Die Struktur Ihrer Suchkategorien und die entsprechende Parität bei Suchvorgängen haben direkten Einfluss auf die Fähigkeit des Modells, zu lernen und zu optimieren.
Gleichgewicht zwischen Detaillierungsgrad und Traffic-Volumen
Für diese Aufgabe ist Folgendes erforderlich:
Granulare Kategorienstruktur: Das Modell für die Suche lernt das Klick- und Kaufverhalten, das (über Nutzerereignisse) mit jedem eindeutigen Kategorienstring verknüpft ist. Wenn eine Kategorieseite wie Elektronikangebote viel Traffic erhält, hat das Modell ein umfangreiches Dataset, um die Rankings für diese Kategorie zu optimieren. So kann das Modell das Nutzerverhalten (Klicks, Käufe) für jede Kategorie genau erfassen und interpretieren, was zu einem besseren Ranking und einer besseren Personalisierung führt. Vermeiden Sie allgemeine Handles wie
products, da das Signal dadurch auf verschiedene Kategorien verteilt wird.Optimierte Tiefe der Seitenkategorie: Zu detaillierte Kategorien mit geringem Traffic können zu einer suboptimalen Modellleistung führen. Wenn nicht genügend Daten zu Nutzerinteraktionen wie Klicks und „In den Einkaufswagen“-Aktionen vorhanden sind, kann das Modell keine umsatzoptimierten Rankings liefern. Sie sollten ein Gleichgewicht zwischen einer detaillierten Kategorietaxonomie und der Gewährleistung finden, dass auf jeder Kategorieseite genügend Traffic generiert wird, um ein sinnvolles Modelltraining zu ermöglichen.
Für Parität zwischen API-Aufrufen und Nutzerereignissen sorgen
Eine wichtige technische Voraussetzung für ein erfolgreiches Modelltraining ist, dass die pageCategory-Strings in Ihren Browse API-Aufrufen und die entsprechenden Browse-Nutzerereignisse genau übereinstimmen. Wenn ein Nutzer beispielsweise die Kategorie Elektronikangebote durchsucht, muss für den API-Aufruf zum Abrufen der Suchergebnisse und die generierten Nutzerereignisse derselbe Kategorienstring verwendet werden, einschließlich des Trennzeichens >.
Für den Trainingsprozess muss das Modell die API-Anfragen mit den Nutzerereignissen verknüpfen. Eine Abweichung führt auch zu Unstimmigkeiten bei der Leistungsmessung. Diese Übereinstimmung wird im Datenqualitäts-Dashboard überwacht. Wenn Sie den Schwellenwert nicht erreichen, kann Ihr Modell nicht in höhere Stufen aufsteigen.
Empfehlungen im Blick behalten und Fehler beheben
Nachdem Sie Ihre Website für Empfehlungen eingerichtet haben, sollten Sie Benachrichtigungen einrichten. Weitere Informationen
Informationen zur Fehlerbehebung finden Sie unter Überwachen und Fehlerbehebung.