigQuery, lalu Vertex AI Search untuk e-commerce dapat membaca peristiwa langsung dari BigQuery.
Untuk peristiwa real-time, sebaiknya integrasikan piksel pelacakan dengan Google Tag Manager, karena peristiwa tertunda dari GA360.
4. Saya ingin mengimpor peristiwa pengguna dari Google Analytics 360. Apakah memberikan semua peristiwa pengguna yang diperlukan?
Google Analytics 360 secara native mendukung semua peristiwa pengguna yang digunakan oleh Vertex AI Search untuk e-commerce, kecuali peristiwa penelusuran. Anda tetap dapat mengimpor peristiwa pengguna penelusuran dari Analytics 360, tetapi perhatikan bahwa Vertex AI Search untuk e-commerce membuat peristiwa pengguna penelusuran dari kueri penelusuran dan, jika ada, tayangan produk.
5. Bagaimana cara memasukkan peristiwa ke Recommendations AI?
Pengguna biasanya mengimpor peristiwa historis menggunakan impor API atau Cloud Storage, lalu melakukan streaming peristiwa real-time menggunakan tag JavaScript Pixel atau Tag Manager di situs aktif, atau menggunakan metode tulis di backend.
6. Bagaimana jika saya tidak dapat mengirim semua jenis peristiwa pengguna yang tercantum sebagai wajib untuk model? Apa jenis peristiwa minimum yang diperlukan untuk setiap model?
Setiap model dan tujuan pengoptimalan memiliki persyaratan yang sedikit berbeda. Lihat Persyaratan data peristiwa pengguna.
Performa model biasanya lebih baik jika ada lebih banyak peristiwa per item katalog. Untuk situs dengan traffic dalam jumlah besar dan katalog yang lebih kecil, Anda mungkin dapat memulai dengan volume peristiwa historis yang lebih kecil, tetapi biasanya tetap memerlukan data historis setidaknya beberapa minggu serta peristiwa real-time ke depannya.
7. Saya memiliki peristiwa add-to-cart dan purchase-complete yang tidak memiliki nilai untuk pendapatan atau jumlah. Apa yang harus saya kirimkan?
Jika tidak memiliki nilai untuk kuantitas, Anda dapat meneruskan nilai default 1 tanpa memengaruhi hasil model. Item harus selalu menetapkan displayPrice (ini dapat berupa apa pun yang ditampilkan kepada pengguna, seperti harga diskon). originalPrice dan biaya bersifat opsional.
8. Data saya hanya mencakup jenis peristiwa terbatas. Apakah saya masih dapat menggunakan Vertex AI Search untuk commerce?
Lihat Persyaratan data peristiwa pengguna untuk mengetahui persyaratan data minimum dari setiap jenis model.
Hasil penelusuran
Berikut adalah pertanyaan umum (FAQ) tentang hasil penelusuran.
1. Apakah hasil penelusuran dipersonalisasi?
Ya. Penelusuran dapat memberikan hasil yang dipersonalisasi. Hasil penelusuran dipersonalisasi berdasarkan ID pengunjung. Untuk mengetahui informasi selengkapnya, lihat Personalisasi.
2. Bagaimana cara menyertakan konteks, seperti toko tempat pengguna berbelanja, sebagai bagian dari permintaan penelusuran?
Opsi ketersediaan dan pemenuhan berbasis ID toko adalah atribut katalog produk. Opsi pemenuhan adalah atribut seperti "dikirim secara online", "beli online", dan "ambil di toko".
Atribut dapat dikirim sebagai parameter dalam permintaan penelusuran. Jadi, untuk contoh ini, permintaan penelusuran dapat menentukan ID toko pengguna. Hasil dapat difilter atau diberi peringkat lebih tinggi berdasarkan ID toko dalam permintaan.
3. Dapatkah saya menyembunyikan produk dari hasil penelusuran?
Ya. Parameter filter dapat memfilter hasil berdasarkan
tagnya.
4. Apakah mungkin untuk memberi peringkat berdasarkan beberapa kriteria, seperti ketersediaan dan harga?
Ya, boostSpec memungkinkan aturan peringkat yang kompleks.
5. Apakah mungkin mengelompokkan beberapa atribut untuk memberikan hasil dengan beberapa aspek? Misalnya, mengelompokkan kota di negara yang sama untuk asal produksi.
Atribut produk tidak bersifat hierarkis. Namun, Anda dapat menggunakan beberapa atribut kustom untuk melakukannya. Dalam contoh ini, Anda dapat menggunakan atribut kustom untuk negara produksi dan kota produksi.
6. Bagaimana cara kerja saran?
Saran adalah kombinasi kueri pengguna, kueri yang ditulis ulang, nama produk, dll. Untuk membuat saran pelengkapan otomatis berkualitas tinggi, sejumlah peristiwa penelusuran yang memadai harus di-ingest bersama dengan katalog.
Hasil prediksi
Berikut adalah pertanyaan umum (FAQ) tentang hasil prediksi.
1. Apakah ada batasan jumlah prediksi yang dapat saya kembalikan?
Secara default, permintaan prediksi menampilkan 20 item dalam respons. Nilai ini dapat dinaikkan atau diturunkan dengan mengirimkan nilai untuk pageSize.
Jika Anda perlu mengembalikan lebih dari 100 item, hubungi Dukungan Google untuk meningkatkan batasnya. Namun, perhatikan bahwa menampilkan lebih dari 100 item dapat meningkatkan latensi respons.
2. Dapatkah saya melihat alasan mengapa model membuat rekomendasi produk tertentu?
Tidak.
3. Dapatkah saya mendownload dan menyimpan dalam cache hasil prediksi?
Karena hasil prediksi meningkat secara real-time sebagai respons terhadap aktivitas pengguna di situs Anda, sebaiknya jangan gunakan prediksi yang di-cache. Model dilatih ulang setiap hari untuk menggabungkan perubahan pada katalog Anda dan bereaksi terhadap tren baru dalam peristiwa pengguna, yang juga mengubah hasil.
4. Saya perlu mengurutkan ulang rekomendasi yang ditampilkan berdasarkan aturan bisnis. Apakah ini didukung?
Ya. Namun, meskipun Anda dapat mengurutkan ulang rekomendasi yang ditampilkan berdasarkan aturan bisnis, perlu diketahui bahwa mengurutkan ulang atau memfilter hasil yang direkomendasikan dapat mengurangi efektivitas model secara keseluruhan dalam mencapai sasaran pengoptimalan yang Anda pilih.
Pengurutan ulang harga akan mengurutkan item berharga tinggi yang relevan terlebih dahulu dalam kumpulan rekomendasi yang ditampilkan dan tersedia sebagai penyesuaian bawaan untuk model Lainnya yang Mungkin Anda Sukai dan Direkomendasikan untuk Anda.
Lihat Pengurutan ulang harga.
5. Apakah ada batasan jumlah tag filter yang dapat saya buat dan gunakan?
Tidak ada batasan ketat pada jumlah tag unik yang dapat Anda buat atau gunakan. Namun, sistem tidak didesain untuk menangani banyak tag filter per item. Sebaiknya batasi tag filter hingga maksimum 10 per item katalog jika memungkinkan. Lebih dari 10 nilai dapat digunakan di seluruh katalog; ini adalah batas per item. Batas untuk total tag (jumlah total semua jumlah tag per item) adalah 100.000.000.
Lihat kuota dan batas dokumentasi Vertex AI Search untuk commerce.
6. Dapatkah saya mendiversifikasi rekomendasi?
Ya. Diversifikasi rekomendasi dapat ditentukan sebagai bagian dari konfigurasi penayangan atau dalam parameter permintaan prediksi.Dengan diversifikasi rendah, prediksi dapat berisi item serupa dalam kategori yang sama. Dengan diversifikasi yang lebih tinggi, hasil akan berisi item dari kategori lain.
7. Dapatkah saya memprioritaskan rekomendasi berdasarkan harga?
Ya. Pengurutan ulang harga akan membuat produk yang direkomendasikan dengan probabilitas rekomendasi serupa diurutkan menurut harga, dengan item berharga paling tinggi di urutan pertama. Relevansi juga masih digunakan untuk mengurutkan item, sehingga mengaktifkan pengurutan ulang harga tidak sama dengan mengurutkan menurut harga. Peringkatan ulang harga dapat ditentukan sebagai bagian dari konfigurasi penayangan atau dalam parameter permintaan prediksi.
Fitur percakapan
Berikut adalah pertanyaan umum (FAQ) tentang fitur percakapan, pemfilteran produk, dan perdagangan Vertex AI Search untuk commerce.
1. Bagaimana sesi percakapan dipertahankan, dan bagaimana cara memperbarui konteks?
Sesi percakapan dipertahankan menggunakan ID percakapan yang ditampilkan dalam respons penelusuran percakapan. Anda harus meneruskan ID percakapan ini di semua permintaan berikutnya dalam percakapan yang sama. Sistem mempertahankan semua konteks yang terkait dengan ID ini. Untuk memulai percakapan baru dari awal atau memperbarui percakapan, mulai permintaan API baru tanpa ID percakapan, dan ID percakapan baru akan dikeluarkan dalam respons.
2. Bagaimana pengaruh streaming API terhadap penerapan dan pengalaman pengguna saya?
Sifat streaming berarti Anda dapat langsung menerima jenis kueri. Dengan begitu, Anda dapat membedakan kueri yang memiliki respons teks percakapan, yang mungkin memiliki latensi lebih tinggi, dan kueri yang tidak seperti SIMPLE_PRODUCT_SEARCH. Untuk SIMPLE_PRODUCT_SEARCH, Anda dapat langsung memicu panggilan ke Search API inti untuk menampilkan produk dengan cepat. Untuk respons yang didukung LLM, Anda dapat menampilkan indikator pemuatan atau mengambil hasil penelusuran secara paralel saat teks percakapan di-streaming, sehingga mengoptimalkan respons yang dirasakan pengguna.
3. Mengapa searchParams di ConversationalSearchRequest harus mencerminkan panggilan Search API inti saya?
Anda ingin mempertahankan konsistensi di searchParams, seperti filter, urutan pengurutan, aturan peningkat antara panggilan ConversationalSearchRequest dan SearchService.Search. Menjaga konsistensi membantu memastikan bahwa jawaban percakapan atau kueri yang disempurnakan yang diberikan oleh API selaras dengan hasil produk sebenarnya yang ditampilkan kepada pengguna. Hal ini mencegah perbedaan dan memberikan pengalaman berbelanja yang koheren.
4. Jika penelusuran produk dasar terdeteksi, apakah percakapan akan berakhir? Dapatkah pengguna kembali ke mode percakapan lainnya?
Percakapan tidak berakhir. ID percakapan tetap valid. Namun, dari perspektif UX, retailer sering mengalihkan pengguna ke halaman hasil penelusuran standar. Jika pengguna kemudian mengirimkan kueri baru tanpa ID percakapan asli, seperti mengetik langsung ke kotak penelusuran standar, sesi percakapan baru akan dimulai. Namun, retailer dapat mendesain UX mereka agar jendela chat tetap ada dan memungkinkan pengguna melanjutkan percakapan (terutama jika conversationalFilteringSpec.mode adalah ENABLED untuk memungkinkan pertanyaan lanjutan). Kemampuan untuk "kembali" ke mode percakapan yang kaya bergantung pada pilihan penerapan UX spesifik ini.
5. Data apa yang disimpan Conversational Commerce API untuk konteks percakapan, dan berapa lama?
Untuk mempertahankan alur percakapan, Conversational Commerce API menyimpan kueri pengguna, respons teks percakapan, dan pertanyaan lanjutan yang ditautkan ke ID percakapan. Informasi kontekstual ini disimpan selama tujuh hari untuk memastikan bahwa saat Anda meneruskan ID percakapan dalam permintaan berikutnya, sistem dapat mengambil dan menggunakan histori ini.
6. Mengapa Conversational Commerce API tidak memberikan saran jawaban untuk pertanyaan lanjutan, seperti yang dilakukan pemfilteran produk percakapan?
Meskipun memberikan saran jawaban untuk pertanyaan lanjutan tidak didukung, kemampuan ini ada dalam rencana kami. Nantikan kabar terbaru.
7. Bagaimana cara Conversational Commerce API menggunakan caching untuk performa dan konteks?
Conversational Commerce API menyimpan jenis kueri dan kueri penelusuran yang disempurnakan untuk pelanggan dan project tertentu hingga 10 hari. Artinya, jika kueri yang sama diulang, sistem dapat dengan cepat mengambil maksud dan saran perbaikan.
Model
Berikut adalah pertanyaan umum (FAQ) tentang model.
1. Saya telah mengupload katalog & acara, tetapi saya masih mendapatkan respons ini saat memanggil predict API: Recommendation model is not ready. (Model rekomendasi belum siap).
Anda dapat menyetel 'dryRun' ke benar (true) dalam permintaan prediksi untuk tujuan integrasi, yang akan menampilkan item katalog arbitrer dari Katalog Anda (JANGAN gunakan ini untuk traffic produksi)."**
Hal ini biasanya berarti bahwa pelatihan model Anda belum selesai. Jika sudah lebih dari 10 hari sejak Anda membuat model dan Anda terus mendapatkan respons ini, hubungi Dukungan.
2. Berapa lama waktu yang diperlukan untuk melatih model?
Pelatihan dan penyesuaian model awal memerlukan waktu 2-5 hari untuk diselesaikan, tetapi dapat memerlukan waktu lebih lama untuk set data besar. Selanjutnya, model akan otomatis dilatih ulang setiap hari kecuali jika dinonaktifkan. Lihat Menjeda dan melanjutkan pelatihan untuk model.
3. Dapatkah saya mendownload atau mengekspor model?
Tidak.
4. Dapatkah saya menggunakan model yang saya buat di project yang ada dalam project baru?
Tidak. Anda perlu membuat dan melatih ulang model di project baru.
5. Saya ingin menggunakan model untuk halaman kategori saya. Bisakah saya melakukannya?
Ya. Direkomendasikan untuk Anda berguna di halaman kategori.
Halaman kategori mirip dengan halaman beranda, tetapi Anda hanya menampilkan item dari kategori tersebut.
Anda dapat melakukannya menggunakan model standar Direkomendasikan untuk Anda dengan tag filter.
Misalnya, Anda dapat menambahkan tag filter yang disesuaikan (sesuai dengan setiap halaman kategori) ke item dalam katalog Anda. Saat Anda mengirim permintaan prediksi, tetapkan objek peristiwa pengguna sebagai
category-page-view dan tentukan tag halaman kategori tertentu di kolom
filter. Hanya hasil rekomendasi yang cocok dengan tag filter yang diminta yang
ditampilkan. Keragaman harus dinonaktifkan dalam kasus penggunaan ini, karena keragaman dapat berkonflik dengan tag filter berbasis kategori.
6. Dapatkah saya menonaktifkan personalisasi untuk model saya?
Secara default, hasil prediksi dipersonalisasi menurut pengguna untuk jenis model rekomendasi Orang Lain yang Mungkin Anda Sukai, Direkomendasikan untuk Anda, dan Beli Lagi.
Sebaiknya jangan nonaktifkan personalisasi karena dapat berdampak negatif pada performa model.
Jika Anda perlu menampilkan item katalog yang relevan dengan produk yang sedang dilihat, bukan berdasarkan interaksi pengguna sebelumnya dengan situs Anda, Anda dapat menerima rekomendasi yang tidak dipersonalisasi dengan menggunakan ID pengunjung unik acak dalam permintaan prediksi. Pastikan Anda hanya melakukannya untuk permintaan dalam konfigurasi penayangan yang tidak ingin dipersonalisasi.
Menelusuri konsol commerce
Berikut adalah pertanyaan umum (FAQ) tentang penggunaan konsol Penelusuran untuk e-commerce.
1. Saya telah menghapus sejumlah peristiwa, tetapi dasbor masih menampilkan jumlah untuk jenis peristiwa tersebut.
Hal ini sudah diperkirakan. Dasbor Penelusuran untuk e-commerce menampilkan jumlah peristiwa yang diproses selama jangka waktu tertentu; dasbor ini tidak menampilkan jumlah atau jumlah peristiwa saat ini.
Secara umum, Anda harus membiarkan peristiwa pengguna tetap ada setelah direkam. Menghapus acara tidak direkomendasikan. Jika Anda berencana mereset peristiwa pengguna sepenuhnya, sebaiknya buat project baru.
Jika Anda perlu menghapus peristiwa yang belum dicatat dengan benar, lihat dokumentasi untuk Menghapus peristiwa pengguna. Penghapusan permanen peristiwa dapat memerlukan waktu hingga beberapa hari.
2. Bagaimana cara mengetahui apakah ada error pada katalog atau peristiwa pengguna saya?
Sebagian besar panggilan API untuk update item katalog atau peristiwa pengguna menampilkan error jika ada masalah dengan sintaksis atau permintaan tidak dapat diproses karena alasan tertentu.
Dasbor Penelusuran untuk e-commerce menampilkan persentase peristiwa yang tidak digabungkan, yang juga merupakan metrik berguna untuk menemukan masalah katalog atau peristiwa. Peristiwa yang tidak digabungkan (atau panggilan prediksi yang tidak digabungkan) terjadi saat ID item yang ditentukan tidak ada dalam katalog. Hal ini biasanya berarti katalog sudah tidak berlaku dan item katalog baru atau yang diubah perlu diupload, tetapi juga dapat disebabkan oleh ID item yang salah. Periksa permintaan Anda untuk memastikan ID item dipetakan dengan benar ke katalog, lalu periksa katalog yang Anda upload untuk memastikan item ada.
Cloud Monitoring dan Cloud Logging dapat digunakan untuk memantau status peristiwa. Misalnya, Anda dapat menerima pemberitahuan jika tidak ada peristiwa selama jangka waktu tertentu, atau jika panggilan prediksi turun di bawah batas tertentu.
3. Mengapa konfigurasi penayangan rekomendasi saya ditampilkan sebagai tidak aktif? Bagaimana cara mengaktifkannya?
Untuk menggunakan konfigurasi penayangan rekomendasi, Anda harus mengirimkan katalog dan data peristiwa pengguna terlebih dahulu untuk melatih model yang sesuai. Setelah model dilatih, dasbor menunjukkan bahwa model siap untuk dikueri.
4. Dalam mata uang apa metrik pendapatan laporan Penelusuran untuk e-commerce ditampilkan?
Telusuri metrik laporan e-commerce dalam mata uang yang digunakan dalam data yang Anda upload. Vertex AI Search untuk commerce tidak mendukung penggunaan beberapa mata uang per katalog dan tidak mengonversi mata uang.
Jika Anda berencana menggunakan konsol Penelusuran untuk e-commerce guna mendapatkan metrik pendapatan, pastikan semua peristiwa Anda menggunakan satu mata uang atau konversikan semuanya ke mata uang yang sama sebelum menguploadnya ke Vertex AI Search untuk e-commerce.