Membuat rekomendasi film yang dipersonalisasi

Dalam tutorial ini, kita akan menggunakan set data Movielens untuk mendemonstrasikan cara mengupload katalog produk dan peristiwa pengguna ke AI Commerce Search serta melatih model rekomendasi produk yang dipersonalisasi. Set data Movielens berisi katalog film (produk) dan rating film pengguna (peristiwa pengguna).

Kami akan memperlakukan setiap rating film positif (rating >= 4) sebagai peristiwa penayangan halaman produk. Kita akan melatih model rekomendasi berjenis Orang Lain yang Mungkin Anda Suka yang akan membuat rekomendasi film berdasarkan pengguna atau film awal dalam set data kita.

Perkiraan waktu:

• Langkah-langkah awal untuk mulai melatih model: ~1,5 jam.
• Menunggu model dilatih: ~2 hari.
• Mengevaluasi prediksi model dan membersihkan: ~30 menit.

Tujuan

• Pelajari cara mengimpor data produk dan peristiwa pengguna dari BigQuery ke AI Commerce Search.
• Melatih dan mengevaluasi model rekomendasi.

Biaya

Tutorial ini menggunakan komponen Google Cloudyang dapat ditagih, termasuk:

• Cloud Storage
• BigQuery
• AI Commerce Search

Untuk mengetahui informasi selengkapnya tentang biaya Cloud Storage, lihat halaman Harga Cloud Storage.

Untuk mengetahui informasi selengkapnya tentang biaya BigQuery, lihat halaman harga BigQuery.

Untuk mengetahui informasi selengkapnya tentang biaya AI Commerce Search, lihat halaman harga AI Commerce Search.

Sebelum memulai

Login ke akun Google Cloud Anda. Jika Anda baru menggunakan Google Cloud, buat akun untuk mengevaluasi performa produk kami dalam skenario dunia nyata. Pelanggan baru juga mendapatkan kredit gratis senilai $300 untuk menjalankan, menguji, dan men-deploy workload.

In the Google Cloud console, on the project selector page, select or create a Google Cloud project.

Roles required to select or create a project

• Select a project: Selecting a project doesn't require a specific IAM role—you can select any project that you've been granted a role on.
• Create a project: To create a project, you need the Project Creator role (roles/resourcemanager.projectCreator), which contains the resourcemanager.projects.create permission. Learn how to grant roles.

Note: If you don't plan to keep the resources that you create in this procedure, create a project instead of selecting an existing project. After you finish these steps, you can delete the project, removing all resources associated with the project.

Go to project selector

Verify that billing is enabled for your Google Cloud project.

In the Google Cloud console, on the project selector page, select or create a Google Cloud project.

Roles required to select or create a project

• Select a project: Selecting a project doesn't require a specific IAM role—you can select any project that you've been granted a role on.
• Create a project: To create a project, you need the Project Creator role (roles/resourcemanager.projectCreator), which contains the resourcemanager.projects.create permission. Learn how to grant roles.

Note: If you don't plan to keep the resources that you create in this procedure, create a project instead of selecting an existing project. After you finish these steps, you can delete the project, removing all resources associated with the project.

Go to project selector

Verify that billing is enabled for your Google Cloud project.

Menyiapkan set data

Buka Google Cloud console, pilih project Google Cloud Anda. Catat project ID di kartu Project info di halaman dasbor. Anda akan memerlukan project ID untuk langkah-langkah berikut. Selanjutnya, klik tombol Activate Cloud Shell di bagian atas Konsol.

Sesi Cloud Shell akan terbuka di dalam frame baru di bagian bawah konsol Google Cloud dan menampilkan prompt command line.

Mengimpor set data

1. Dengan menggunakan Cloud Shell, download dan ekstrak set data sumber:

   wget https://files.grouplens.org/datasets/movielens/ml-latest.zip
   unzip ml-latest.zip
   

2. Buat bucket Cloud Storage dan upload data ke dalamnya:

   gcloud storage buckets create gs://PROJECT_ID-movielens-data
   gcloud storage cp ml-latest/movies.csv ml-latest/ratings.csv \
     gs://PROJECT_ID-movielens-data
   

3. Buat set data BigQuery:

   bq mk movielens
   

4. Muat movies.csv ke dalam tabel BigQuery film baru:

   bq load --skip_leading_rows=1 movielens.movies \
     gs://PROJECT_ID-movielens-data/movies.csv \
     movieId:integer,title,genres
   

5. Muat ratings.csv ke dalam tabel BigQuery rating baru:

   bq load --skip_leading_rows=1 movielens.ratings \
     gs://PROJECT_ID-movielens-data/ratings.csv \
     userId:integer,movieId:integer,rating:float,time:timestamp
   

Membuat tampilan BigQuery

1. Buat tampilan yang mengonversi tabel film menjadi skema katalog produk retail:

   bq mk --project_id=PROJECT_ID \
    --use_legacy_sql=false \
    --view '
    SELECT
      CAST(movieId AS string) AS id,
      SUBSTR(title, 0, 128) AS title,
      SPLIT(genres, "|") AS categories
    FROM `PROJECT_ID.movielens.movies`' \
   movielens.products
   

   Sekarang tampilan baru memiliki skema yang diharapkan AI Commerce Search. Kemudian, dari sidebar kiri, pilih BIG DATA -> BigQuery. Kemudian, dari kolom penjelajah di sebelah kiri, luaskan nama project Anda dan pilih movielens -> products untuk membuka halaman kueri untuk tampilan ini.

   

2. Sekarang, konversi rating film menjadi peristiwa pengguna. Kami akan:

   • Mengabaikan rating film negatif (<4)
   • Perlakukan setiap rating positif sebagai peristiwa penayangan halaman produk (detail-page-view)
   • Ubah skala linimasa Movielens menjadi 90 hari terakhir. Kami melakukannya karena dua alasan:
     • AI Commerce Search mewajibkan peristiwa pengguna tidak lebih lama dari tahun 2015. Rating Movielens berasal dari tahun 1995.
     • AI Commerce Search menggunakan peristiwa pengguna selama 90 hari terakhir saat menayangkan permintaan prediksi untuk pengguna. Setiap pengguna akan tampak memiliki peristiwa terbaru saat kita membuat prediksi untuk pengguna mana pun di kemudian hari.

   Buat tampilan BigQuery. Perintah berikut menggunakan kueri SQL yang memenuhi persyaratan konversi yang tercantum sebelumnya.

   bq mk --project_id=PROJECT_ID \
    --use_legacy_sql=false \
    --view '
    WITH t AS (
      SELECT
        MIN(UNIX_SECONDS(time)) AS old_start,
        MAX(UNIX_SECONDS(time)) AS old_end,
        UNIX_SECONDS(TIMESTAMP_SUB(
          CURRENT_TIMESTAMP(), INTERVAL 90 DAY)) AS new_start,
        UNIX_SECONDS(CURRENT_TIMESTAMP()) AS new_end
      FROM `PROJECT_ID.movielens.ratings`)
    SELECT
      CAST(userId AS STRING) AS visitorId,
      "detail-page-view" AS eventType,
      FORMAT_TIMESTAMP(
        "%Y-%m-%dT%X%Ez",
        TIMESTAMP_SECONDS(CAST(
          (t.new_start + (UNIX_SECONDS(time) - t.old_start) *
            (t.new_end - t.new_start) / (t.old_end - t.old_start))
        AS int64))) AS eventTime,
      [STRUCT(STRUCT(movieId AS id) AS product)] AS productDetails,
    FROM `PROJECT_ID.movielens.ratings`, t
    WHERE rating >= 4' \
   movielens.user_events
   

Mengimpor katalog produk dan peristiwa pengguna

Sekarang kita siap mengimpor katalog produk dan data peristiwa pengguna ke AI Commerce Search.

1. Aktifkan AI Commerce Search API untuk project Google Cloud Anda.

   AKTIFKAN API

2. Klik Mulai.

3. Buka halaman Data> di konsol AI Commerce Search di Gemini Enterprise for Customer Experience.
   
   Buka halaman Data

4. Klik Import.

Mengimpor katalog produk

1. Isi formulir untuk mengimpor produk dari tampilan BigQuery yang Anda buat sebelumnya:

   • Pilih jenis impor: Katalog Produk.
   • Pilih nama cabang default.
   • Pilih sumber data: BigQuery.
   • Pilih skema data: Skema Produk Retail.

   • Masukkan nama tampilan BigQuery produk yang Anda buat sebelumnya (PROJECT_ID.movielens.products).

     Catatan: Nama tampilan BigQuery diperoleh dari ID tampilan dengan mengganti titik dua (:) dengan titik (.). Anda dapat menemukan ID tampilan di halaman BIG DATA -> BigQuery dengan memilih tampilan dari menu kiri dan membuka tab DETAIL.

2. Klik Import.

   Catatan: Mungkin perlu waktu beberapa menit hingga AI Commerce Search API diaktifkan sepenuhnya dan Anda mungkin mendapatkan error pada langkah ini jika pengaktifan belum selesai. Jika hal itu terjadi, coba lagi beberapa menit kemudian.

3. Tunggu hingga semua produk diimpor, yang akan memakan waktu 5–10 menit.

   Anda dapat memeriksa aktivitas impor untuk mengetahui status operasi impor. Setelah impor selesai, status operasi impor akan berubah menjadi Berhasil.

   

Mengimpor peristiwa pengguna

1. Impor tampilan BigQuery user_events:

   • Pilih jenis impor: Peristiwa Pengguna.
   • Pilih sumber data: BigQuery.
   • Pilih skema data: Skema Peristiwa Pengguna Retail.
   • Masukkan nama tampilan BigQuery user_events yang Anda buat sebelumnya.

2. Klik Import.

3. Tunggu hingga setidaknya satu juta peristiwa diimpor sebelum melanjutkan ke langkah berikutnya, untuk memenuhi persyaratan data guna melatih model baru.

   Anda dapat memeriksa aktivitas impor untuk status operasi. Proses ini membutuhkan waktu sekitar satu jam.

   

Melatih dan mengevaluasi model rekomendasi

Ikuti petunjuk ini untuk melatih dan mengevaluasi model rekomendasi.

Membuat model rekomendasi

1. Buka halaman Models di konsol AI Commerce Search di Gemini Enterprise for Customer Experience.
   
   Buka halaman Models

2. Klik Buat model:

   • Beri nama model.
   • Pilih Lainnya yang mungkin Anda sukai sebagai jenis model.
   • Pilih Rasio klik-tayang (CTR) sebagai tujuan bisnis.

3. Klik Create.

   

   Model baru Anda mulai dilatih.

   

Membuat konfigurasi inferensi

1. Buka halaman Serving Configs di konsol AI Commerce Search di Gemini Enterprise for Customer Experience.
   
   Buka halaman Konfigurasi penayangan

2. Klik Create serving config:

   • Pilih Rekomendasi.
   • Beri nama konfigurasi penayangan.
   • Pilih model yang Anda buat.

3. Klik Create.

Tunggu hingga model "Siap dikueri"

Model memerlukan waktu sekitar dua hari untuk dilatih dan siap dikueri.

Untuk melihat statusnya, klik konfigurasi penayangan yang dibuat di halaman Konfigurasi penayangan.

Kolom Model siap dikueri menunjukkan Ya jika proses selesai.

Pratinjau rekomendasi

Setelah model siap dikueri:

1. Buka halaman Serving Configs di konsol AI Commerce Search di Gemini Enterprise for Customer Experience.
   
   Buka halaman Konfigurasi penayangan
2. Klik nama konfigurasi penayangan untuk membuka halaman detailnya.
3. Klik tab *Evaluate.

4. Masukkan ID film awal, seperti 4993 untuk "The Lord of the Rings: The Fellowship of the Ring (2001)".

   

5. Klik Pratinjau prediksi untuk melihat daftar item yang direkomendasikan di sebelah kanan halaman.

Pembersihan

Agar tidak perlu membayar biaya pada akun Google Cloud Anda untuk resource yang digunakan dalam tutorial ini, hapus project yang berisi resource tersebut, atau simpan project dan hapus setiap resource.

Menghapus project

Perhatian: Penghapusan project memiliki efek berikut:

• Semua hal dalam project akan dihapus. Jika Anda menggunakan project yang ada untuk mengerjakan tugas di dokumen ini, saat Anda menghapusnya, pekerjaan lain dalam project tersebut juga akan dihapus.
• Project ID kustom akan hilang. Saat membuat project ini, Anda mungkin juga membuat project ID kustom yang masih ingin digunakan pada masa mendatang. Agar tidak kehilangan URL yang menggunakan project ID tersebut, seperti URL appspot.com, hapus resource yang dipilih di dalam project, bukan menghapus seluruh project.

Jika Anda berencana mempelajari beberapa arsitektur, tutorial atau panduan memulai, dengan menggunakan kembali project dapat membantu Anda agar tidak melampaui batas kuota project.

1. Di konsol Google Cloud , buka halaman Manage resources.

   Buka Kelola resource

2. Pada daftar project, pilih project yang ingin Anda hapus, lalu klik Delete.
3. Pada dialog, ketik project ID, lalu klik Shut down untuk menghapus project.

Menghapus resource satu per satu

1. Buka halaman Konfigurasi penayangan dan hapus konfigurasi penayangan yang Anda buat.

2. Buka halaman Model dan hapus model.

3. Hapus set data BigQuery di Cloud Shell:

   bq rm --recursive --dataset movielens
   

4. Hapus bucket Cloud Storage dan isinya:

   gcloud storage rm gs://PROJECT_ID-movielens-data --recursive
   

Langkah berikutnya

• Menerapkan AI Commerce Search