浏览类别的结构以及浏览事件中相应的对等性会直接影响模型的学习和优化能力。
平衡粒度和流量
此任务需要：
精细的类别结构：浏览模型会学习与每个唯一类别字符串关联（通过用户事件）的点击和购买行为。如果某个类别页面（例如电子产品特惠）的流量很大，模型就会有丰富的数据集来优化该类别的排名。这有助于模型准确地累积和解读每个类别的用户行为（点击、购买），从而实现更好的排名和个性化。避免使用
products等宽泛的句柄，以免削弱不同类别的信号。优化的网页类别深度：过于精细且流量偏低的类别可能会导致模型效果欠佳。如果用户互动数据（例如点击次数和“添加到购物车”操作次数）不足，模型就无法有效地提供经过收入优化的排名。在详细的类别分类法与确保每个类别网页都能产生足够的流量以供模型进行有意义的学习之间取得平衡。
确保 API 调用与用户事件之间的一致性
成功模型训练的关键技术要求是，确保浏览 API 调用中的 pageCategory 字符串与相应的浏览用户事件完全一致。例如，如果用户正在浏览电子产品特惠类别，则用于检索浏览结果的 API 调用和生成的用户事件必须使用相同的类别字符串，包括 > 分隔符。
在训练过程中，模型必须将 API 请求与用户事件联接起来。不匹配还会导致效果衡量出现差异。数据质量信息中心会监控这种一致性。如果未达到相应阈值，您的模型可能无法达到更高级别。
监控和排查建议
设置网站以获取建议后，我们建议您设置提醒。请参阅设置预测错误提醒。
如需排查错误，请参阅监控和问题排查。