获取推荐内容

本页面介绍如何为特定用户和用户事件请求产品推荐。

上传商品并记录用户事件后，您可以根据特定用户的已记录用户事件及其当前活动，为该用户请求产品推荐。新产品和用户事件最多可能需要 48 小时才会反映在推荐模型中。

AI Commerce Search 会返回经过排名的产品标识符列表。您负责在网站上使用图片和文字呈现结果。

切勿缓存最终用户的个性化结果，也切勿向其他最终用户返回个性化结果。

准备工作

您必须按照准备工作中的步骤创建 Google Cloud 项目并设置身份验证。

您需要满足以下两个条件，然后才能从推荐功能请求预测：

经过训练和调整的推荐（模型）
一个或多个有效投放配置

评估推荐

在更新网站代码以请求推荐之前，您可以使用预测结果预览来确认模型和投放配置是否按预期工作。

如需详细了解投放配置，请参阅投放配置简介。

您可以从评估页面预览投放配置结果，也可以在控制台中前往投放配置的详细信息 页面，然后点击其评估标签页。

如需预览投放配置返回的推荐，请执行以下操作：

在 Gemini Enterprise for Customer Experience 控制台中，前往 AI Commerce Search 的评估页面。

前往“评估”页面
点击推荐标签页（如果尚未选中）。
选择要预览的投放配置。
可选：输入访问者 ID 以预览针对该用户的推荐。
如果显示关联项 部分，请点击添加项 并输入产品 ID，以获取该项的关联推荐。您可以添加多个关联项。

只有当所选投放配置的模型类型需要将产品作为推荐的输入时，才能添加项。“为您推荐”模型不需要输入关联项。
点击预测预览 查看预测结果。

如需查看您正在预览的投放配置的详细信息 页面，请点击选择投放配置 字段下的查看投放配置 。

Recommendations API 对返回的项数有限制。不过，有一些解决方法可以增加返回的项数。

尽可能提高浏览列表的价值

本部分介绍了如何通过有效处理类别、确保使用最高数据层级模型以及启用个性化功能，充分利用 AI Commerce Search 中的浏览列表。

有效处理类别

使用唯一且描述性的页面类别名称，确保准确跟踪用户行为和模型学习。
按从宽泛到具体的顺序构建类别，让用户可以逐步优化浏览体验。
避免使用用户互动度有限的过于小众的类别。

确保使用最高层级模型

前往“数据质量”页面

然后，配置最高层级模型：

实现用户事件跟踪，以捕获搜索和浏览的用户互动（点击、购买、添加到购物车）。
使用 AI Commerce Search 数据质量 信息中心监控数据注入和模型准备情况。

注意：在进行 A/B 测试或生产环境部署之前，请确保浏览模型至少达到“第 2 层级”，最好达到“第 3 层级”。如果高质量流量充足，第 2 层级模型会快速提升到第 3 层级，从而发挥最佳性能。只有在模型达到第 3 层级（这是其最佳优化状态）后，才能进行性能比较和 A/B 测试。

如需详细了解搜索和浏览的数据层级，请参阅数据质量。

利用个性化功能提升效果

浏览模型是一种从用户行为中学习的排名模型，其大部分性能来自个性化功能。

在评估模型性能时启用个性化功能。
停用个性化功能会影响性能，并最大限度地降低模型的潜在影响。
在向实际生产流量或 A/B 测试公开浏览结果之前，应启用个性化功能。

提高结果大小限制

AI Commerce Search 结果的限制为 120。
Recommendations API 支持对最多 2,000 项进行重排序。
虽然延迟会增加，但网页大小可以增加到 500 或 1,000。

获取更多推荐结果的解决方法

您可以使用 REST API，通过个人推荐对类别页面进行个性化设置和重排序。如需解决结果限制为 120 项的问题，请同时对第一个给定页数进行多次调用。然后，将结果拼接在一起，使其看起来像一个大页面。

如需手动限制返回给最终用户的推荐集，您可以在过滤条件中添加 PredictRequest.params 查询。使用 API 将所选属性标记为可过滤，然后在预测请求中直接引用这些属性。

由于 PredictRequest 不支持标准分页（如 offset 或 pageToken），因此您无法请求特定页面来拼接结果。相反，如需解决结果大小限制问题，并使用推荐手动限制类别页面的结果，请使用过滤功能将目录划分为不同的细分，例如按类别、价格范围或品牌划分。同时对这些细分进行调用，然后合并结果。

如需了解预测费用详情，请参阅价格。

有两种解决方法可以增加推荐结果的大小。

解决方法 A：增加网页大小

将预测请求的 pageSize 配置为大于默认值 20 的数字。请参阅 REST API 调用模板。

解决方法 B：使用属性和类别分页

类别页面的结果限制解决方法包含三个步骤：

配置属性 。使用 CatalogService API 将属性（如类别或价格）标记为可过滤，以便在推荐过滤条件中使用这些属性。在按属性（例如类别）过滤推荐之前，您必须为该属性在目录配置中recommendationsFilteringOption。
生成推荐 。发出 PredictRequest 在预测请求中使用可过滤属性，以请求特定产品子集。
提取和拼接过滤后的推荐 。如需模拟更大的结果集或类别页面，请通过在过滤条件中使用不同的类别值调用第 2 步中的示例预测调用，发出具有特定过滤条件的并行请求。

在 REST 调用中启用过滤选项

curl

如需获取推荐，请向 predict REST 方法发出 POST 请求，并提供相应的请求正文：

您使用的服务帐号需要具有“Retail Viewer”角色或更高权限的角色。
将 SERVING_CONFIG_ID 替换为要在其中使用预测的投放配置。了解详情。
如果您使用 BigQuery 导入 Google Analytics 360 用户事件，请将 visitorId 设置为 Google Analytics 客户端 ID。请参阅 Google Analytics 文档，了解如何获取客户端 ID。
如果您要运行 A/B 实验，请将 experimentIds 设置为此实验组的 ID。了解详情。
为发起推荐请求的用户操作提供用户事件对象。

请注意，系统不会记录此用户事件；它仅用于为相关推荐请求提供背景信息。而您应该像记录其他用户事件一样来记录此用户事件。
（可选）提供过滤条件来缩小可能返回的商品范围。了解详情。

curl -X POST \
    -H "Authorization: Bearer $(gcloud auth application-default print-access-token)" \
    -H "Content-Type: application/json; charset=utf-8" \
    --data '{
              "filter": "FILTER_STRING",
              "validateOnly": false,
              "userEvent": {
                  "eventType": "detail-page-view",
                  "visitorId": "VISITOR_ID",
                  "userInfo": {
                      "userId": "USER_ID",
                      "ipAddress": "IP_ADDRESS",
                      "userAgent": "USER_AGENT"
                  },
                  "experimentIds": "EXPERIMENT_GROUP",
                  "productDetails": [{
                      "product": {
                        "id": "PRODUCT_ID"
                     }
                  }]
              }
            }' \
https://retail.googleapis.com/v2/projects/PROJECT_ID/locations/global/catalogs/default_catalog/servingConfigs/SERVING_CONFIG_ID:predict

您应该会看到如下所示的结果：

{
  "results": [{"id": "sample-id-1"}, {"id": "sample-id-2"}],
  "attribution_token": "sample-atr-token"
}

Java

public static PredictResponse predictWithNextPageToken(UserEvent userEvent, int pageSize,
    String nextPageToken)
    throws IOException, InterruptedException {
  PredictionServiceClient predictionClient = getPredictionServiceClient();

  PredictRequest request = PredictRequest.newBuilder()
      .setPlacement(HOME_PAGE_PLACEMENT_NAME)
      .setUserEvent(userEvent)
      .setPageSize(pageSize)
      .setPageToken(nextPageToken)
      .setValidateOnly(true)
      .build();

  PredictResponse response = predictionClient.predict(request);

  predictionClient.shutdownNow();
  predictionClient.awaitTermination(2, TimeUnit.SECONDS);

  return response;
}

价格重排序

启用这项功能后，推荐概率相近的推荐产品会按价格进行排序，价格最高的商品列在第一位。相关性仍会用于订购商品，因此启用价格重排序与按价格排序不同。

可以在投放配置级层或根据预测请求设置价格重排序。

如果您在 Gemini Enterprise for Customer Experience 控制台中创建 AI Commerce Search 投放配置时选择价格重排序设置，则该设置将应用于该配置提供的所有推荐，您无需执行进一步操作。

如果您需要控制特定推荐的价格重排序，可以使用 PredictRequest.params 字段进行控制。这将替换或会以其他方式应用于此推荐的任何配置级层重排序设置。

使用建议过滤条件

您可以使用 predict 方法中的 filter 字段，过滤推荐功能返回的推荐。如需了解相关信息，请参阅过滤推荐。

使用网页级优化模型的预测调用

使用网页级优化模型提供推荐需要额外的预测调用步骤。

使用包含网页级优化模型的投放配置进行初始预测调用。预测响应会返回一个经过排序的投放配置 ID 列表，表示要用于每个面板的模型。

然后，使用网页级优化模型为每个面板推荐的投放配置 ID，为每个面板进行预测调用。预测响应包含模型名称（例如“为您推荐”）以及要在该面板中显示的推荐项列表。

对于使用网页级优化模型的投放配置，价格重排序、推荐多样性和推荐过滤条件不可用。

获取推荐内容 使用集合让一切井井有条 根据您的偏好保存内容并对其进行分类。

准备工作

评估推荐