La structure de vos catégories de navigation et la parité correspondante dans les événements de navigation ont un impact direct sur la capacité du modèle à apprendre et à s'optimiser.
Équilibrer la précision et le volume de trafic
Cette tâche nécessite les éléments suivants :
Structure de catégories précises : le modèle de navigation apprend le comportement de clic et d'achat associé (via les événements utilisateur) à chaque chaîne de catégorie unique. Si une page de catégorie, comme Offres sur l'électronique, génère un trafic important, le modèle dispose d'un ensemble de données riche pour optimiser le classement de cette catégorie. Cela aide le modèle à accumuler et à interpréter précisément le comportement des utilisateurs (clics, achats) pour chaque catégorie, ce qui permet d'améliorer le classement et la personnalisation. Évitez les identifiants génériques tels que
products, qui diluent le signal dans différentes catégories.Profondeur optimisée des catégories de pages : des catégories trop précises avec de faibles volumes de trafic peuvent entraîner des performances de modèle sous-optimales. Si les données sur les interactions des utilisateurs (comme les clics et les ajouts au panier) sont insuffisantes, le modèle ne peut pas générer de classements optimisés pour les revenus de manière efficace. Trouvez un équilibre entre une taxonomie de catégories détaillée et le fait de vous assurer que chaque page de catégorie génère suffisamment de trafic pour un apprentissage significatif du modèle.
Assurer la parité entre les appels d'API et les événements utilisateur
Pour que l'entraînement du modèle soit efficace, il est essentiel de maintenir une correspondance exacte entre la chaîne pageCategory dans vos appels d'API Browse et les événements utilisateur Browse correspondants. Par exemple, si un utilisateur parcourt la catégorie Offres sur les produits électroniques, l'appel d'API pour récupérer les résultats de navigation et les événements utilisateur générés doivent utiliser la même chaîne de catégorie, y compris le délimiteur >.
Pour le processus d'entraînement, le modèle doit associer les requêtes API aux événements utilisateur. Une incohérence entraînera également des écarts dans la mesure des performances. Cet alignement est surveillé dans le tableau de bord de la qualité des données. Si vous ne respectez pas le seuil, votre modèle ne pourra pas atteindre les niveaux supérieurs.
Surveiller et résoudre les problèmes liés aux recommandations
Après avoir configuré votre site Web pour recevoir des recommandations, nous vous recommandons de configurer des alertes. Consultez Configurer une alerte pour les erreurs de prédiction.
Pour résoudre les erreurs, consultez Surveiller et résoudre les problèmes.