瀏覽類別的結構和相應的瀏覽事件同位性，會直接影響模型的學習和最佳化能力。
兼顧精細程度和流量
這項工作需要：
精細的類別結構：瀏覽模型會學習與每個不重複類別字串相關聯的點擊和購買行為 (透過使用者事件)。如果「電子產品特惠」等類別頁面獲得大量流量，模型就會有豐富的資料集，可針對該類別的排名進行最佳化。這有助於模型準確累積及解讀每個類別的使用者行為 (點擊、購買)，進而提升排名和個人化程度。避免使用
products這類籠統的帳號代碼，以免不同類別的信號遭到稀釋。最佳化網頁類別深度：過於精細的類別流量偏低，可能會導致模型成效不佳。如果使用者互動資料不足 (例如點擊次數和加入購物車次數)，模型就無法有效提供收益最佳化排名。請在詳細的類別分類和確保每個類別頁面產生足夠流量之間取得平衡，以利模型進行有意義的學習。
確保 API 呼叫與使用者事件之間的一致性
如要成功訓練模型，請務必確保瀏覽 API 呼叫中的 pageCategory 字串與對應的瀏覽使用者事件完全相符。舉例來說，如果使用者正在瀏覽「電子產品特惠」類別，則用於擷取瀏覽結果的 API 呼叫，以及產生的使用者事件，都必須使用相同的類別字串，包括 > 分隔符。
在訓練過程中，模型必須將 API 要求與使用者事件合併。如果資訊不符，成效評估結果也會有差異。資料品質資訊主頁會監控這項一致性。如果未達到門檻，模型就無法升級。
監控及排解建議事項
設定網站以取得最佳化建議後，建議您設定快訊。請參閱「設定預測錯誤快訊」。
如要排解錯誤，請參閱「監控及排解問題」。