Perguntas frequentes

Você está enfrentando algum outro desafio ou seu problema não está descrito abaixo? Informe um bug ou solicite um recurso e participe do grupo do Google cloud-recommendations-users ou das discussões do Stack Overflow.

Geral

Estas são perguntas frequentes gerais.

Você tem bibliotecas de cliente para a Vertex AI para Pesquisa em E-commerce ou mais exemplos de código?

Sim. Consulte o guia de bibliotecas de cliente para informações de configuração e referência de cada biblioteca.

O serviço de descoberta de APIs do Google também pode ser usado em vez de chamadas REST brutas.

Todos os modelos de recomendação são personalizados?

Os modelos "Recomendado para você", "Outros itens que podem interessar a você" e "Comprar novamente" fazem recomendações personalizadas quando são fornecidos com o histórico de usuários. Os modelos "Comprados juntos com frequência" e "Itens semelhantes" não são personalizados.

Consulte Sobre os modelos de recomendação.

Vou receber recomendações personalizadas imediatamente ou precisarei esperar que elas melhorem com o tempo?

As recomendações são aprimoradas conforme você coleta mais dados do usuário. O modelo "Recomendado para você" mostra produtos conhecidos, e o modelo "Outros produtos que você gosta" mostra produtos semelhantes com base nas visualizações de outros. Esses dois modelos começam a considerar o comportamento do usuário imediatamente. Por isso, é importante enviar eventos em tempo real. Consulte Sobre os modelos de recomendação.

Os eventos do usuário precisam ser enviados em tempo real, ou quase em tempo real, para que a personalização seja eficaz. Se os eventos do usuário forem enviados diariamente ou em lotes ao longo do dia, os modelos personalizados talvez não tenham um desempenho tão bom quanto os eventos em tempo real.

Você está usando dados demográficos do usuário do Google nos seus modelos?

Os modelos só usam os dados de catálogo e de eventos do usuário que você fornece. Se você quiser incluir dados demográficos, adicione outras informações textuais ou numéricas que possam ser úteis como atributos personalizados. Esses dados vão começar a ser usados pelo modelo depois que ele for reajustado.

Não inclua informações de identificação pessoal (PII), como endereços de e-mail ou nomes de usuário. Sugerimos que você anonimize os dados demográficos, por exemplo, gerando hash dos valores ou usando IDs de grupos.

Posso fazer recomendações com base no histórico de eventos de um grupo de usuários em vez do histórico de um único usuário?

As recomendações são baseadas em um único ID de visitante ou de usuário. Seria necessário fazer solicitações individuais e combinar os resultados para basear as recomendações no histórico de um grupo. Se os usuários tiverem atributos de metadados comuns, é possível usar IDs de grupos como IDs de usuários para fornecer recomendações no nível do grupo.

Percebi que é possível enviar URLs de imagem para produtos. Os modelos consideram as imagens do produto?

Sim, as imagens de produtos podem ser enviadas como parte dos dados do catálogo de produtos. A Vertex AI para Pesquisa em E-commerce usa URLs de produtos e os identificadores por trás deles (URIs) para enriquecer as descrições de produtos.

O objeto Product contém um campo "images", que é uma lista de objetos de imagem. Cada objeto de imagem pode incluir um URI, altura e largura. É permitido usar até 300 imagens por produto. Embora seja opcional, é altamente recomendável fornecer imagens do produto. A Visualização da previsão também usa URLs de imagens para exibi-las quando você visualiza os resultados da previsão de um modelo no console da Pesquisa para e-commerce.

Minha empresa não é um site de comércio eletrônico de varejo. Ainda posso usar recomendações para prever x,y,z?

Já tivemos clientes que usam recomendações para recomendações de conteúdo, streaming de vídeo e jogos e outros casos de uso. No entanto, nosso conteúdo e nossa experiência foram projetados para o caso de uso do comércio eletrônico de varejo e talvez ainda não sejam adequados para outros casos de uso.

Posso colocar recomendações em qualquer página do meu site?

Sim, mas os modelos são projetados para casos de uso específicos e podem funcionar melhor em determinadas páginas. Consulte Sobre os modelos de recomendação.

As opções "Comprados juntos com frequência" e "Outros produtos que você pode gostar" exigem IDs de item. Por isso, elas precisam ser usadas para recomendações usando, por exemplo, um ID do produto ou itens em um carrinho. A opção "Comprados com frequência" normalmente funciona melhor em páginas de adição ao carrinho ou de finalização da compra. Já "Outros itens que você pode gostar" e "Itens semelhantes" funcionam melhor em páginas de detalhes de produtos. O texto "Recomendado para você" pode ser colocado em qualquer página, já que requer apenas um ID de visitante como entrada, mas foi projetado como uma configuração de exibição de página inicial. O recurso Comprar de novo foi criado para ser colocado em qualquer página.

Posso usar recomendações em newsletters por e-mail?

Sim. Para isso, basta fazer uma chamada para a API com um ID de visitante ou de usuário e, em seguida, incorporar os resultados em um modelo de e-mail. Se você quiser que os itens sejam carregados dinamicamente no momento de leitura do e-mail, será necessário usar um endpoint intermediário, como uma funçãoGoogle Cloud , para enviar a solicitação de previsão. Como a API fornece apenas uma lista de IDs de produto e metadados ordenados, você também precisará escrever seu próprio código para renderizar os resultados da imagem.

Posso usar a Vertex AI para Pesquisa em E-commerce em outros casos de uso que não sejam da Web (apps para dispositivos móveis, quiosques)?

Sim. Você pode configurar um endpoint (por exemplo, Google Google Cloud Function) para receber resultados para o app. Você também precisa de um mecanismo semelhante para enviar eventos em tempo real.

Não tenho mais de três meses de dados de eventos. Ainda posso usar a Vertex AI para Pesquisa em E-commerce? Posso adicionar mais dados depois?

O modelo "Itens semelhantes" não usa dados de eventos do usuário ou ajuste de modelo. Mesmo que você não tenha dados de eventos, é possível criar e treinar um modelo de "Itens semelhantes", desde que você tenha dados de catálogo.

Se você puder registrar tráfego suficiente para eventos em tempo real, os dados recentes poderão ser usados para treinar outros modelos. Se você tiver dados adicionais disponíveis posteriormente, poderá fazer o upload deles após o treinamento de modelo inicial. Os dados recém-preenchidos são incorporados aos modelos durante o novo treinamento diário. No entanto, se os dados forem muito diferentes dos eventos usados no treinamento inicial, talvez seja necessário reajustar os modelos.

A maioria dos modelos funciona melhor com pelo menos três meses de visualizações de página de produto, visualizações de página inicial e eventos de adição ao carrinho para todos os modelos, e idealmente de um a dois anos de histórico de compras para a opção "Comprados com frequência".

Uma ou duas semanas de visualizações de página de detalhes são suficientes para começar a treinar os modelos "Outros itens que você pode gostar" e "Recomendados para você", enquanto os termos "Comprados frequentemente em conjunto" e "Compre de novo" geralmente requerem mais, já que normalmente há menos compras por dia do que visualizações de página. A qualidade do modelo pode ser significativamente melhorada com mais dados; a quantidade mínima pode não produzir os melhores resultados. Um ano de compras, por exemplo, permite que os modelos aproveitem melhor a sazonalidade e as tendências.

Posso recomendar categorias com os produtos?

O Recommendations retorna apenas recomendações de produtos, mas é possível ver as categorias de cada produto retornado como parte dos resultados.

Você tem integrações para fazer upload de dados de bancos de dados SQL ou outros sistemas, como o BigQuery?

Sim. Para eventos, há exemplo de código que lê do BigQuery. Confira um conjunto de dados de amostra do Google Analytics para o BigQuery.

A Vertex AI para Pesquisa em E-commerce usa cookies?

Não, ele não usa cookies. No entanto, todos os eventos enviados à Vertex AI para Pesquisa em E-commerce precisam ter um ID de visitante especificado, que, muitas vezes, é um identificador de sessão de um cookie.

Preciso de um projeto Google Cloud dedicado?

É possível criar um projeto novo e dedicado ou ativar a Vertex AI para Pesquisa em E-commerce em um projeto atual.

Por que minhas credenciais não estão funcionando ao usar o Cloud Shell?

Verifique se você concluiu as etapas de configuração de autenticação da Vertex AI para Pesquisa em E-commerce. Use uma conta de serviço disponibilizada no ambiente. Caso contrário, pode aparecer um erro como este: Seu aplicativo foi autenticado usando credenciais de usuário final do SDK Google Cloud ou do Google Cloud Shell, que não são compatíveis.

Para mais informações sobre contas de serviço, consulte a seção Autenticação da documentação do Google Cloud .

Como posso comparar a Vertex AI para Pesquisa em E-commerce com soluções semelhantes?

Você pode realizar testes A/B para comparar os resultados da Vertex AI para Pesquisa em E-commerce com os de outros produtos.

Acho que o recurso x,y,z seria ótimo. Você pode adicionar isso?

Sua opinião é importante para nós. As solicitações de recursos podem ser enviadas por meio da sua equipe de conta, do Suporte do Google ou do Issue-Tracker.

Ainda posso usar a API antiga para recomendações?

O Recommendations migrou da API Recommendations Engine para a Vertex AI para Pesquisa em E-commerce. Se você estava usando a API Recommendations Engine enquanto ela estava na versão Beta, recomendamos migrar suas recomendações para a Vertex AI para Pesquisa em E-commerce (endpoint de serviço https://retail.googleapis.com), que está em disponibilidade geral.

A API anterior (endpoint do serviço https://recommendationengine.googleapis.com) e a documentação permanecem disponíveis, mas não são mais atualizadas.

Catálogos e produtos

Estas são perguntas frequentes sobre catálogos e produtos.

Como as recomendações lidam com inicializações a frio para novos produtos?

Para produtos que não têm histórico de compras, fazemos recomendações com base em produtos semelhantes. Nesses casos, é muito importante ter bons títulos, categorias e descrições de produtos definidos no catálogo.

Para usuários de inicialização a frio (visitantes sem histórico), os modelos começam com os produtos gerais mais conhecidos e se tornam mais personalizados em tempo real à medida que mais eventos do usuário são recebidos.

Consulte Sobre catálogos e produtos e a página de referência do produto.

Posso usar meu catálogo do Merchant Center para receber recomendações?

Sim, é possível exportar um catálogo do Merchant Center para o BigQuery usando o serviço de transferência de dados do Merchant Center. Em seguida, podemos ler o catálogo diretamente do BigQuery. Consulte Importar dados do catálogo do Merchant Center.

Como posso importar meu catálogo?

  • Merchant Center: importe com o Merchant Center. Se você usa a pesquisa, pode usar o console para vincular o Merchant Center e sincronizar o catálogo automaticamente.
  • BigQuery: importe diretamente de uma tabela ou visualização.
  • Cloud Storage: importe usando arquivos de texto com um item de catálogo JSON por linha.
  • Importação in-line: importe com uma chamada de API usando arquivos de texto com um item de catálogo JSON por linha.
  • Crie itens do produto: use o método Products.

Como posso manter meu catálogo atualizado? Com que frequência o catálogo precisa ser atualizado?

Consulte Mantenha seu catálogo atualizado.

Recomendamos que você atualize seu catálogo diariamente. É possível fazer uma atualização completa do Cloud Storage ou do BigQuery ou uma atualização incremental (apenas itens novos e alterados).

Se possível, atualize o preço e a disponibilidade em tempo real. Isso afeta a rapidez com que novos itens podem ser pesquisados.

Se você tiver uma maneira de ser notificado sobre mudanças no catálogo, como usando Pub/Sub, fila de mensagens, eventos etc., atualize o catálogo em tempo real usando os métodos de API import ou create.

Por exemplo, o Cloud Scheduler pode ser usado para fazer uma chamada diária de importação do BigQuery.

Existem tamanhos mínimos e máximos de catálogo?

Não há um tamanho mínimo, mas tamanhos de catálogo muito pequenos (< 100 itens) podem não trazer muitos benefícios com base nas recomendações, devido à quantidade muito pequena de produtos a serem recomendados.

O catálogo pode ter até 40 milhões de itens.

Consulte a documentação sobre cotas e limites padrão e para saber como solicitar uma alteração na sua cota.

Minha empresa opera sites em vários países. Devo usar um catálogo para todos os meus dados?

Geralmente, é melhor ter apenas um catálogo com todos os itens. Os eventos precisam ser enviados usando uma única moeda. Não é possível ter vários catálogos no mesmo projeto, mas, se você usar entidades, poderá especificar o comportamento de pesquisa, recomendações e preenchimento automático para um país específico.

Se os catálogos forem consideravelmente diferentes entre os sites, recomendamos ter um projeto separado para cada um deles. Além disso, se os países tiverem idiomas diferentes, recomendamos ter projetos separados, um para cada idioma.

Se houver sites semelhantes com pouco tráfego em comparação com o site principal, pode ser melhor usar um único catálogo se não houver eventos suficientes para produzir modelos de alta qualidade para todos os sites individuais.

Para usar um único catálogo, os IDs de item do catálogo precisam ser consistentes, ou seja, o mesmo produto precisa ter um único ID de item em todos os sites para que não haja duplicação de produtos no catálogo.

Para recomendações apenas, uma alternativa ao uso de entidades é filtrar para um site específico usando filtros. No entanto, os filtros podem levar até 8 horas para serem atualizados. Portanto, se houver requisitos de disponibilidade (esgotados) específicos de um país, eles normalmente precisarão ser processados por uma regra de negócios que filtre os resultados após a resposta de previsão. Isso se aplica à filtragem filter_tag v1 e à filtragem com base em atributos v2.

A Vertex AI para Pesquisa em E-commerce é compatível com várias moedas por catálogo?

Não, só é possível usar um tipo de moeda por catálogo. Os eventos precisam ser enviados usando uma única moeda.

Se você planeja usar o console Pesquisa para comércio para receber suas métricas de receita, verifique se todos os seus eventos usam uma única moeda ou converta todos na mesma moeda antes de fazer upload deles.

Tenho vários sites com um catálogo compartilhado ou itens semelhantes. As recomendações podem fornecer sugestões entre sites?

Recomendamos usar um único catálogo como esse somente se houver sobreposição significativa entre os sites. Eles precisam compartilhar muitos ou todos os mesmos produtos. Em seguida, como nos sites multirregionais, é possível usar entidades ou tags de filtro para retornar somente itens específicos do site para uma chamada de previsão específica.

Se os sites não compartilharem muitos ou nenhum item do catálogo, vários catálogos serão usados. O uso de vários catálogos requer um projeto Google Cloud separado para cada um deles.

Incluir mais metadados melhora o modelo? O modelo considera os campos x,y,z?

Consulte os campos obrigatórios em Informações de item de catálogo necessárias.

Outros campos de metadados são opcionais (por exemplo, imagens e itemAttributes). Eles podem ser usados para visualização de previsão, análise de resultados, treinamento e ajuste. Recomendamos incluir atributos úteis, como cor, tamanho, material etc. Esses campos podem ser retornados como parte dos resultados da previsão especificando returnProduct:true. Portanto, eles podem ser úteis para renderizar resultados. Imagens e atributos de item são usados para a visualização da previsão no console da Pesquisa para e-commerce.

Quais atributos de um item do catálogo são usados como entradas do treinamento de modelo?

É usada uma combinação de comportamentos de usuários e atributos de produtos. Os principais campos usados são ID, título, hierarquia de categoria, preço e URL. É possível incluir outros atributos de chave-valor personalizados que podem ser úteis em Product.attributes[].

Os URLs das imagens são mais um recurso conveniente. retorne esses metadados como parte dos resultados da previsão especificando returnProduct:true, que pode salvar uma chamada extra para recuperar essas informações. Os URLs de imagem também permitem que a visualização da previsão mostre as imagens quando você visualiza os resultados da previsão de um modelo no console da Pesquisa para e-commerce.

Quais idiomas são compatíveis com meus produtos?

  • O recurso de recomendações: é compatível com a maioria dos idiomas. O modelo detecta automaticamente o idioma do texto. Para uma lista de todos os idiomas que podem ser detectados automaticamente, consulte o README do GitHub do Detector de linguagem compacta.
  • O recurso de pesquisa: aceita estes idiomas do mundo. Você define o idioma ao fazer upload do catálogo. O catálogo precisa estar em um só idioma, e as consultas precisam ser enviadas no mesmo idioma. Ter vários idiomas no catálogo prejudica a performance do modelo.
Observação: se você já tem um catálogo de pesquisa em vários idiomas, pode melhorar os resultados adicionando sinônimos. Para mais informações sobre sinônimos, consulte OnewaySynonymsAction e TwowaySynonymsAction.

Meu catálogo tem SKUs principais/variantes ou SKUs pai/filho. São compatíveis?

Sim. Isso é semelhante ao item_group_id no Merchant Center. É necessário determinar como você quer receber as recomendações de volta (no nível pai ou filho) e se os eventos estão no nível pai ou filho.

Consulte Níveis de produto para saber mais sobre eles.

Determine e defina o nível de produto correto antes de enviar itens ou eventos.s O nível do produto pode ser alterado, mas requer que os itens sejam mesclados e os modelos sejam reajustados.

Posso excluir produtos do catálogo quando eles não estiverem mais disponíveis?

Se um item não estiver mais em dia, recomendamos que você defina o status dele como OUT_OF_STOCK em vez de excluí-lo. Assim, os eventos de usuários anteriores que se referem a ele não serão invalidados.

Eventos do usuário

Estas são perguntas frequentes sobre eventos do usuário.

Quais eventos de usuários preciso coletar?

Consulte Sobre eventos do usuário para ver uma lista de tipos de eventos do usuário, bem como requisitos e práticas recomendadas.

Como solucionar problemas de qualidade de dados na criação do modelo?

No console do Vertex AI Search para e-commerce, acesse a página Qualidade de dados para conferir as métricas de qualidade de dados sobre seu catálogo ingerido e os eventos do usuário.

Posso fazer a integração com o Google Analytics 360?

Você pode usar dados históricos do Google Analytics 360 (GA360). Assim como os dados do Merchant Center, os dados do GA360 podem ser exportados para o BigQuery, e a Vertex AI para Pesquisa em E-commerce pode ler os eventos diretamente do BigQuery.

Para eventos em tempo real, recomendamos a integração de pixels de rastreamento com o Gerenciador de tags do Google, já que os eventos são atrasados no GA360.

Quero importar eventos do usuário do Google Analytics 360. Ela fornece todos os eventos de usuário necessários?

O Google Analytics 360 oferece compatibilidade nativa com todos os eventos do usuário usados pela Vertex AI para Pesquisa em E-commerce, exceto eventos de pesquisa. Você ainda pode importar eventos de usuários de pesquisa do Analytics 360, mas observe que o Vertex AI para Pesquisa em E-commerce cria o evento de usuário de pesquisa com base em consultas de pesquisa e, se houver, impressões de produtos.

Como faço para enviar eventos do Recommendations AI?

Os usuários normalmente importam eventos históricos usando a importação do Cloud Storage ou da API e, em seguida, fazem streaming de eventos em tempo real usando o pixel JavaScript ou a tag do GTM.

E se eu não puder enviar todos os tipos de evento do usuário listados como obrigatórios para um modelo? Quais são os tipos de evento mínimos necessários para cada modelo?

Cada modelo e objetivo de otimização tem requisitos um pouco diferentes. Consulte os requisitos de dados de eventos do usuário.

Normalmente, o desempenho do modelo é melhor quando há mais eventos por item de catálogo. Sites com grandes quantidades de tráfego podem começar com um volume menor de dados históricos, mas ainda precisam de pelo menos algumas semanas de dados.

Tenho eventos de adição ao carrinho e compras concluídas que não têm valor para receita ou quantidade. O que eu preciso enviar?

Se você não tiver um valor de quantidade, poderá passar um valor padrão 1 sem afetar os resultados do modelo. Os itens sempre precisam ter displayPrice definido. originalPrice e cost são opcionais.

Meus dados incluíam apenas alguns tipos de eventos. Ainda posso usar a Vertex AI para Pesquisa em E-commerce?

Consulte os Requisitos de dados de eventos do usuário para saber os requisitos mínimos de dados de cada tipo de modelo.

Resultados da pesquisa

Estas são perguntas frequentes sobre os resultados da pesquisa.

Os resultados da pesquisa são personalizados?

Sim. A Pesquisa Google pode fornecer resultados personalizados. Os resultados da pesquisa são personalizados com base nos IDs dos visitantes. Para mais informações, consulte Personalização.

Como faço para incluir o contexto, como a loja em que um usuário está comprando, como parte da solicitação de pesquisa?

Opções de atendimento e disponibilidade baseados em ID da loja são atributos do catálogo de produtos. Os atributos podem ser enviados como um parâmetro na solicitação de pesquisa. Os resultados podem ser filtrados ou classificados com base no ID da loja na solicitação.

Posso ocultar produtos dos resultados da pesquisa?

Sim. O parâmetro filter pode filtrar os resultados com base nas tags correspondentes.

É possível classificar vários critérios, como disponibilidade e preço?

Sim, a boostSpec permite regras de classificação complexas.

É possível agrupar alguns atributos para entregar resultados com vários atributos? Por exemplo, agrupar cidades no mesmo país para origem de produção.

Os atributos de produto não são hierárquicos. No entanto, é possível usar vários atributos personalizados para fazer isso (por exemplo, atributos separados para país e cidade).

Como as sugestões funcionam?

As sugestões são uma combinação de consultas do usuário, consultas reescritas, nomes de produtos etc. Para gerar sugestões de preenchimento automático de alta qualidade, um número suficiente de eventos de pesquisa precisa ser ingerido com o catálogo.

A pesquisa diferencia maiúsculas de minúsculas?

As consultas de texto geralmente não diferenciam maiúsculas de minúsculas devido à análise linguística. No entanto, as expressões de filtro e as ordens de classificação diferenciam maiúsculas de minúsculas.

Como faço para que os números de peça com hífens possam ser pesquisados?

A análise linguística padrão pode remover caracteres especiais. Mapeie esses valores para um atributo personalizado com a flag exact-searchable ativada. Considere também dividir a string em n-gramas antes da transferência.

O mecanismo de pesquisa vai traduzir a consulta de um usuário se meu catálogo estiver em outro idioma?

Não. O idioma do catálogo e o idioma da consulta de pesquisa precisam ser iguais. Se você espera que os usuários pesquisem em vários idiomas, implemente controles de sinônimos para mapear as consultas ao idioma base do catálogo.

Por que minhas pesquisas estão sendo filtradas incorretamente por categoria?

Verifique se os nomes das categorias têm este caractere: >. Ele é estritamente reservado como separador de hierarquia (como Clothing > Mens). Se ele aparecer no nome da categoria por padrão, vai interromper o filtro e precisará ser substituído.

Resultados da previsão

Estas são perguntas frequentes sobre os resultados da previsão.

Existe um limite de previsões que posso retornar?

Por padrão, uma solicitação de previsão retorna 20 itens na resposta. Para aumentar ou diminuir, envie um valor para pageSize.

Se você precisar devolver mais de 100 itens, entre em contato com o Suporte do Google. Retornar mais de 100 itens pode aumentar a latência da resposta.

É possível ver por que um modelo fez uma recomendação de produto específica?

Não.

Posso fazer o download dos resultados da previsão e armazená-los em cache?

Como os resultados de previsão melhoram em tempo real em resposta à atividade do usuário no seu site, não recomendamos o uso de previsões em cache. Os modelos são treinados diariamente para incorporar mudanças ao catálogo e reagir a novas tendências.

Para nós, usar resultados de pesquisa e navegação em cache viola os termos de privacidade de dados do cliente. Ele aciona um mecanismo de detecção de cache, que remove automaticamente a personalização.

De maneira mais geral, é possível armazenar em cache imagens e detalhes do produto, desde que você não armazene em cache os resultados da pesquisa para uma consulta específica e envie uma nova consulta para cada solicitação de pesquisa.

Preciso reclassificar as recomendações retornadas com base em uma regra de negócios. Isso é compatível?

Sim. Porém, embora seja possível reorganizar as recomendações retornadas com base nas suas regras de negócios, tenha em mente que a reordenação ou a filtragem dos resultados recomendados pode reduzir a eficácia geral do modelo. A reclassificação de preços está disponível como uma personalização integrada para os modelos "Outros itens que você pode gostar" e "Recomendado para você". Consulte Reclassificação de preços.

Há restrições no número de tags de filtro que posso criar e usar?

Não há limites rígidos para o número de tags exclusivas. No entanto, o sistema não foi criado para lidar com muitas tags de filtro por item. Recomendamos manter as tags de filtro limitadas a um máximo de 10 por item do catálogo, se possível. O limite total de tags em todo o catálogo é de 100.000.000. Consulte cotas e limites.

Posso diversificar as recomendações?

Sim. A diversificação de recomendações pode ser especificada como parte da configuração de exibição ou nos parâmetros da solicitação de previsão.

Posso priorizar recomendações por preço?

Sim. A reclassificação de preços organiza, por ordem decrescente de preço, os produtos recomendados que têm probabilidade similar de serem pedidos.

Recursos de conversa

Estas são perguntas frequentes sobre os recursos conversacionais, a filtragem de produtos e o comércio da Vertex AI para Pesquisa em E-commerce.

Como uma sessão de conversa é mantida e como faço para atualizar o contexto?

Uma sessão de conversa é mantida usando o ID retornado na resposta do agente de comércio conversacional. É necessário transmitir esse ID em todas as solicitações subsequentes na mesma conversa. Para atualizar ou iniciar uma nova conversa, faça uma nova solicitação de API sem um ID de conversa.

Como a API de streaming afeta minha implementação e a experiência do usuário?

A natureza do streaming significa que você pode receber imediatamente tipos de consultas. Isso permite diferenciar entre consultas que têm uma resposta de texto conversacional e aquelas que não têm, como SIMPLE_PRODUCT_SEARCH. Para SIMPLE_PRODUCT_SEARCH, é possível acionar imediatamente uma chamada para a API Search principal.

Por que é importante que o searchParams no ConversationalSearchRequest reflita minhas principais chamadas da API Search?

Você quer manter a consistência nas suas searchParams, como filtros, ordem de classificação e regras de reforço. Manter a consistência ajuda a garantir que as respostas conversacionais ou consultas refinadas fornecidas pela API estejam alinhadas com os resultados reais do produto exibidos ao usuário.

Se uma pesquisa básica de produtos for detectada, a conversa será encerrada? O usuário pode voltar para outros modos de conversa?

A conversa não termina. O ID da conversa continua válido. Os varejistas podem projetar a UX para manter a janela de chat persistente e permitir que os usuários continuem a conversa. A capacidade de "reverter" depende dessa escolha específica de implementação de UX.

Quais dados a API Conversational armazena para contexto de conversa e por quanto tempo?

Para manter o fluxo de uma conversa, a API Conversational armazena a consulta do usuário, a resposta de texto da conversa e a pergunta de acompanhamento. Essas informações contextuais são mantidas por sete dias.

Por que a API Conversational não oferece respostas sugeridas para perguntas complementares, assim como o filtro de produtos conversacional?

No momento, não é possível fornecer respostas sugeridas para perguntas complementares, mas isso está no nosso roteiro. Não perca as novidades!

Como a API Conversational usa o armazenamento em cache para desempenho e contexto?

A API Conversacional armazena em cache os tipos de consulta e as consultas de pesquisa refinadas de um determinado cliente e projeto por até 10 dias. Isso significa que, se a mesma consulta for repetida, o sistema poderá recuperar rapidamente a intent e os refinamentos sugeridos.

Modelos de machine learning

Estas são perguntas frequentes sobre modelos.

Fiz upload do meu catálogo e eventos, mas ainda recebo essa resposta quando chamo a API Prediction: "O modelo de recomendação não está pronto.

Você pode definir "dryRun" como verdadeiro na solicitação de previsão para fins de integração, que retorna itens de catálogo arbitrários do seu catálogo (NÃO use para tráfego de produção)."

Isso geralmente significa que o modelo não terminou o treinamento. Se já tiverem passado mais de 10 dias desde que você criou o modelo e você continuar recebendo essa resposta, entre em contato com o suporte.

Quanto tempo leva para treinar um modelo?

O treinamento e o ajuste do modelo inicial levam de 2 a 5 dias para serem concluídos, mas podem levar mais tempo para conjuntos de dados grandes. Depois disso, os modelos serão treinados automaticamente todos os dias, a menos que estejam desativados. Consulte Pausar e retomar o treinamento de um modelo.

Posso fazer o download ou exportar o modelo?

Não.

Posso usar modelos que criei em um projeto atual em um novo projeto?

Não. Você precisa criar e treinar novamente os modelos no novo projeto.

Quero usar um modelo para minhas páginas de categoria. Posso fazer isso?

Sim. A opção "Recomendado para você" é útil nas páginas de categoria. Uma página de categoria é semelhante a uma página inicial, exceto pelo fato de você exibir apenas itens dessa categoria. Para isso, use o modelo padrão "Recomendado para você" com tags de filtro. Por exemplo, você pode adicionar tags de filtro personalizadas (correspondentes a cada página de categoria) aos itens no seu catálogo. Ao enviar a solicitação de previsão, defina o objeto de evento do usuário como category-page-view e especifique a tag de uma página de categoria específica no campo filter. Somente os resultados de recomendações correspondentes à tag de filtro solicitada são retornados. A diversidade precisa ser desativada nesse caso de uso, porque a diversidade pode entrar em conflito com tags de filtro com base na categoria.

Posso desativar a personalização dos meus modelos?

Por padrão, os resultados da previsão são personalizados para os tipos de modelo de recomendação Outros itens que você pode gostar, Recomendado para você e Comprar novamente.

Não é recomendável desativar a personalização. Se você precisar de resultados não personalizados, use um ID de visitante exclusivo aleatório em uma solicitação de previsão.

Pesquisar o console de comércio

Estas são perguntas frequentes sobre o uso do console da Pesquisa para e-commerce.

Limpei vários eventos, mas o painel ainda mostra as contagens desses tipos de evento.

Isso já é esperado. O painel "Pesquisa para e-commerce" mostra o número de eventos ingeridos em um determinado período, não a contagem atual ou o número de eventos.

Normalmente, você deve deixar os eventos do usuário no local depois que eles forem gravados. Não é recomendável limpar eventos. Se você precisar limpar eventos, consulte a documentação sobre Remover eventos de usuários.

Como posso saber se há erros com meu catálogo ou os eventos do usuário?

A maioria das chamadas de API retorna um erro se houver um problema com a sintaxe. O painel "Pesquisa para comércio" mostra a porcentagem de eventos não associados, que também é uma métrica útil. O Cloud Monitoring e o Cloud Logging podem ser usados para monitorar o status dos eventos.

Por que minhas configurações de veiculação de recomendações aparecem como inativas? Como faço para ativá-los?

Para usar as configurações de veiculação de recomendações, primeiro você precisa enviar dados de catálogo e eventos de usuários para treinar o modelo correspondente. Depois que um modelo é treinado, o painel indica que ele está pronto para consulta.

Em que moeda a Pesquisa para comércio informa as métricas de receita?

Pesquise métricas de relatórios de comércio eletrônico na moeda usada nos dados enviados. A Vertex AI para Pesquisa em E-commerce não é compatível com o uso de várias moedas por catálogo e não faz conversão de moedas.