その他の課題がある場合や、該当する問題が以下で見つからない場合は、バグの報告または機能のリクエストをお送りください。また、cloud-recommendations-users Google グループまたは Stack Overflow ディスカッションにご参加ください。
全般
1. Vertex AI Search for Retail のクライアント ライブラリまたは追加のサンプルコードは用意されていますか？
はい。各ライブラリのセットアップやリファレンスに関する情報については、こちらのクライアント ライブラリ ガイドをご覧ください。
未処理の REST 呼び出しの代わりに Google API Discovery Service を使用することもできます。
2. レコメンデーション モデルはすべてカスタマイズされていますか？
「あなたへのおすすめ」モデルと「関連商品のおすすめ」モデルと「もう一度購入」モデルは、ユーザーの履歴に基づいてカスタマイズされたレコメンデーションを表示します。「よく一緒に購入されている商品」と「類似アイテム」のモデルはカスタマイズされません。
レコメンデーション モデルについてをご覧ください。
3. カスタマイズされたレコメンデーションをすぐに受け取れますか？それとも、改善までしばらく待つ必要がありますか？
レコメンデーションの精度は、ユーザー履歴の収集が増えるにつれて向上します。「あなたへのおすすめ」モデルは人気のある商品、「関連商品のおすすめ」モデルは、主に他ユーザーのビューを基に類似商品を表示します。どちらのモデルでもユーザーの行動はすぐに考慮されるため、リアルタイム イベントを送信することが重要です。レコメンデーション モデルについてをご覧ください。
カスタマイズを有効にするには、ユーザー イベントをリアルタイムまたはほぼリアルタイムで送信する必要があります。ユーザー イベントが日次でのみ、または 1 日の間にバッチで送信されると、リアルタイム イベントが送信されても、パーソナライズされたモデルのパフォーマンスは期待できません。
4. モデルで Google ユーザー属性データを使用していますか？
モデルは、指定したカタログとユーザー イベントデータのみを使用します。ユーザー属性データを含める場合は、カスタム属性として役立つ他のテキストや数値情報を含めることができます。このデータは、再調整後にモデルで使用されます。
メールアドレスやユーザー名などの個人を特定できる情報（PII）を含めないでください。値をハッシュする、グループ ID を使用するなど、ユーザー属性データを匿名化することをおすすめします。
5. 個々のユーザーの履歴ではなく、ユーザー グループのイベント履歴に基づいてレコメンデーションを作成できますか？
現在、レコメンデーションは単一の訪問者 ID またはユーザー ID に基づいています。まず個別のリクエストを行い、その結果を結びつけて、グループの履歴に関するレコメンデーションのみを基本とします。ユーザーに共通のメタデータ属性がある場合、ユーザー ID としてグループ ID を使用してグループレベルのレコメンデーションを提供できます。
6. 商品のイメージ URL は送信できましたがモデルは商品画像を考慮していますか？
現在のところアカウントを統合することはできませんが、このフィールドは、レンダリングのレコメンデーション結果をサポートするために、このメタデータと返されたレコメンデーション結果を取得できるように指定されます。予測プレビューでは、Search for Retail コンソールでモデルの予測結果をプレビューする際に、イメージ URL を使用して画像を表示することもできます。
7. 会社は小売の e コマースサイトではありません。x、y、z の予測に推奨事項を使用できますか？
推奨事項は、コンテンツのおすすめ、動画ストリーミング、ゲームなどのユースケースに利用されています。ただし、Google のコンテンツとエクスペリエンスは小売 e コマースのユースケースを念頭に置いて設計されているため、他のユースケースには適さないことがあります。
8. サイトのどのページにもレコメンデーションを表示できますか？
はい。ただし、各モデルは特定のユースケース向けに設計されており、特定のページで最適に動作します。レコメンデーション モデルについてをご覧ください。
「よく一緒に購入されている商品」や「関連商品のおすすめ」には商品アイテム ID が必要です。そのため、商品 ID やカート内の商品などを利用して、商品アイテム ID をレコメンデーションに使用してください。通常は一緒に購入すると、カートに追加ページまたは購入手続きページで最も効果があります。また、類似商品は、商品の詳細ページで最も効果的です。「あなたへのおすすめ」は、入力として訪問者 ID のみが必要ですが、ホームページ サービス提供構成として設計されているため、任意のページに配置できます。「再購入」は、任意のページに配置できるように設計されています。
9. メール ニュースレターのレコメンデーションに推奨事項を使用できますか？
はい。これを行うには、訪問者 ID またはユーザー ID を使用して API を呼び出し、その結果をメール テンプレートに組み込みます。メールの開封確認時にアイテムを動的に読み込むには、予測リクエストを送信するために Google Cloud Functions の関数などの中間エンドポイントを使用する必要があります。この API は、注文された商品 ID とメタデータのリストのみを提供するため、画像の結果をレンダリングする独自のコードも記述する必要があります。
10. ウェブ以外のユースケース（モバイルアプリ、キオスク）でも Vertex AI Search for Retail を使用できますか？
はい。アプリの結果を取得するには、エンドポイント（Google Cloud Functions など）を設定します。リアルタイム イベントを送信するために同様のメカニズムも必要です。
11. 3 か月以上のイベントデータがありません。Vertex AI Search for Retail は引き続き使用できますか？後ほどデータをさらに追加することはできますか？
「似ている商品アイテム」モデルでは、ユーザー イベント データまたはモデルのチューニングを使用しません。イベント データがなくても、カタログ データがある限り、「似ている商品アイテム」モデルを作成してトレーニングできます。
リアルタイム イベントのトラフィックを十分に記録できる場合は、最近のデータを他のモデルのトレーニングに使用できます。後日使用できるデータがある場合、初期モデル トレーニング後にアップロードできます。新しくバックフィルされたデータは、毎日の再トレーニング中にモデルに組み込まれます。ただし、データが、最初のトレーニングで使用されたイベントと大きく異なる場合は、モデルの再調整が必要になる場合があります。
ほとんどのモデルは、すべてのモデルについて 3 か月以上の期間のプロダクト ページビュー、ホームページ ビュー、「カートに追加」イベントがあると最適に機能します。理想的に機能するのは、「よく一緒に購入される商品」モデルの 1～2 年間の購入履歴がある場合です。
「関連商品のおすすめ」モデルと「あなたへのおすすめ」モデルのトレーニングを開始するには、1～2 週間のページビューの詳細だけで十分です。一方、「よく一緒に購入される」や「もう一度購入」については、ページビュー数に比べて 1 日あたりの購入数がより少ないのが普通であるため、もっと多くのページビューの詳細が通常必要です。データが多いほどモデルの品質を顕著に改善できます。最低限のデータ量では最適な結果が得られない可能性があります。たとえば、1 年間の購入額を使用することで、モデルは季節性やトレンドをより適切に活用できます。
12. 商品と一緒にカテゴリを提案できますか？
推奨事項は商品のレコメンデーションのみを返しますが、結果の一部として返される各商品のカテゴリを取得できます。
13. SQL データベースや他のシステム（BigQuery など）からデータをアップロードするための統合機能はありますか？
はい。イベントについては、BigQuery から読み取るサンプルコードが用意されています。BigQuery 用の Google アナリティクス サンプル データセットをご覧ください。
14. Vertex AI Search for Retail では Cookie が使用されますか？
いいえ、Cookie は使用されません。ただし、Vertex AI Search for Retail に送信されるすべてのイベントには、訪問者 ID を指定する必要があります。多くの場合、Cookie のセッション ID が使用されます。
15. 専用の Google Cloud プロジェクトが必要ですか？
新しい専用プロジェクトを作成するか、既存のプロジェクトで Vertex AI Search for Retail を有効にできます。
16. Cloud Shell の使用時に認証情報が機能しないのはなぜですか？
Vertex AI Search for Retail の認証の設定手順を完了していることを確認します。ご使用の環境で利用できるようにしたサービス アカウントを使用する必要があります。そうしないと、「アプリケーションは、サポートされていない Google Cloud SDK または Google Cloud Shell のエンドユーザー認証情報を使用して認証されています」のようなエラーが発生することがあります。
サービス アカウントの詳細については、Google Cloud ドキュメントの認証のセクションをご覧ください。
17. Vertex AI Search for Retail を類似のソリューションと比較するにはどうすればよいですか？
A/B テストを実施すると、Vertex AI Search for Retail の結果を他の商品の結果と比較できます。
18. 特徴 x、y、z はすばらしいことだと思います。追加可能ですか？
ご意見をお聞かせください。機能リクエストは、アカウント チーム、Google サポート、公開バグトラッカーから提出できます。
19. 引き続き推奨事項の API を使用できますか？
推奨事項は Recommendations Engine API から Vertex AI Search for Retail に移行しました。ベータ版の Recommendations Engine API を使用していた場合は、推奨事項を一般提供の Vertex AI Search for Retail（サービス エンドポイント https://retail.googleapis.com）に移行することをおすすめします。
以前の API（サービス エンドポイント https://recommendationengine.googleapis.com）とそのドキュメントは引き続き利用できますが、更新されることはありません。
カタログと商品
1. 新しい商品でコールド スタートは推奨事項でどのように処理されますか？
購入履歴がない商品の場合、類似する商品に基づいてレコメンデーションが表示されます。そのような場合は、カタログで良好な商品名、カテゴリ、説明を定義しておくことが特に重要です。
コールド スタート ユーザー（履歴のない訪問者）の場合、モデルは最も人気のある一般的な商品から始まり、ユーザー イベントが発生するにつれてリアルタイムでさらにカスタマイズされたものになります。
カタログと商品についてと商品のリファレンス ページをご覧ください。
2. Merchant Center カタログをレコメンデーションに使用できますか？
はい。Merchant Center Data Transfer Service を使用して Merchant Center カタログを BigQuery にエクスポートできます。その後、BigQuery から直接カタログを読み取ることができます。Merchant Center からカタログデータをインポートするをご覧ください。
3. 他の方法でカタログをインポートするにはどうすればいいですか？
- Merchant Center: Merchant Center を使用してインポートします。検索を使用する場合、カタログが自動的に同期されるように、コンソールを使用して Merchant Center をリンクさせることができます。
- BigQuery: テーブルまたはビューから直接インポートします。
- Cloud Storage: 1 行に 1 つの JSON カタログ アイテムを含んだテキスト ファイルを使用してインポートします。
- インライン インポート: 1 行に 1 つの JSON カタログ アイテムを含んだテキスト ファイルを使用して、API 呼び出しとともにインポートします。
- 商品アイテムを作成する:
Products作成メソッドを使用します。
4. カタログを更新を維持するにはどうすればよいですか？カタログはどのくらいの頻度で更新する必要がありますか？
カタログを最新の状態に保つをご覧ください。
カタログは毎日更新することをおすすめします。Cloud Storage または BigQuery からの完全な更新、または増分更新（新しいアイテムと変更されたアイテムのみ）を実行できます。
可能であれば、価格と在庫状況をリアルタイムで更新します。これは、検索で新しいアイテムをすばやく検索可能にする方法に影響します。
Pub/Sub、メッセージ キュー、イベントなどを介してカタログの変更について簡単に通知を受け取る方法がある場合は、importまたはcreateの API メソッドを使用してリアルタイムでカタログを更新できます。
たとえば、Cloud Scheduler を使用して、毎日の BigQuery インポート呼び出しを行うことができます。
5. カタログの最小サイズと最大サイズはありますか？
最小サイズはありませんが、とても小さいカタログのサイズ（100 アイテム未満）だと、レコメンデーションする商品が非常に少ないため、レコメンデーションから得られるメリットはあまりありません。
カタログの最大アイテム数は 4,000 万です。
デフォルトの割り当てと上限のドキュメントと、割り当ての変更をリクエストする方法に関するドキュメントをご覧ください。
6. 会社が複数の国でウェブサイトを運営しています。すべてのデータで 1 つのカタログを使用するべきですか？
通常は、すべてのアイテムを含むカタログを 1 つだけ用意することをおすすめします。イベントはすべて 1 つの通貨を使用して送信する必要があります。プロジェクト内で複数のカタログを使用することはできませんが、エンティティを使用している場合は、特定の国の検索、レコメンデーション、予測入力の動作を指定できます。
ウェブサイト間でカタログが大幅に異なる場合は、ウェブサイトごとに別々のプロジェクトを用意することをおすすめします。また、国によって言語が異なる場合は、言語ごとに別々のプロジェクトを用意することをおすすめします。
メインのウェブサイトに比べてトラフィックが少ない類似したウェブサイトがある場合、すべてのウェブサイトで高品質のモデルを生成するのに十分なイベントがないのであれば、1 つのカタログを使用することをおすすめします。
1 つのカタログを使用するには、カタログ アイテム ID を統一する必要があります。つまり、同じ商品は、カタログ内での商品の重複を避けるため、すべてのウェブサイトで同じアイテム ID を持つ必要があります。
推奨事項のみを使用する場合、エンティティを使用する代わりに、フィルタを使用して特定のウェブサイトをフィルタリングすることもできます。フィルタの更新には 8 時間程度かかることがあるため、国別の在庫状況（在庫切れ）の要件がある場合は、通常、予測後に結果を除外するビジネスルールで処理する必要があります。これは、v1 filter_tag フィルタリングと v2 属性ベースのフィルタリングに適用されます。
7. Vertex AI Search for Retail は、カタログごとに複数の通貨をサポートしていますか？
いいえ、カタログごとに 1 つの通貨タイプのみがサポートされています。単一の通貨を使用してイベントをアップロードする必要があります。
Search for Retail コンソールを使用して収益指標を取得する予定がある場合は、事前にすべてのイベントで単一の通貨を使用するか、すべて同じ通貨に換算します。
8. 複数のサイトで、カタログや類似のアイテムを共有しています。推奨事項でクロスサイト レコメンデーションを提供できますか？
サイト間で大きな重複がある場合のみ、通常は 1 つのカタログを使用することをおすすめします。同じ商品を多数または完全に共有する必要があります。さらに、マルチリージョンのサイトと同様に、エンティティかフィルタタグを使用して、特定の予測呼び出しでサイト固有の項目のみを返すことができます。
サイトで多数、または 1 つもカタログ アイテムを共有していない場合は、複数のカタログを使用する必要があります。複数のカタログを使用するには、カタログごとに個別の Google Cloud プロジェクトが必要です。
9. メタデータを増やすとモデルが改善されますか？モデルでは、フィールド x、y、z が考慮されますか？
必須フィールドについては、カタログ アイテムの必須情報をご覧ください。
その他のメタデータ フィールドは省略可能です（例: 画像、itemAttributes）。それらは予測のプレビュー、結果の分析、トレーニング、チューニングに使用できます。色、サイズ、材料などの有用な属性を含めることをおすすめします。これらのフィールドは、returnProduct:true を指定することで予測結果の一部として返すことができます。そのため、結果のレンダリングに便利です。画像とアイテム属性は、Search for Retail コンソールの予測プレビューに使用されます。
10. モデルのトレーニングの入力として使用されるカタログ アイテムの属性はどれですか？
ユーザー行動と商品属性の組み合わせが使用されます。使用される主なフィールドは、ID、タイトル、カテゴリ階層、価格、URL です。Product.attributes[] に役立つ他のカスタム Key-Value 属性を含めることができます。
イメージ URL は便利な機能です。このメタデータを予測結果の一部として返すには、returnProduct:true を指定します。これにより、この情報を取得するための追加呼び出しを保存することができます。イメージの URL を指定すると、Search for Retail コンソールでモデルの予測結果をプレビューするときに予測プレビューでも画像を表示できます。
11. 商品でサポートされている言語は何ですか？
レコメンデーション機能: ほとんどの言語をサポートしています。このモデルは、テキストの言語を自動的に検出します。自動検出できるすべての言語の一覧については、Compact Language Detector の GitHub README をご覧ください。
検索機能: こちらに記載した世界中の言語に対応しています。
言語はカタログのアップロード時に設定します。カタログは 1 つの言語のみで、クエリは同じ言語で送信する必要があります。カタログに複数の言語が含まれていると、モデルのパフォーマンスが低下します。たとえば、カタログがスペイン語で、検索クエリが英語である場合、クエリはスペイン語に翻訳されません。
12. カタログにプライマリ / バリアントまたは親 / 子 の SKU があります。これらはサポート対象ですか？
はい。これは、Merchant Center の item_group_id に似ています。レコメンデーションを返す方法（親レベルまたは子レベル）と、イベントが親レベルまたは子レベルのどちらにあるかを決定する必要があります。
商品レベルについて詳しくは、商品レベルをご覧ください。
アイテムやイベントを送信する前に、正しい商品レベルを決定、設定します。商品レベルは変更できますが、アイテムの再結合とモデルの再調整が必要になります。
13. 使用できなくなった商品はカタログから削除できますか？
アイテムが最新でない場合は、アイテムを削除するのではなく、ステータスを OUT_OF_STOCK に設定して、そのアイテムを参照する過去のユーザー イベントが無効にならないようにすることをおすすめします。
ユーザー イベント
1. 収集する必要があるユーザー イベントにはどのようなものがありますか？
ユーザー イベント タイプの一覧、およびユーザー イベントの要件とおすすめの方法については、ユーザー イベントについてをご覧ください。
2. モデル作成時のデータ品質の問題をトラブルシューティングするにはどうすればよいですか？
Search for Retail コンソールの [Data Quality] ページに移動して、取り込まれたカタログとユーザー イベントに関するデータ品質指標を確認します。
3. Google アナリティクス 360 を統合できますか？
Google アナリティクス 360（GA360）の履歴データを使用できます。Merchant Center のデータと同様に、GA360 のデータを BigQuery にエクスポートすると、Vertex AI Search for Retail は BigQuery から直接イベントを読み取ることができます。
リアルタイム イベントの場合は、イベントが GA360 で遅延されるため、Google タグ マネージャーとトラッキング ピクセルを統合することをおすすめします。
4. Google アナリティクス 360 からユーザー イベントをインポートしたいと考えています。必要なすべてのユーザー イベントが提供されますか？
Google アナリティクス 360 は、検索イベントを除く、Vertex AI Search for Retail で使用されるすべてのユーザー イベントをネイティブにサポートします。検索ユーザー イベントをアナリティクス 360 からインポートすることもできますが、Vertex AI Search for Retail は、検索クエリ、および商品のインプレッション（ある場合）から検索ユーザー イベントを作成します。
5. Recommendations AI にイベントをフィードするにはどうすればよいですか？
通常、ユーザーは Cloud Storage または API インポートを使用して履歴イベントをインポートし、ライブサイトの JavaScript Pixel タグまたはタグ マネージャー タグまたはバックエンドで書き込みメソッドを使用して、リアルタイム イベントをストリーミングします。
6. モデルに必要なものとしてリストされたユーザー イベントタイプをすべて送信できない場合はどうすればよいですか？各モデルに必要な最小イベントタイプは何ですか？
各モデルと最適化目標の要件は多少異なります。ユーザー イベント データの要件をご覧ください。
一般的に、モデルのパフォーマンスはカタログ アイテムあたりのイベント数が多いほど高くなります。トラフィックが多くカタログ数の小さいサイトの場合は、少ない量の履歴イベントで始めることが可能ですが、通常は少なくとも数週間分の履歴データと進行中のリアルタイム イベントが必要になります。
7. 収益または数量に値のないカート追加イベントと購入完了イベントがあります。どのように送信すればよいですか？
数量の値がない場合は、モデルの結果に影響を与えずにデフォルト値 1 を渡すことができます。アイテムには、常に pricePrice を設定する必要があります（これは割引価格など、ユーザーに表示される任意の価格です）。originalPrice と cost は省略可能です。
8. 私のデータでは限られた種類のイベントしかカバーしていません。Vertex AI Search for Retail は引き続き使用できますか？
各モデルタイプの最小データ要件については、ユーザー イベントデータの要件をご覧ください。
検索結果
1. 検索結果はカスタマイズされていますか？
はい。検索はカスタマイズされた結果を提供できます。 検索結果は訪問者 ID に基づいてカスタマイズされます。 詳細については、カスタマイズをご覧ください。
2. 検索リクエストの一部として、ユーザーが買い物をする店舗などのコンテキストを含めるにはどうすればよいですか？
店舗 ID による在庫状況と納品オプションは、商品カタログの属性です。納品オプションは、「オンラインで配信」、「オンライン購入」、「店舗受け取り」などの属性です。
属性は、検索リクエストでパラメータとして送信できます。そのため、この例では、検索リクエストでユーザーの店舗 ID を指定できます。結果は、リクエスト内の店舗 ID に基づいてフィルタリングまたはランク付けできます。
3. 検索結果で商品を非表示にできますか？
はい。filter パラメータを使用すると、タグに基づいて結果をフィルタできます。
4. 在庫状況や価格など、複数の基準でランク付けすることは可能ですか？
はい、[boostSpec] により複雑なランキング ルールを指定できます。
5. 複数のファセットを使用して結果を得るために、いくつかの属性をグループ化することは可能ですか？たとえば、商品の原産地が同じ国内の都市をグループ化する場合などです。
商品の属性は階層ではありません。ただし、複数のカスタム属性を使用して商品属性を階層にすることはできます。この例では、商品の原産国と原産地の両方にカスタム属性を使用できます。
6. 提案はどのような仕組みですか？
提案は、ユーザークエリ、書き換えられたクエリ、プロダクト名の組み合わせです。高品質なオートコンプリートの提案を生成するには、十分な数の検索イベントをカタログとともに取り込む必要があります。
予測結果
1. 返すことができる予測数に上限はありますか？
デフォルトでは、予測リクエストはレスポンスに 20 アイテムを返します。これは、pageSize の値を送信して増減できます。
100 件を超えるアイテムを返す必要がある場合は、Google サポートに連絡して上限を増やしてください。ただし、100 個以上の項目を返す場合は、レスポンスのレイテンシが長くなる可能性があります。
2. モデルが特定の商品のレコメンデーションを作成した理由を表示できますか？
いいえ。
3. 予測結果をダウンロードしてキャッシュに保存できますか？
予測結果はサイト上のユーザー アクティビティに応じてリアルタイムで改善されるため、キャッシュ保存された予測の使用は推奨されません。モデルは毎日トレーニングして、カタログに対する変更を取り込み、ユーザー イベントの新しいトレンドに反応し、結果も変わります。
4. ビジネスルールに基づいて返されるレコメンデーションを再ランク付けする必要があります。これはサポートされていますか？
はい。ただし、ビジネスルールに基づいて返されたレコメンデーションを再ランク付けすることは可能ですが、レコメンデーション結果の順序変更やフィルタリングを行うと、選択した最適化目標の達成におけるモデルの全体的な効果が低下する可能性があるのでご注意ください。
価格の再ランキングでは、返された一連のレコメンデーションの中から、関連する価格の高い商品を順序付け、「関連商品のおすすめ」や「あなたへのおすすめ」モデルの組み込みのカスタマイズで使用できます。
料金の再ランキングをご覧ください。
5. 作成して使用できるフィルタタグの数に上限はありますか？
作成または使用可能なユニークタグの数にハードリミットはありません。しかし、システムは 1 つのアイテムにつき多くのフィルタタグを処理するようには設計されていません。可能であれば、フィルタタグをカタログ アイテムごとに最大 10 個に制限することをおすすめします。カタログ全体で 10 を超える値を使用できます。これはアイテムごとの上限です。合計タグ数（アイテムごとのタグ数の合計）の上限は 100,000,000 です。
Vertex AI Search for Retail の割り当てと上限に関するドキュメントをご覧ください。
6. 最適化案を多様化できますか？
はい。多様化は、提供構成の一部として、または予測リクエストのパラメータで指定できます。多様化度が低い場合、予測に同じカテゴリの類似アイテムが含まれることがあります。多様化度が上がれば、他のカテゴリのアイテムも結果に含まれるようになります。
7. レコメンデーションに対して料金で優先付けすることはできますか？
はい。料金の再ランキングでは、同様のおすすめの確率を持つおサービスが料金の高い順に並べられます。関連性はアイテムの注文にも使用されるため、価格の再ランキングを有効にしても、価格順の並べ替えとは同じになりません。料金の再ランキングは、サービス提供構成の一部として、または予測リクエスト パラメータで指定できます。
モデル
1. カタログとイベントをアップロードしましたが、Prediction API の呼び出すときに、次のレスポンスがまだ返されます。「レコメンデーション モデルの準備ができていません。統合目的で予測リクエストで「dryRun」を true に設定すると、カタログの任意のカタログ アイテムが返されます（本番環境トラフィックには使用しないでください）。」
これは通常、モデルのトレーニングが完了していないことを示します。モデルを作成してから 10 日以上経過してもこのレスポンスが引き続き返される場合は、サポートまでお問い合わせください。
2. モデルのトレーニングにはどのくらいの時間がかかりますか？
最初のモデルのトレーニングと調整には 2～5 日かかりますが、大規模なデータセットの場合はさらに時間がかかることがあります。 それ以降は、モデルを無効にしない限り、モデルは毎日自動的に再トレーニングされます。モデルのトレーニングを一時停止して再開するをご覧ください。
3. モデルをダウンロードまたはエクスポートできますか？
いいえ。
4. 既存のプロジェクトで作成したモデルを新しいプロジェクトで使用できますか？
いいえ。新しいプロジェクトでモデルを作成して再トレーニングする必要があります。
5. カテゴリページにモデルを使いたいのですが、できますか？
はい。あなたへのおすすめ機能はカテゴリページに役立ちます。
カテゴリページはホームページに似ていますが、そのカテゴリのアイテムのみを表示する点が異なります。これを実現するには、フィルタタグを持つ標準の「あなたへのおすすめ」モデルを使用します。たとえば、カスタマイズしたフィルタタグ（カテゴリページに対応）をカタログのアイテムに追加できます。予測リクエストを送信するときは、ユーザー イベント オブジェクトを category-page-viewとして設定し、特定のカテゴリページのタグを filter フィールドに指定します。リクエストされたフィルタタグに一致するレコメンデーションの結果のみが返されます。このユースケースでは、多様化を無効にする必要があります。多様化はカテゴリベースのフィルタタグと競合するためです。
6. モデルのカスタマイズを無効にできますか？
デフォルトでは、予測結果は関連商品のおすすめ、あなたへのおすすめ、再購入のレコメンデーション モデルタイプ用にユーザーによってカスタマイズされます。
カスタマイズすることによって、モデルのパフォーマンスに悪影響を及ぼす可能性があるため、無効にすることはおすすめしません。
サイトでのユーザーの以前のエンゲージメントではなく、閲覧された商品に関連するカタログ アイテムを表示する場合は、予測リクエストでランダムな一意の訪問者 ID を使用して、パーソナライズされていないレコメンデーションを受け取れます。これは、カスタマイズしないサービス提供構成内のリクエストに対してのみ行ってください。
Search for Retail コンソール
1. いくつかのイベントを削除しましたが、ダッシュボードにはこれらのイベントタイプの数がまだ表示されています。
これは予期されたエラーです。Search for Retail ダッシュボードには、特定の期間に取り込まれたイベントの数が表示されます。現在のカウントやイベント数は表示されません。
通常、ユーザー イベントは記録後、所定の保存場所にそのままにしておく必要があります。イベントを完全に削除することはおすすめしません。 ユーザー イベントを完全にリセットする予定の場合は、代わりに新しいプロジェクトの作成を検討してください。
正しく記録されていないイベントを完全に削除する必要がある場合は、ユーザー イベントを削除するのドキュメントをご覧ください。イベントの削除が完了するまで数日かかる可能性があります。
2. カタログやユーザー イベントでエラーが発生しているかどうかを確認するにはどうすればよいですか？
カタログ アイテムの更新またはユーザー イベントのほとんどの API 呼び出しでは、構文に問題があるか、なんらかの理由でリクエストを処理できない場合にエラーが返されます。
Search for Retail ダッシュボードには、結合されていないイベントの割合が表示されます。これは、カタログやイベントの問題を検出するための有用な指標でもあります。カタログにないアイテム ID が指定された場合、結合されていないイベント（または結合されていない予測呼び出し）が発生します。これは通常、カタログが最新でないため、新規または変更されたカタログ アイテムをアップロードする必要があるものの、間違ったアイテム ID が渡されたことが原因の可能性もあります。リクエストを確認して、アイテム ID がカタログに正しくマッピングされていることを確認し、アップロードしたカタログでアイテムが存在することを確認します。
Cloud Monitoring と Cloud Logging を使用して、イベントのステータスをモニタリングできます。たとえば、特定の期間にイベントがない場合や、予測呼び出しが特定のしきい値を下回った場合に、アラートを受信できます。
3. レコメンデーションのサービス提供構成が無効になっているのはなぜですか？どうすれば有効にできますか？
レコメンデーションのサービス提供構成を使用するには、まずカタログとユーザー イベントデータを送信して、対応するモデルをトレーニングする必要があります。モデルのトレーニングが終了すると、ダッシュボードにモデルがクエリできる状態であることが示されます。
4. Search for Retail が収益指標を報告するにはどの通貨を使用しますか？
Search for Retail は、アップロードしたデータで使用されている通貨の指標をレポートします。Vertex AI Search for Retail は、カタログごとに複数の通貨を使用することはサポートしておらず、通貨を変換しません。
Search for Retail コンソールを使用して収益指標を取得する予定がある場合は、Vertex AI Search for Retail にアップロードする前に、すべてのイベントが同じ通貨を使用していることを確認するか、すべて同じ通貨に換算します。