本頁面由 Cloud Translation API 翻譯而成。

建立個人化的電影推薦

在本教學課程中，我們將使用 Movielens 資料集，示範如何將產品目錄和使用者事件上傳至 Vertex AI Search for commerce，並訓練個人化產品推薦模型。Movielens 資料集含有電影 (產品) 和使用者電影評分 (使用者事件) 的目錄。

系統會將每部正面電影評分 (評分 >= 4) 視為產品頁面瀏覽事件。我們將訓練「你可能也會喜歡」類型的推薦模型，根據資料集中的任何使用者或種子電影推薦電影。

預計所需時間：

開始訓練模型的初始步驟：約 1.5 小時。
等待模型訓練：約 2 天。
評估模型預測結果及清除所用資源：約 30 分鐘。

準備資料集

開啟 Google Cloud 控制台，然後選取 Google Cloud 專案。記下資訊主頁「專案資訊」資訊卡中的專案 ID。後續步驟會用到專案 ID。接著，按一下控制台頂端的「啟用 Cloud Shell」按鈕。

Cloud Shell

系統會在主控台底部的新頁框中開啟 Cloud Shell 工作階段，並顯示指令列提示。 Google Cloud

匯入資料集

使用 Cloud Shell 下載並解壓縮來源資料集：

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

建立 Cloud Storage bucket，並將資料上傳至該 bucket：

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

建立 BigQuery 資料集
```
bq mk movielens
```

將 movies.csv 載入新的電影 BigQuery 資料表：

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

將 ratings.csv 載入新的評分 BigQuery 資料表：

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

建立 BigQuery 檢視表

建立檢視表，將電影資料表轉換為零售產品目錄結構定義：
```
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
```
現在新的檢視表已採用 Vertex AI Search for Commerce 預期的結構定義。接著，從左側邊欄選擇 BIG DATA -> BigQuery。接著，在左側的 Explorer 列中展開專案名稱，然後選取 movielens -> products 開啟這個 view 的查詢頁面。

現在請將電影評分轉換為使用者事件。我們會：

忽略負面電影評分 (低於 4 分)
將每個正面評價視為產品頁面瀏覽事件 (detail-page-view)
將 Movielens 時間軸重新縮放為過去 90 天。我們這麼做有兩個原因：
- Vertex AI Search for Commerce 規定使用者事件不得早於 2015 年。Movielens 評分可追溯至 1995 年。
- 在為使用者提供預測要求時，Vertex AI Search for Commerce 會使用過去 90 天的使用者事件。日後為任何使用者進行預測時，每位使用者都會顯示近期事件。

建立 BigQuery 檢視表。下列指令會使用符合先前列出轉換需求的 SQL 查詢。

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

匯入產品目錄和使用者事件

現在可以將產品目錄和使用者事件資料匯入 Vertex AI Search for commerce。

為 Google Cloud 專案啟用 Vertex AI Search for Commerce API。

啟用 API
按一下「開始使用」。
前往「Search for commerce」控制台的「資料」頁面。

前往「資料」頁面
按一下「匯入」。

匯入產品目錄

填寫表單，從先前建立的 BigQuery 檢視區塊匯入產品：
- 選取匯入類型：「產品目錄」。
- 選取預設分支版本名稱。
- 選取資料來源：BigQuery。
- 選取資料架構：零售產品架構。
- 輸入先前建立的產品 BigQuery 檢視畫面名稱 (PROJECT_ID.movielens.products)。
  
  注意： BigQuery 檢視畫面名稱是從檢視畫面 ID 取得，方法是將半形冒號 (:) 替換為半形句號 (.)。如要查看檢視畫面 ID，請依序前往「大數據」->「BigQuery」頁面，從左側選單選取檢視畫面，然後前往「詳細資料」分頁。
按一下「匯入」。

注意： Vertex AI Search for Commerce API 可能需要幾分鐘才能完全啟用，如果啟用程序尚未完成，您可能會在這個步驟中收到錯誤訊息。如果發生這種情況，請稍後再試。
等待所有產品匯入完成，大約需要 5 到 10 分鐘。

您可以透過「匯入活動」查看匯入作業狀態。匯入完成後，匯入作業狀態會變更為「Succeeded」(成功)。

匯入使用者事件

匯入 user_events BigQuery 檢視畫面：
- 選取匯入類型：使用者事件。
- 選取資料來源：BigQuery。
- 選取資料結構定義：零售使用者事件結構定義。
- 輸入您先前建立的 user_events BigQuery 檢視表名稱。
按一下「匯入」。
請等到至少匯入一百萬個事件後再繼續下一個步驟，以便符合訓練新模型的資料要求。

您可以查看匯入活動，瞭解作業狀態。這項程序大約需要一小時才能完成。

訓練及評估推薦模型

請按照這些說明訓練及評估推薦模型。

建立推薦模型

前往 Search for commerce 控制台的「模型」頁面。

前往「模型」頁面
按一下「建立模型」：
- 為模型命名。
- 選取「Others you may like」(您可能會喜歡的其他項目) 做為模型類型。
- 選擇「點閱率 (CTR)」做為業務目標。
點選「建立」。

新模型開始訓練。

建立供應設定

前往 Search for commerce 控制台的「Serving Configs」(放送設定) 頁面。

前往「Serving configs」(放送設定) 頁面
按一下「建立供應設定」：
- 選取「最佳化建議」。
- 為供應設定命名。
- 選取您建立的模式。
點選「建立」。

等待模型「準備好查詢」

模型約需兩天才能完成訓練並準備好接受查詢。

如要查看狀態，請在「供應設定」頁面中，按一下已建立的供應設定。

程序完成時，「Model ready to query」(模型可接受查詢) 欄位會顯示「Yes」(是)。

預覽建議內容

模型準備好查詢後，請執行以下操作：

前往 Search for commerce 控制台的「Serving Configs」(放送設定) 頁面。

前往「Serving configs」(放送設定) 頁面
按一下供應設定名稱，前往詳細資料頁面。
按一下「評估」*分頁標籤。
輸入種子電影 ID，例如 4993 可以代表「魔戒首部曲：魔戒現身 (2001)」。
按一下「預測預覽」，即可在頁面右側查看建議項目清單。