Diese Seite wurde von der Cloud Translation API übersetzt.

Empfehlungen erhalten

Auf dieser Seite wird beschrieben, wie Sie Produktempfehlungen für einen bestimmten Nutzer und ein bestimmtes Nutzerereignis anfordern.

Nachdem Sie Ihre Produkte hochgeladen und Nutzerereignisse aufgezeichnet haben, können Sie Produktempfehlungen für bestimmte Nutzer anfragen, die auf den aufgezeichneten Nutzerereignissen für diesen Nutzer und seiner aktuellen Aktivität basieren. Es kann bis zu 48 Stunden dauern, bis neue Produkte und Nutzerereignisse im Empfehlungsmodell berücksichtigt werden.

Vertex AI Search for Commerce gibt eine Liste der Produkt-IDs zurück. Es obliegt Ihnen, die Ergebnisse auf Ihrer Website mit Bildern und Text zu rendern.

Personalisierte Ergebnisse von einem Endnutzer dürfen niemals im Cache gespeichert und niemals an einen anderen Endnutzer zurückgegeben werden.

Vorbereitung

Sie müssen ein Google Cloud-Projekt erstellen und die Authentifizierung einrichten. Gehen Sie dazu wie unter Vorbereitung beschrieben vor.

Bevor Sie Vorhersagen aus Empfehlungen anfordern können, benötigen Sie Folgendes:

Eine trainierte und optimierte Empfehlung (Modell)
Mindestens eine aktive Bereitstellungskonfiguration

Empfehlungen bewerten

Bevor Sie Ihren Websitecode zum Anfordern von Empfehlungen aktualisieren, können Sie mithilfe der Vorschau der Vorhersageergebnisse prüfen, ob Ihr Modell und Ihre Bereitstellungskonfiguration wie erwartet funktionieren.

Weitere Informationen zu Bereitstellungskonfigurationen finden Sie unter Bereitstellungskonfigurationen.

Sie können sich die Ergebnisse der Bereitstellungskonfiguration entweder auf der Seite Bewerten ansehen oder in der Console die Seite Details einer Bereitstellungskonfiguration aufrufen und auf den Tab Bewerten klicken.

So rufen Sie eine Vorschau der Empfehlungen auf, die von Ihrer Bereitstellungskonfiguration zurückgegeben werden:

Rufen Sie in der Search for Commerce Console die Seite Bewerten auf.

Zur Seite „Bewerten“
Klicken Sie auf den Tab Empfehlungen, falls er nicht bereits ausgewählt ist.
Wählen Sie die Bereitstellungskonfiguration aus, die Sie als Vorschau ansehen möchten.
Optional: Geben Sie eine Besucher-ID ein, um eine Vorschau der Empfehlungen für diesen Nutzer aufzurufen.
Wenn der Bereich Zugehörige Artikel angezeigt wird, klicken Sie auf Artikel hinzufügen und geben Sie eine Produkt-ID ein, um zugehörige Empfehlungen für diesen Artikel zu erhalten. Sie können mehrere zugehörige Elemente hinzufügen.

Das Hinzufügen von Artikeln ist nur möglich, wenn für den Modelltyp der ausgewählten Bereitstellungskonfiguration Produkte als Eingabe für Empfehlungen erforderlich sind. Für „Empfehlungen für Sie“-Modelle müssen keine zugehörigen Artikel eingegeben werden.
Klicken Sie auf Vorhersagevorschau, um die Vorhersageergebnisse aufzurufen.

Wenn Sie die Seite Details für die Bereitstellungskonfiguration aufrufen möchten, die Sie in der Vorschau ansehen, klicken Sie unter dem Feld Bereitstellungskonfiguration auswählen auf Bereitstellungskonfiguration ansehen.

Die Recommendations API hat Beschränkungen für die Anzahl der zurückgegebenen Elemente. Es gibt jedoch Möglichkeiten, die Anzahl der zurückgegebenen Elemente zu erhöhen.

Den Wert von Einträgen in der Übersicht maximieren

In diesem Abschnitt wird beschrieben, wie Sie Ihre Browserlisten in Vertex AI Search for Commerce durch eine effektive Kategorieverwaltung optimal nutzen, das Modell mit der höchsten Datenstufe verwenden und die Personalisierung freischalten können.

Effektiver Umgang mit Kategorien

Verwenden Sie eindeutige und aussagekräftige Namen für Seitenkategorien, damit das Nutzerverhalten und das Modelltraining genau nachvollzogen werden können.
Strukturieren Sie Kategorien von allgemein bis spezifisch, damit Nutzer ihre Suche schrittweise verfeinern können.
Vermeiden Sie zu spezielle Kategorien mit geringer Nutzerinteraktion.

Für das Modell der höchsten Stufe sorgen

Zur Seite „Datenqualität“

So konfigurieren Sie das Modell der höchsten Stufe:

Implementieren Sie das Tracking von Nutzerereignissen, um Nutzerinteraktionen (Klicks, Käufe, „In den Einkaufswagen“) sowohl für die Suche als auch für das Browsen zu erfassen.
Mit dem Dashboard zur Datenqualität von Vertex AI Search for Commerce können Sie die Datenaufnahme und die Modellbereitschaft überwachen.

Hinweis: Dein Browsing-Modell sollte mindestens Tier 2, vorzugsweise Tier 3 erreichen, bevor du A/B-Tests durchführst oder es in der Produktion bereitstellst. Ein Modell der Stufe 2 kann schnell zur Stufe 3 aufsteigen, wenn genügend hochwertiger Traffic vorhanden ist. So lässt sich die maximale Leistung erzielen. Führen Sie Leistungsvergleiche und A/B‑Tests erst durch, wenn das Modell die Stufe 3 erreicht hat, da es dann am besten optimiert ist.

Weitere Informationen zu Datenstufen für die Suche und das Browsen finden Sie unter Datenqualität.

Leistung durch Personalisierung verbessern

Da das Ranking-Modell aus dem Nutzerverhalten lernt, beruht ein Großteil der Leistung des Browsing-Modells auf seinen Personalisierungsfunktionen.

Aktivieren Sie die Personalisierung, wenn Sie die Leistung des Modells bewerten.
Wenn Sie die Personalisierung deaktivieren, wirkt sich das auf die Leistung aus und das Potenzial des Modells wird minimiert.
Die Personalisierung sollte aktiv sein, bevor Sie Browsergebnisse für Live-Produktionstraffic oder A/B-Tests bereitstellen.

Limits erhöhen

Das Limit für Ergebnisse von Vertex AI Search for Commerce liegt bei 120.
Die Recommendations API unterstützt das Neusortieren von bis zu 2.000 Artikeln.
Obwohl die Latenz zunimmt, kann die Seitengröße auf bis zu 500 oder 1.000 erhöht werden.

Problemumgehungen

Kategorieseiten lassen sich mithilfe persönlicher Empfehlungen personalisieren und neu sortieren. Um das Ergebnislimit von 120 zu umgehen, können Sie mehrere gleichzeitige Aufrufe für die erste angegebene Anzahl von Seiten ausführen und die Ergebnisse dann so zusammenfügen, dass sie wie eine große Seite aussehen.

Wenn Sie die Menge der Empfehlungen, die Endnutzern zurückgegeben werden, manuell einschränken möchten, können Sie Filterkriterien in PredictRequest.params-Abfragen hinzufügen.

Markieren Sie die ausgewählten Attribute über die API als filterbar und verweisen Sie dann direkt in den Vorhersageanfragen darauf.

Weitere Informationen zu den Kosten für Vorhersagen finden Sie unter Preise.

curl

Für eine Empfehlung senden Sie eine POST-Anfrage an die REST-Methode predict und geben Sie dazu den entsprechenden Anfragetext ein:

Das von Ihnen verwendete Dienstkonto muss die Rolle „Retail-Betrachter“ oder höher haben.
Ersetzen Sie SERVING_CONFIG_ID durch die Bereitstellungskonfiguration, für die Sie die Vorhersagen verwenden. Weitere Informationen
Wenn Sie Google Analytics 360-Nutzerereignisse mit BigQuery importiert haben, legen Sie für visitorId die Google Analytics-Client-ID fest. Weitere Informationen zum Abrufen der Client-ID finden Sie in der Google Analytics-Dokumentation.
Für einen A/B-Test legen Sie für experimentIds die ID dieser Testgruppe fest. Weitere Informationen
Geben Sie ein Nutzerereignis-Objekt für die Nutzeraktion an, die die Empfehlungsanfrage eingeleitet hat.

Beachten Sie, dass das Nutzereignis nicht aufgezeichnet wird. Es dient lediglich der Bereitstellung von Kontext für die Empfehlungsanfrage. Sie sollten das Nutzerereignis außerdem genauso aufzeichnen, wie Sie auch andere Nutzerereignisse aufzeichnen.
Optional können Sie einen Filter angeben, um die zurückgegebenen Produkte einzugrenzen. Weitere Informationen

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

Die Ergebnisse sollten in etwa so aussehen:

{
  "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;
}

Preis-Reranking

Beim Preis-Reranking werden die empfohlenen Produkte mit einer ähnlichen Empfehlungswahrscheinlichkeit nach Preis sortiert, wobei die Artikel mit dem höchsten Preis zuerst aufgelistet werden. Die Relevanz wird auch noch für die Bestellung von Artikeln verwendet. Das Aktivieren des Preis-Rerankings entspricht also nicht der Sortierung nach Preis.

Das Preis-Reranking kann auf der Ebene der Bereitstellungskonfiguration oder pro Vorhersageanfrage festgelegt werden.

Wenn Sie beim Erstellen einer Bereitstellungskonfiguration in der Search for Commerce-Konsole eine Einstellung für das Preis-Reranking auswählen, gilt diese Einstellung für alle Empfehlungen, die von dieser Konfiguration bereitgestellt werden, ohne dass Sie etwas tun müssen.

Wenn Sie das Preis-Reranking einer bestimmten Empfehlung festlegen möchten, verwenden Sie dazu das Feld PredictRequest.params. Dadurch wird jede Einstellung für das Reranking auf Konfigurationsebene überschrieben, die andernfalls für diese Empfehlung gelten würde.

Vielfalt der Empfehlungen

Die Diversifizierung von Empfehlungen beeinflusst, ob die von einer einzelnen Vorhersageanfrage zurückgegebenen Ergebnisse aus verschiedenen Kategorien Ihres Produktkatalogs stammen.

Die Diversifizierung von Empfehlungen kann auf der Ebene der Bereitstellungskonfiguration oder pro Vorhersageanfrage festgelegt werden.

Wenn Sie beim Erstellen einer Bereitstellungskonfiguration in der Search for Commerce-Konsole eine Einstellung für die Diversifizierung von Empfehlungen auswählen, gilt diese Einstellung standardmäßig für alle Vorhersagen, die von dieser Konfiguration bereitgestellt werden, ohne dass Sie etwas unternehmen müssen.

Wenn Sie die Diversifizierung einer bestimmten Empfehlung festlegen müssen, können Sie dazu das Feld PredictRequest.params verwenden. Dadurch wird jede Einstellung für die Diversifizierung auf Konfigurationsebene überschrieben, die andernfalls für diese Empfehlung gelten würde. Weitere Informationen finden Sie unter den akzeptierten Werten.

Empfehlungsfilter verwenden

Sie können die von Recommendations zurückgegebenen Empfehlungen filtern. Verwenden Sie dazu das Feld filter in der Methode predict. Weitere Informationen finden Sie unter Empfehlungen filtern.

Vorhersageaufrufe mit Modellen für die Optimierung auf Seitenebene

Um Empfehlungen mit Optimierung auf Seitenebene zu generieren, ist ein zusätzlicher Vorhersageaufruf erforderlich.

Führen Sie einen ersten Vorhersageaufruf mit einer Serving-Konfiguration aus, die das Modell für die Optimierung auf Seitenebene enthält. Die Vorhersageantwort gibt eine sortierte Liste von Bereitstellungskonfigurations-IDs zurück, die das Modell für jedes Feld darstellen.

Rufen Sie dann für jedes Panel eine Vorhersage mit der Serving-Konfigurations-ID auf, die vom Modell zur Optimierung auf Seitenebene empfohlen wurde. Die Vorhersageantwort enthält den Modellnamen (z. B. „Für dich empfohlen“) und eine Liste der empfohlenen Elemente, die in diesem Bereich angezeigt werden sollen.

Preis-Reranking, Empfehlungsdiversität und Empfehlungsfilter sind für Bereitstellungskonfigurationen, die das Modell „Optimierung auf Seitenebene“ verwenden, nicht verfügbar.