本頁面說明推薦模型，以及其預設放送設定和最佳化目標、可用的自訂項目和支援的事件類型。
簡介
註冊使用 Vertex AI Search for Commerce 時，您可以與 Vertex AI Search for Commerce 支援團隊合作，決定最適合網站使用的推薦模型和自訂設定。您使用的模型和自訂選項取決於業務需求，以及您打算在何處顯示產生的推薦內容。
要求最佳化建議時，您會將供應設定值提供給 placement 資源。(請參閱「關於服務設定」，進一步瞭解如何使用 placement 資源來提供服務設定，以及如何支援先前用於放置模型的位置。)供應設定會決定系統要使用哪個模型來傳回推薦內容。您也可以篩選結果。
建議模型類型
推薦模型類型如下：
你可能會喜歡的其他內容
「其他你可能會喜歡的產品」推薦內容會預測使用者接下來最有可能互動或轉換的產品。這項預測的依據為使用者的購物和瀏覽記錄，以及候選產品與目前指定產品的關聯性。
預設最佳化目標： 點閱率
預設供應設定：不適用
可用的自訂選項：
模型部署作業支援的頁面：
- 詳細資料頁面。請參閱「detail-page-view」事件。
- 加入購物車頁面。請參閱「add-to-cart」事件。
經常一起購買的商品 (購物車擴充功能)
「經常同時購買的商品」推薦功能會預測使用者在同一次購物體驗中，經常與特定產品一併購買的商品。如果使用者正在查看產品清單，系統會預測使用者經常與該產品清單一併購買的商品。
當使用者已表示有意購買特定產品 (或產品清單)，而您想推薦相輔產品 (而非替代品) 時，這項推薦就很實用。這項建議通常會顯示在 add-to-cart 頁面、購物車或註冊頁面 (如果是購物車擴充功能)。
預設最佳化目標： 單次工作階段收益
預設供應設定：不適用
可用的自訂選項：
模型部署作業支援的頁面：
- 詳細資料頁面。請參閱「detail-page-view」事件。
- 加入購物車頁面。請參閱「add-to-cart」事件。
- 購物車頁面。查看「shopping-cart-page-view」shopping-cart-page-view事件
- 購買完成頁面。請參閱「purchase-complete」事件。
為您推薦
「為您推薦」推薦內容會根據使用者的購物或瀏覽記錄，以及要求的背景資訊 (例如時間戳記)，預測使用者接下來最有可能購買或與哪一項產品產生互動。這項最佳化建議通常用於首頁。
在類別頁面中，您也可以使用「為您推薦」功能。類別網頁與首頁類似，但您只能顯示該類別的項目。您可以使用含有篩選器標記的標準「為您推薦」模型來達成這項目標。舉例來說，您可以為目錄中的商品新增自訂篩選器標記 (對應於各個分類頁面)。傳送預測要求時，請將使用者事件物件設為 category-page-view，並在 filter 欄位中指定特定類別網頁的標記。系統只會傳回符合要求篩選標記的推薦結果。在這個用途中，應停用多樣化功能，因為多樣化功能可能與以類別為基礎的篩選器標記發生衝突。
預設最佳化目標： 點閱率
預設供應設定：不適用
可用的自訂選項：
- 將最佳化目標變更為「轉換率」或「每個工作階段的收益」。
- 新增價格重新排序。
- 新增「結果多樣化」。
模型部署作業支援的頁面：
- 全部
再次購買
「Buy it Again」模型會根據先前的週期性購買交易，鼓勵使用者再次購買商品。這個個人化模型會預測先前至少購買過一次，且通常會定期購買的產品。系統建議產品的間隔時間取決於產品和網站訪客。這個模型的最佳化建議可用於任何頁面類型。
「Buy it Again」模型會使用購買完成的使用者事件。
無法調整「Buy it Again」模型。
建議每個專案只建立一個「再購買」模型。由於 Buy it Again 模型無法自訂，因此根據相同使用者事件建立多個 Buy it Again 模型不會產生不同的推薦內容，且可能會產生不必要的費用。
預設最佳化目標：不適用
預設供應設定：不適用
可用的自訂項目：不適用
模型部署作業支援的頁面：
- 全部
特賣中
「特價」模型類型是一種個人化促銷模型，可推薦特價產品。您可以使用這個模型類型，鼓勵使用者購買折扣商品。
通常用於首頁、加入購物車頁面、購物車頁面、類別頁面和詳細資料頁面。
預設最佳化目標： 點閱率
預設供應設定：不適用
可用的自訂選項：
模型部署作業支援的頁面：
- 詳細資料頁面。請參閱「detail-page-view」事件。
- 首頁。請參閱「home-page-view」事件。
- 加入購物車頁面。請參閱「add-to-cart」事件。
- 購物車頁面。請參閱「shopping-cart-page-view」事件。
- 購買完成頁面。請參閱「purchase-complete」事件。
- 類別頁面。請參閱「category-page-view」事件。
最近查看的資訊主頁
「最近觀看」推薦內容並非真正的推薦內容，這項資料會提供使用者或訪客最近互動的產品 ID，並以最近的產品為優先。
預設最佳化目標：不適用
預設供應設定： recently_viewed_default
可用的自訂項目：不適用
模型部署作業支援的頁面：
- 全部
頁面層級最佳化
頁面層級最佳化功能可提供更廣泛的最佳化建議，從一次只針對單一推薦面板進行最佳化，擴展到針對整個頁面 (包含多個面板) 進行最佳化。頁面層級最佳化模型會自動選取每個面板的內容，並決定頁面上的面板順序。
舉例來說，首頁通常會將產品分門別類，並排列成相關群組，例如類別、熱門項目或近期查看的產品。在首頁上使用頁面層級最佳化模型，可為使用者提供個人化推薦體驗，同時自動化決策程序，以便協調該頁面的模型組合和版面配置。
如要建立頁面層級最佳化模型，您必須先具備已訓練模型的現有推薦放送設定。建立網頁層級最佳化模型時，您需要指定要使用該模型的網頁類型、要套用的限制條件 (以限制類似的放送設定)、要最佳化的業務目標 (CTR 或 CVR)、要顯示的推薦面板數量，以及要考慮的各個面板的放送設定。
如同其他模型，如要使用頁面層級最佳化模型，請使用包含「頁面層級最佳化」模型的放送設定發出預測呼叫。預測回應中不含推薦內容，而是包含排序的放送設定 ID 清單，代表可用於每個面板的放送設定。接著，針對每個面板使用從網頁層級最佳化模型傳回的對應放送設定 ID，發出新的預測呼叫。每個面板的預測回應都包含在該面板中顯示的建議項目清單。
預設最佳化目標：不適用
預設供應設定：不適用
可用的自訂項目：不適用
模型部署作業支援的頁面：
- 全部
啟用這項功能時
- 說明資訊應能解釋每項產品，並包含與名稱不同的獨特資訊或字詞。
- 平均至少有 10 個說明字詞時，這項功能的效果最佳。
- 含有不明 item_id 的事件百分比應低於 10%。(您可以查看未加入的比率。進一步瞭解未加入的比率定義。
根據業務目標進行最佳化
建立機器學習模型的目的，是為了針對特定業務目標進行最佳化，而這會決定模型的建構方式。每個模型都有預設的最佳化目標，但您可以聯絡支援團隊代表，要求提供其他最佳化目標，以便支援業務目標。
訓練模型後，您就無法變更最佳化目標。您必須訓練新的模型，才能使用其他最佳化目標。
Vertex AI Search 電子商務套件支援下列最佳化目標。
點閱率 (CTR)
點閱率最佳化會強調參與度；如果您想盡可能提高使用者與推薦內容互動的可能性，就應進行點閱率最佳化。
點閱率是「您可能喜歡的其他項目」和「為您推薦」推薦模型類型的預設最佳化目標。
單次工作階段收益
每個工作階段收入最佳化目標適用於「您可能會喜歡的其他項目」、「為您推薦」和「常一起購買的商品」推薦模型類型。雖然每個模型的目標設定方式不同，但目標都是增加收益。
「你可能會喜歡的其他項目」和「為你推薦」這個目標會結合點擊、轉換和商品價格的資訊，協助模型推薦價格較高且購買機率較高的商品。
「經常一起購買」這個目標會針對更有可能加入購物車的商品進行最佳化，藉此擴大購物車規模，提升收益。
轉換率 (CVR)
最佳化轉換率可盡可能提高使用者將推薦商品加入購物車的可能性。如果您想增加每次工作階段中加入購物車的商品數量，請進行轉換率最佳化。
進階模型設定選項
視模型類型而定，您可以使用其他模型設定選項來變更模型的行為。
調整偏好設定
隨著輸入資料隨時間變化，調整功能可確保模型訓練最佳化。您可以設定模型每三個月自動調整一次，也可以選擇只手動調整。模型建立後會自動進行一次調整。瞭解詳情。
如需調校費用詳細資訊，請參閱「定價」一節。
可用的供給設定和模型
您必須先為模型建立至少一個服務設定，才能要求模型提供預測結果。詳情請參閱「建立放送設定」。
您可以在「模型頁面」中查看列出的模型。按一下模型名稱，前往該模型的詳細資料頁面，即可查看與該模型相關聯的供應設定。
情境產品
產生推薦內容時，模型會考量使用者先前在推薦面板中互動過的產品。
這些內容相關產品會做為使用者事件的一部分，傳遞至 predict 要求的主體中。舉例來說，如果購物車頁面有推薦面板，則任何觸發 predict 要求的 shopping-cart-page-view 使用者事件，都應包含當時購物車中的產品。這些產品會用做該推薦內容的背景產品。
建立「經常一起購買」模型時，您可以指定該模型是否會在一個或多個項目的背景下產生推薦內容。您選擇的選項取決於您要使用模型的網頁類型。
- 多個情境產品 (預設)：經常一起購買模型可使用一或多項產品做為推薦內容的情境。這個用途通常適用於購物車頁面，因為這類頁面含有多種情境產品，可用於提供該頁面上的推薦內容。
單一情境產品：經常一起購買模型只能使用單一情境產品。這個用途通常用於有單一產品的頁面，該產品會用來做為推薦內容的脈絡，例如新增至購物車頁面和產品詳細資料頁面。
在單一情境產品「經常一起購買」模型的
predict要求中傳遞多個產品不會失敗，但不建議這麼做，因為這可能無法產生最佳推薦內容。