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).
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.
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.
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 yang sebagian besar didasarkan pada penayangan orang lain. Kedua model ini langsung memperhitungkan perilaku pengguna, jadi penting untuk mengirim peristiwa real-time. Lihat 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 dikirim.
Apakah Anda menggunakan data demografis pengguna Google dalam model Anda?
Model hanya menggunakan data katalog dan peristiwa pengguna yang Anda berikan. Jika ingin menyertakan data demografis, Anda dapat menyertakan informasi tekstual atau numerik lainnya 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 anonimkan data demografis, misalnya dengan melakukan hashing pada nilai atau menggunakan ID grup.
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.
Saya perhatikan bahwa Anda dapat mengirimkan URL gambar untuk produk. Apakah model mempertimbangkan gambar produk?
Ya, gambar produk dapat dikirimkan sebagai bagian dari data katalog produk Anda. Vertex AI Search untuk commerce menggunakan URL produk dan ID di baliknya (URI) untuk memperkaya deskripsi produk.
Objek Product berisi kolom gambar, yang merupakan daftar objek gambar. Setiap objek gambar dapat menyertakan URI, tinggi, dan lebar. Maksimal 300 gambar diizinkan per produk. Meskipun opsional, sebaiknya Anda memberikan gambar produk. (Pratinjau prediksi) juga menggunakan URL gambar untuk menampilkan gambar saat Anda melihat pratinjau hasil prediksi model di konsol Search for Commerce.
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.
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.
Fitur Sering Dibeli Bersama 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.
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 Anda ingin item dimuat secara dinamis saat email dibaca, Anda harus menggunakan endpoint perantara, seperti Google Cloud Function, untuk mengirim permintaan prediksi. API ini hanya menyediakan daftar ID produk dan metadata yang diurutkan, jadi Anda juga perlu menulis kode sendiri untuk merender hasil gambar.
Dapatkah saya menggunakan Vertex AI Search untuk commerce untuk kasus penggunaan non-web lainnya (aplikasi seluler, kios)?
Ya. Anda dapat menyiapkan endpoint (misalnya, Google Google Cloud Function) untuk mendapatkan hasil aplikasi. Anda juga memerlukan mekanisme serupa untuk mengirim peristiwa real-time.
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 memadai 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 paling baik dengan minimal tiga bulan penayangan halaman produk, penayangan halaman beranda, dan peristiwa tambahkan ke keranjang 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. Misalnya, pembelian selama setahun memungkinkan model memanfaatkan tren dan musiman dengan lebih baik.
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.
Apakah Anda memiliki integrasi untuk mengupload data dari database SQL atau sistem lain, seperti BigQuery?
Ya. Untuk peristiwa, ada contoh kode yang membaca dari BigQuery. Lihat contoh set data Google Analytics untuk BigQuery.
Apakah Vertex AI Search untuk commerce menggunakan cookie?
Tidak, aplikasi 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.
Apakah saya memerlukan project Google Cloud khusus?
Anda dapat membuat project baru khusus, atau mengaktifkan Vertex AI Search untuk commerce di project yang ada.
Mengapa kredensial saya tidak berfungsi saat menggunakan Cloud Shell?
Pastikan Anda telah menyelesaikan langkah-langkah penyiapan autentikasi untuk Vertex AI Search untuk 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 .
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.
Saya rasa fitur x,y,z akan sangat berguna. Bisakah Anda menambahkan ini?
Kami ingin mendengar pendapat Anda. Permintaan fitur dapat dikirimkan melalui tim akun Anda, Dukungan Google, atau issue-tracker.
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.
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, terutama 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 serta halaman referensi produk.
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.
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.
Bagaimana cara memperbarui katalog saya? 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 mendapatkan notifikasi 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.
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 pada kuota Anda.
Perusahaan saya mengoperasikan situs di beberapa negara. Haruskah saya menggunakan satu katalog untuk semua data saya?
Biasanya, sebaiknya hanya ada 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 untuk 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.
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.
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 semua, item katalog, maka beberapa katalog harus digunakan. Penggunaan beberapa katalog memerlukan project Google Cloud terpisah untuk setiap katalog.
Apakah menyertakan lebih banyak metadata meningkatkan kualitas model? Apakah model mempertimbangkan kolom x,y,z?
Lihat Informasi item katalog yang diperlukan untuk mengetahui kolom wajib diisi.
Kolom metadata lainnya bersifat opsional (misalnya, gambar dan itemAttributes). Alat 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.
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 menampilkan gambar saat Anda melihat pratinjau hasil prediksi model di konsol Penelusuran untuk e-commerce.
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 berikut. Anda menyetel bahasa saat mengupload katalog. Katalog hanya boleh menggunakan satu bahasa dan kueri harus dikirim dalam bahasa yang sama. Memiliki beberapa bahasa dalam katalog akan menurunkan performa model.
Catatan: Jika sudah memiliki katalog bahasa campuran untuk penelusuran, Anda dapat meningkatkan hasil dengan menambahkan sinonim. Untuk mengetahui informasi tentang sinonim, lihat OnewaySynonymsAction dan TwowaySynonymsAction.
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 Anda ingin mendapatkan rekomendasi kembali (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 penyetelan ulang model.
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 merujuknya tidak dibatalkan.
Peristiwa pengguna
Berikut adalah pertanyaan umum (FAQ) tentang peristiwa pengguna.
Peristiwa pengguna apa yang perlu saya kumpulkan?
Lihat Tentang peristiwa pengguna untuk mengetahui daftar jenis peristiwa pengguna serta persyaratan dan praktik terbaik peristiwa pengguna.
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.
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.
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 commerce membuat peristiwa pengguna penelusuran dari kueri penelusuran dan, jika ada, tayangan produk.
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 GTM atau Pixel JavaScript.
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. Situs dengan jumlah traffic yang besar dapat dimulai dengan volume data historis yang lebih kecil, tetapi tetap memerlukan data selama minimal beberapa minggu.
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 jumlah, Anda dapat meneruskan nilai default 1 tanpa memengaruhi hasil model. Item harus selalu menyetel displayPrice. originalPrice dan cost bersifat opsional.
Data saya hanya mencakup jenis peristiwa terbatas. Apakah saya masih dapat menggunakan Vertex AI Search untuk commerce?
Lihat Persyaratan data peristiwa pengguna untuk persyaratan data minimum setiap jenis model.
Hasil penelusuran
Berikut adalah pertanyaan umum (FAQ) tentang hasil penelusuran.
Apakah hasil penelusuran dipersonalisasi?
Ya. Penelusuran dapat memberikan hasil yang dipersonalisasi. Hasil penelusuran dipersonalisasi berdasarkan ID pengunjung. Untuk mengetahui informasi selengkapnya, lihat Personalisasi.
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. Atribut dapat dikirim sebagai parameter dalam permintaan penelusuran. Hasil dapat difilter atau diberi peringkat lebih tinggi berdasarkan ID toko dalam permintaan.
Dapatkah saya menyembunyikan produk dari hasil penelusuran?
Ya. Parameter filter dapat memfilter hasil berdasarkan tagnya.
Apakah mungkin untuk memberi peringkat berdasarkan beberapa kriteria, seperti ketersediaan dan harga?
Ya, boostSpec memungkinkan aturan peringkat yang kompleks.
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 (misalnya, atribut terpisah untuk negara dan kota).
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.
Apakah penelusuran peka huruf besar/kecil?
Kueri teks umumnya tidak peka huruf besar/kecil karena analisis linguistik. Namun, ekspresi filter dan urutan pengurutan sangat peka huruf besar/kecil.
Bagaimana cara membuat nomor komponen dengan tanda hubung dapat ditelusuri?
Analisis linguistik standar dapat menghapus karakter khusus. Petakan nilai ini ke atribut kustom dengan mengaktifkan tanda exact-searchable. Pertimbangkan juga untuk memecah string menjadi n-gram sebelum penyerapan.
Apakah mesin telusur akan menerjemahkan kueri pengguna jika katalog saya dalam bahasa lain?
Tidak. Bahasa katalog dan bahasa kueri penelusuran harus sama. Jika Anda memperkirakan pengguna akan melakukan penelusuran dalam beberapa bahasa, Anda harus menerapkan kontrol sinonim untuk memetakan kueri mereka ke bahasa dasar katalog Anda.
Mengapa penelusuran saya difilter secara salah menurut kategori?
Periksa nama kategori Anda untuk karakter ini: >. Karakter ini secara ketat dicadangkan sebagai pemisah hierarki (seperti Clothing > Mens). Jika muncul di nama kategori Anda secara default, karakter ini akan merusak filter dan harus diganti.
Hasil prediksi
Berikut adalah pertanyaan umum (FAQ) tentang hasil prediksi.
Apakah ada batasan jumlah prediksi yang dapat saya tampilkan?
Secara default, permintaan prediksi menampilkan 20 item dalam respons. Nilai ini dapat ditingkatkan atau diturunkan dengan mengirimkan nilai untuk pageSize.
Jika Anda perlu mengembalikan lebih dari 100 item, hubungi Dukungan Google. Perhatikan bahwa menampilkan lebih dari 100 item dapat meningkatkan latensi respons.
Dapatkah saya melihat alasan mengapa model membuat rekomendasi produk tertentu?
Tidak.
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.
Di pihak kami, penggunaan hasil penelusuran dan penjelajahan yang di-cache melanggar persyaratan privasi data pelanggan. Tindakan ini akan memicu mekanisme deteksi cache, yang secara otomatis menghapus personalisasi.
Secara lebih luas, Anda dapat menyimpan dalam cache gambar dan detail produk, selama Anda tidak menyimpan dalam cache hasil penelusuran untuk kueri tertentu dan Anda mengirim kueri baru untuk setiap permintaan penelusuran.
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 Anda, perlu diketahui bahwa mengurutkan ulang atau memfilter hasil yang direkomendasikan dapat mengurangi efektivitas model secara keseluruhan. Pengurutan ulang harga tersedia sebagai penyesuaian bawaan untuk model Lainnya yang Mungkin Anda Sukai dan Direkomendasikan untuk Anda. Lihat Pengurutan ulang harga.
Apakah ada batasan jumlah tag filter yang dapat saya buat dan gunakan?
Tidak ada batasan ketat pada jumlah tag unik. Namun, sistem tidak dirancang untuk menangani banyak tag filter per item. Sebaiknya batasi tag filter hingga maksimal 10 per item katalog jika memungkinkan. Batas untuk total tag di seluruh katalog adalah 100.000.000. Lihat kuota dan batas.
Dapatkah saya mendiversifikasi rekomendasi?
Ya. Diversifikasi rekomendasi dapat ditentukan sebagai bagian dari konfigurasi penayangan atau dalam parameter permintaan prediksi.
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 terlebih dahulu.
Fitur percakapan
Berikut adalah pertanyaan umum tentang fitur percakapan, pemfilteran produk, dan perdagangan Vertex AI Search untuk commerce.
Bagaimana sesi percakapan dipertahankan, dan bagaimana cara memperbarui konteks?
Sesi percakapan dipertahankan menggunakan ID percakapan yang ditampilkan dalam respons agen Conversational Commerce. Anda harus meneruskan ID percakapan ini di semua permintaan berikutnya dalam percakapan yang sama. Untuk memuat ulang atau memulai percakapan baru, mulai permintaan API baru tanpa ID percakapan.
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 dan kueri yang tidak memiliki respons teks percakapan seperti SIMPLE_PRODUCT_SEARCH. Untuk SIMPLE_PRODUCT_SEARCH, Anda dapat langsung memicu panggilan ke Search API inti.
Mengapa searchParams di ConversationalSearchRequest harus mencerminkan panggilan Search API inti saya?
Anda ingin mempertahankan konsistensi di searchParams, seperti filter, urutan pengurutan, dan aturan peninggian. Menjaga konsistensi membantu memastikan bahwa jawaban percakapan atau kueri yang disempurnakan yang diberikan oleh API selaras dengan hasil produk sebenarnya yang ditampilkan kepada pengguna.
Jika penelusuran produk dasar terdeteksi, apakah percakapan akan berakhir? Dapatkah pengguna kembali ke mode percakapan lainnya?
Percakapan tidak berakhir. ID percakapan tetap valid. Retailer dapat mendesain UX mereka agar jendela chat tetap ada dan memungkinkan pengguna melanjutkan percakapan. Kemampuan untuk "kembali" bergantung pada pilihan penerapan UX tertentu ini.
Data apa yang disimpan Conversational API untuk konteks percakapan, dan berapa lama?
Untuk mempertahankan alur percakapan, Conversational API menyimpan kueri pengguna, respons teks percakapan, dan pertanyaan lanjutan. Informasi kontekstual ini dipertahankan selama tujuh hari.
Mengapa Conversational API tidak memberikan saran jawaban untuk pertanyaan lanjutan, seperti halnya pemfilteran produk percakapan?
Meskipun memberikan saran jawaban untuk pertanyaan lanjutan tidak didukung, kami berencana menyediakan kemampuan ini. Nantikan kabar terbaru.
Bagaimana cara Conversational API menggunakan caching untuk performa dan konteks?
Conversational API menyimpan dalam cache 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 machine learning
Berikut adalah pertanyaan umum (FAQ) tentang model.
Saya telah mengupload katalog & peristiwa, tetapi saya masih mendapatkan respons ini saat memanggil predict API: Recommendation model is not ready.
Anda dapat menyetel 'dryRun' ke benar (true) dalam permintaan prediksi untuk tujuan integrasi, yang 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.
Berapa lama waktu yang diperlukan untuk melatih model?
Pelatihan dan penyesuaian model awal memerlukan waktu 2-5 hari untuk diselesaikan, tetapi dapat memakan 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.
Dapatkah saya mendownload atau mengekspor model?
Tidak.
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.
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.
Dapatkah saya menonaktifkan personalisasi untuk model saya?
Secara default, hasil prediksi dipersonalisasi untuk jenis model rekomendasi Lainnya yang Mungkin Anda Sukai, Direkomendasikan untuk Anda, dan Beli Lagi.
Sebaiknya jangan menonaktifkan personalisasi. Jika Anda memerlukan hasil yang tidak dipersonalisasi, Anda dapat menggunakan ID pengunjung unik acak dalam permintaan prediksi.
Menelusuri konsol commerce
Berikut adalah pertanyaan umum (FAQ) tentang penggunaan konsol Penelusuran untuk e-commerce.
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 perlu menghapus acara, lihat dokumentasi untuk Menghapus acara pengguna.
Bagaimana cara mengetahui apakah ada error pada katalog atau peristiwa pengguna saya?
Sebagian besar panggilan API akan menampilkan error jika ada masalah dengan sintaksis. Dasbor Penelusuran untuk e-commerce menampilkan persentase peristiwa yang tidak digabungkan, yang juga merupakan metrik yang berguna. Cloud Monitoring dan Cloud Logging dapat digunakan untuk memantau status peristiwa.
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 dikueri.
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 e-commerce tidak mendukung penggunaan beberapa mata uang per katalog dan tidak mengonversi mata uang.