Halaman ini diterjemahkan oleh Cloud Translation API.

Mendapatkan saran

Halaman ini menjelaskan cara meminta rekomendasi produk untuk pengguna dan peristiwa pengguna tertentu.

Setelah mengupload produk dan mencatat peristiwa pengguna, Anda dapat meminta rekomendasi produk untuk pengguna tertentu berdasarkan peristiwa pengguna yang dicatat untuk pengguna tersebut dan aktivitasnya saat ini. Diperlukan waktu hingga 48 jam agar produk baru dan peristiwa pengguna ditampilkan dalam model rekomendasi.

Vertex AI Search untuk commerce menampilkan daftar ID produk yang diberi peringkat. Anda bertanggung jawab untuk merender hasil di situs Anda dengan gambar dan teks.

Jangan pernah menyimpan dalam cache hasil yang dipersonalisasi dari pengguna akhir, dan jangan pernah menampilkan hasil yang dipersonalisasi kepada pengguna akhir yang berbeda.

Sebelum Memulai

Anda harus membuat project Google Cloud dan menyiapkan autentikasi menggunakan langkah-langkah di bagian Sebelum memulai.

Sebelum dapat meminta prediksi dari rekomendasi, Anda memerlukan keduanya:

Rekomendasi (model) yang dilatih dan disesuaikan
Satu atau beberapa konfigurasi penayangan yang aktif

Mengevaluasi rekomendasi

Sebelum memperbarui kode situs untuk meminta rekomendasi, Anda dapat menggunakan hasil prediksi pratinjau untuk mengonfirmasi bahwa model dan konfigurasi penayangan berfungsi seperti yang diharapkan.

Untuk mengetahui informasi selengkapnya tentang konfigurasi penayangan, lihat Tentang konfigurasi penayangan.

Pratinjau hasil konfigurasi penayangan dari halaman Evaluasi, atau dengan membuka halaman Detail konfigurasi penayangan di konsol dan mengklik tab Evaluasi.

Untuk melihat pratinjau rekomendasi yang ditampilkan oleh konfigurasi inferensi Anda:

Buka halaman Evaluasi di konsol Penelusuran untuk e-commerce.

Buka halaman Evaluasi
Klik tab Rekomendasi, jika belum dipilih.
Pilih konfigurasi penayangan yang ingin Anda lihat pratinjaunya.
Opsional: Masukkan ID pengunjung untuk melihat pratinjau rekomendasi bagi pengguna tersebut.
Jika bagian Item terkait ditampilkan, klik Tambahkan item dan masukkan ID produk untuk mendapatkan rekomendasi terkait untuk item tersebut. Anda dapat menambahkan beberapa item terkait.

Penambahan item hanya tersedia jika jenis model konfigurasi penayangan yang dipilih memerlukan produk sebagai input untuk rekomendasi. Model Direkomendasikan untuk Anda tidak memerlukan item terkait untuk dimasukkan.
Klik Pratinjau prediksi untuk melihat hasil prediksi.

Untuk melihat halaman Detail untuk konfigurasi penayangan yang Anda pratinjau, klik Lihat konfigurasi penayangan di kolom Pilih konfigurasi penayangan.

Recommendations API memiliki batasan pada jumlah item yang ditampilkan. Namun, ada solusi untuk meningkatkan jumlah item yang ditampilkan.

Memaksimalkan nilai listingan penelusuran

Bagian ini menguraikan cara mengoptimalkan listingan penelusuran Anda di Vertex AI Search untuk commerce dengan penanganan kategori yang efektif, memastikan model tingkat data tertinggi, dan mengaktifkan personalisasi.

Penanganan kategori yang efektif

Gunakan nama kategori halaman yang unik dan deskriptif untuk memastikan pelacakan perilaku pengguna dan pembelajaran model yang akurat.
Susun kategori dari yang luas hingga yang spesifik, sehingga pengguna dapat secara progresif menyempurnakan pengalaman penjelajahan mereka.
Hindari kategori yang terlalu spesifik dengan engagement pengguna yang terbatas.

Memastikan model tingkat tertinggi

Buka halaman Kualitas data

Kemudian, untuk mengonfigurasi model tingkat tertinggi:

Terapkan pelacakan peristiwa pengguna untuk merekam interaksi pengguna (klik, pembelian, tambahkan ke keranjang) untuk penelusuran dan penjelajahan.
Pantau penyerapan data dan kesiapan model menggunakan dasbor Kualitas data Vertex AI Search untuk commerce.

Catatan: Pastikan model penjelajahan Anda mencapai setidaknya "Tingkat 2", sebaiknya "Tingkat 3", sebelum pengujian A/B atau deployment produksi. Model Tingkat 2 akan cepat naik ke Tingkat 3 dengan traffic berkualitas tinggi yang memadai, sehingga performa puncak dapat tercapai. Lakukan perbandingan performa dan pengujian A/B hanya setelah model mencapai Tingkat 3, karena ini adalah statusnya yang paling dioptimalkan.

Lihat Kualitas data untuk mengetahui informasi selengkapnya tentang tingkat data untuk penelusuran dan penjelajahan.

Meningkatkan performa dengan personalisasi

Sebagai model peringkat yang mempelajari perilaku pengguna, sebagian besar performa model penjelajahan berasal dari kemampuan personalisasinya.

Aktifkan personalisasi saat mengevaluasi performa model.
Menonaktifkan personalisasi akan memengaruhi performa dan meminimalkan potensi dampak model.
Personalisasi harus aktif sebelum menampilkan hasil penjelajahan ke traffic produksi live atau pengujian A/B.

Meningkatkan batas

Batas untuk hasil Vertex AI Search untuk commerce adalah 120.
Recommendations API mendukung pengurutan ulang hingga 2.000 item.
Meskipun latensi meningkat, Anda dapat meningkatkan ukuran halaman hingga 500 atau 1.000.

Solusi

Untuk halaman kategori, Anda dapat mempersonalisasi dan mengurutkannya ulang menggunakan rekomendasi pribadi. Untuk mengatasi batas hasil 120, lakukan beberapa panggilan serentak untuk sejumlah halaman pertama yang diberikan, lalu gabungkan hasilnya agar terlihat seperti satu halaman besar.

Untuk membatasi secara manual kumpulan rekomendasi yang ditampilkan kepada pengguna akhir, Anda dapat menambahkan kriteria filter dalam kueri PredictRequest.params.

Tandai atribut yang dipilih sebagai dapat difilter menggunakan API, lalu rujuk langsung dalam permintaan prediksi.

Untuk mengetahui detail biaya prediksi, lihat Harga.

curl

Untuk mendapatkan rekomendasi, buat permintaan POST ke metode REST predict dan berikan isi permintaan yang sesuai:

Akun layanan yang Anda gunakan harus memiliki peran "Pelihat Retail" atau yang lebih tinggi.
Ganti SERVING_CONFIG_ID dengan konfigurasi penayangan tempat Anda akan menggunakan prediksi. Pelajari lebih lanjut.
Jika Anda mengimpor peristiwa pengguna Google Analytics 360 menggunakan BigQuery, tetapkan visitorId ke ID klien Google Analytics. Lihat dokumentasi Google Analytics untuk mengetahui cara mendapatkan ID klien.
Jika Anda menjalankan eksperimen A/B, tetapkan experimentIds ke ID untuk grup eksperimen ini. Pelajari lebih lanjut.
Berikan objek peristiwa pengguna untuk tindakan pengguna yang memulai permintaan rekomendasi.

Perhatikan bahwa peristiwa pengguna ini tidak direkam, tetapi hanya digunakan guna memberikan konteks untuk permintaan rekomendasi ini. Anda juga harus merekam peristiwa pengguna seperti saat merekam peristiwa pengguna lainnya.
Atau, berikan filter untuk mempersempit kemungkinan produk ditampilkan. Pelajari lebih lanjut.

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

Anda akan melihat hasil yang mirip dengan berikut ini:

{
  "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;
}

Pengurutan harga

Pengurutan ulang harga akan membuat produk yang direkomendasikan dengan probabilitas rekomendasi serupa diurutkan menurut harga. Urutan akan dimulai dari item berharga paling tinggi. Relevansi juga masih digunakan untuk mengurutkan item, sehingga mengaktifkan pengurutan ulang harga tidak sama dengan mengurutkan menurut harga.

Pengurutan ulang harga dapat ditetapkan di tingkat konfigurasi penayangan, atau per permintaan prediksi.

Saat Anda memilih setelan pengurutan ulang harga saat membuat konfigurasi penayangan di konsol Penelusuran untuk e-commerce, setelan tersebut berlaku untuk semua rekomendasi yang ditayangkan oleh konfigurasi tersebut, tanpa Anda harus melakukan tindakan lebih lanjut.

Jika Anda perlu mengontrol perubahan peringkat harga rekomendasi tertentu, Anda dapat melakukannya menggunakan kolom PredictRequest.params. Tindakan ini akan menggantikan setelan pengurutan ulang tingkat konfigurasi yang seharusnya berlaku untuk rekomendasi ini.

Keragaman rekomendasi

Diversifikasi rekomendasi memengaruhi apakah hasil yang ditampilkan dari permintaan prediksi tunggal berasal dari kategori yang berbeda pada katalog produk Anda.

Diversifikasi rekomendasi dapat ditetapkan di tingkat konfigurasi penayangan, atau per permintaan prediksi.

Saat Anda memilih setelan diversifikasi rekomendasi saat membuat konfigurasi penayangan di konsol Penelusuran untuk e-commerce, setelan tersebut akan diterapkan secara default ke semua prediksi yang ditayangkan oleh konfigurasi tersebut, tanpa Anda harus melakukan tindakan lebih lanjut.

Jika perlu mengontrol keragaman rekomendasi tertentu, Anda dapat melakukannya menggunakan kolom PredictRequest.params. Setelan ini menggantikan setelan diversifikasi tingkat konfigurasi yang seharusnya berlaku untuk rekomendasi ini. Lihat untuk mengetahui nilai yang diterima.

Menggunakan filter rekomendasi

Anda dapat memfilter rekomendasi yang ditampilkan oleh rekomendasi dengan menggunakan kolom filter dalam metode predict. Untuk mengetahui informasi, lihat Memfilter rekomendasi.

Panggilan prediksi dengan model Pengoptimalan Tingkat Halaman

Memberikan rekomendasi menggunakan Pengoptimalan Tingkat Halaman memerlukan langkah panggilan prediksi tambahan.

Lakukan panggilan prediksi awal menggunakan konfigurasi penyajian yang berisi model Pengoptimalan Tingkat Halaman. Respons prediksi menampilkan daftar ID konfigurasi penayangan yang diurutkan yang merepresentasikan model yang akan digunakan untuk setiap panel.

Kemudian, lakukan panggilan prediksi untuk setiap panel menggunakan ID konfigurasi penayangan yang direkomendasikan model Pengoptimalan Tingkat Halaman untuk panel tersebut. Respons prediksi berisi nama model (seperti Direkomendasikan untuk Anda) dan daftar item yang direkomendasikan untuk ditampilkan di panel tersebut.

Pengurutan ulang harga, keragaman rekomendasi, dan filter rekomendasi tidak tersedia untuk konfigurasi penayangan yang menggunakan model Pengoptimalan Tingkat Halaman.