ブラウジング カテゴリの構造とブラウジング イベントの対応するパリティは、モデルの学習と最適化の能力に直接影響します。
粒度とトラフィック量のバランスを取る
このタスクには次のものが必要です。
詳細なカテゴリ構造: 閲覧モデルは、個々のカテゴリ文字列に関連付けられた（ユーザー イベント経由）クリックと購入の行動を学習します。たとえば、家電製品のセールなどのカテゴリ ページに大量のトラフィックが流入している場合、モデルにはそのカテゴリのランキングを最適化するための豊富なデータセットがあります。これにより、モデルは各カテゴリのユーザー行動（クリック、購入）を正確に蓄積して解釈し、ランキングとパーソナライズの向上につながります。
productsのような一般的なハンドルは、さまざまなカテゴリでシグナルが薄まるため、使用しないでください。最適化されたページ カテゴリの深さ: トラフィック量が少ないカテゴリが細分化されすぎていると、モデルのパフォーマンスが最適化されない可能性があります。クリック数やカートに追加された回数などのユーザー操作データが不十分な場合、モデルは収益を最適化したランキングを効果的に提供できません。詳細なカテゴリ分類と、各カテゴリ ページでモデルの学習に十分なトラフィックを確保することのバランスを取ります。
API 呼び出しとユーザー イベントのパリティを確保する
モデルのトレーニングを成功させるための重要な技術要件は、ブラウジング API 呼び出しの pageCategory 文字列と対応するブラウジング ユーザー イベントを完全に一致させることです。たとえば、ユーザーが [Electronics deals] カテゴリを閲覧している場合、閲覧結果を取得する API 呼び出しと生成されたユーザー イベントでは、> 区切り文字を含む同一のカテゴリ文字列を使用する必要があります。
トレーニング プロセスでは、モデルは API リクエストをユーザー イベントと結合する必要があります。不一致があると、パフォーマンス測定の不一致も発生します。この調整は、データ品質ダッシュボードでモニタリングされます。しきい値を満たしていないと、モデルが上位の階層に到達できない可能性があります。
推奨事項のモニタリングとトラブルシューティング
ウェブサイトを設定してレコメンデーションを取得したら、アラートを設定することをおすすめします。予測エラーのアラートを設定するをご覧ください。
エラーのトラブルシューティングについては、モニタリングとトラブルシューティングをご覧ください。