このページは Cloud Translation API によって翻訳されました。

パーソナライズされたおすすめの映画を作成する

このチュートリアルでは、Movielens データセットを使用して、商品カタログとユーザーイベントを Vertex AI Search for commerce にアップロードし、カスタマイズされた商品レコメンデーションモデルをトレーニングする方法を説明します。MovieLens データセットには、映画（商品）とユーザーによる映画の評価（ユーザーイベント）のカタログが含まれています。

ポジティブな各映画評価（評価 4 以上）は、商品ページビューイベントとして処理されます。データセット内のユーザーまたはシードの映画に基づいて映画のレコメンデーションを作成する「関連商品のおすすめ」タイプのレコメンデーションモデルをトレーニングします。

推定所要時間:

モデルのトレーニングを開始するための最初の手順: 約 1.5 時間。
モデルのトレーニングを待機時間: 約 2 日。
モデル予測の評価とクリーンアップ: 約 30 分。

データセットを準備する

Google Cloud コンソールを開き、 Google Cloud プロジェクトを選択します。ダッシュボードページの [プロジェクト情報] カードのプロジェクト ID をメモします。以降の手順では、このプロジェクト ID が必要です。次に、コンソールの上部にある [Cloud Shell をアクティブにする] ボタンをクリックします。

Cloud Shell

Google Cloud コンソールの下部の新しいフレーム内で Cloud Shell セッションが開き、コマンドラインプロンプトが表示されます。

データセットのインポート

Cloud Shell を使用して、ソースデータセットをダウンロードして展開します。
```
wget https://files.grouplens.org/datasets/movielens/ml-latest.zip
unzip ml-latest.zip
```

Cloud Storage バケットを作成してデータをバケットにアップロードします。

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

BigQuery データセットを作成します。
```
bq mk movielens
```

新しい映画 BigQuery テーブルに movies.csv を読み込む:

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

新しい評価 BigQuery テーブルに ratings.csv を読み込む:

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

BigQuery ビューを作成する

ムービーテーブルを小売商品カタログスキーマに変換するビューを作成します。
```
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
```
これで、新しいビューには Vertex AI Search for Commerce で想定されるスキーマが含まれるようになりました。次に、左側のサイドバーで [BIG DATA -> BigQuery] を選択します。次に、左側のエクスプローラバーでプロジェクト名を展開し、movielens -> products を選択してこのビューのクエリページを開きます。
次に、映画の評価をユーザーイベントに変換します。以下を実施します。
- 除外映画の評価を無視する（4 以上）
- すべてのポジティブな評価を商品ページビューイベントとして処理（detail-page-view）
- Movielens のタイムラインを過去 90 日間に再スケーリングします。これには 2 つの理由があります。
  - Vertex AI Search for Commerce では、ユーザーイベントが 2015 年以降のものであることが必要です。Movielens の評価付けは 1995 年までさかのぼります。
  - Vertex AI Search for Commerce では、ユーザーの予測リクエストを処理する際に、過去 90 日間のユーザーイベントを使用します。後でユーザーに対して予測を行う際に、すべてのユーザーに最近のイベントが存在するものとして表示されます。
BigQuery ビューを作成します。次のコマンドは、前述の変換要件を満たす SQL クエリを使用します。
```
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
```

商品カタログとユーザーイベントをインポートする

これで、商品カタログとユーザーイベントデータを Vertex AI Search for Commerce にインポートする準備が整いました。

Google Cloud プロジェクトで Vertex AI Search for Commerce API を有効にします。

API を有効にする
[開始] をクリックします。
Search for commerce コンソールの [データ] ページに移動します。

[データ] ページに移動
[インポート] をクリックします。

商品カタログをインポートする

以前に作成した BigQuery ビューから商品をインポートするには、次のようにフォームに入力します。
- インポートタイプとして [商品カタログ] を選択します。
- デフォルトのブランチ名を選択します。
- データのソースとして [BigQuery] を選択します。
- データのスキーマとして [小売商品スキーマ] を選択します。
- 以前に作成した商品 BigQuery ビューの名前（PROJECT_ID.movielens.products）を入力します。
  
  注: BigQuery ビュー名は、コロン（: ）をピリオド（. ）に置き換えることで、ビュー ID から取得されます。ビュー ID は、左側のメニューからビューを選択して詳細タブに移動することで、ビッグデータ->BigQuery ページで見つけられます。
[インポート] をクリックします。

注: Vertex AI Search for Commerce API が完全に有効になるまでに数分を要する場合があります。有効化が完了していない場合は、このステップでエラーが発生する可能性があります。その場合は、数分後にもう一度お試しください。
すべての商品がインポートされるまで待ちます。（所要時間 5～10 分）

インポートオペレーションのステータスは、インポートアクティビティで確認できます。インポートが完了すると、インポートオペレーションのステータスが [Succeeded] に変わります。

ユーザーイベントのインポート

user_events BigQuery ビューをインポートします。
- インポートのタイプとして [User Events] を選択します。
- データのソースとして [BigQuery] を選択します。
- データのスキーマとして [小売ユーザーイベントスキーマ] を選択します。
- 以前に作成した user_events BigQuery ビューの名前を入力します。
[インポート] をクリックします。
新しいモデルのトレーニングに対するデータ要件を満たすには、少なくとも 100 万件のイベントがインポートされるのを待ってから次の手順に進んでください。

オペレーションのステータスは、インポートアクティビティで確認できます。プロセスが完了するまでに約 1 時間を要します。

レコメンデーションモデルをトレーニングして評価します

レコメンデーションモデルのトレーニングと評価の手順に沿って操作します。

レコメンデーションモデルを作成する

Search for commerce コンソールの [モデル] ページに移動します。

[モデル] ページに移動
[モデルを作成] をクリックします。
- モデルに名前を付けます。
- モデルタイプとして [関連商品のおすすめ] を選択します。
- ビジネス目標として [Click-through rate (CTR)] を選択します。
[作成] をクリックします。

新しいモデルのトレーニングを開始します。

サービス構成を作成する

Search for commerce コンソールの [サービス構成] ページに移動します。

[サービス構成] ページに移動
[Create serving config] をクリックします。
- [Recommendation] を選択します。
- サービス提供構成に名前を付けます。
- 作成したモデルを選択します。
[作成] をクリックします。

モデルが「クエリの準備完了」になるのを待つ

モデルがトレーニングを行いクエリの準備が完了するまでに約 2 日間を要します。

ステータスを表示するには、[サービス構成] ページで作成されたサービス構成をクリックします。

[Model ready to query] フィールドには、プロセスが完了している場合には [Yes] と表示されます。

レコメンデーションをプレビューする

モデルでクエリの準備が完了したら、次の手順を行います。

Search for commerce コンソールの [サービス構成] ページに移動します。

[サービス構成] ページに移動
サービス提供構成名をクリックして詳細ページに移動します。
[Evaluate] タブをクリックします。
シードの映画 ID を入力してください。たとえば、「ロード・オブ・ザ・リング: 旅の仲間（2001）」の場合は、4993 になります。
[予測のプレビュー] をクリックすると、ページの右側におすすめのアイテムのリストが表示されます。