Pertanyaan umum (FAQ)

Ada kesulitan lain atau masalah yang Anda alami tidak dijelaskan di sini? Laporkan bug atau minta fitur dan bergabunglah dengan grup Google cloud-recommendations-users atau diskusi Stack Overflow.

Umum

Berikut adalah pertanyaan umum (FAQ) umum.

Apakah Anda memiliki library klien untuk AI Commerce Search atau kode contoh lainnya?

Ya. Anda dapat melihat panduan library klien untuk mengetahui informasi penyiapan dan referensi untuk setiap library.

Google API Discovery Service juga dapat digunakan sebagai pengganti panggilan REST mentah.

Apakah semua model rekomendasi dipersonalisasi?

Model Direkomendasikan untuk Anda, Lainnya yang Mungkin Anda Sukai, dan Beli Lagi memberikan rekomendasi yang dipersonalisasi jika diberikan histori pengguna. Model Frequently Bought Together dan Similar Items tidak dipersonalisasi.

Lihat Tentang model rekomendasi.

Apakah saya akan langsung menerima rekomendasi yang dipersonalisasi, atau apakah saya harus menunggu hingga rekomendasi tersebut meningkat seiring waktu?

Rekomendasi akan meningkat seiring Anda mengumpulkan lebih banyak histori pengguna. Model Direkomendasikan untuk Anda menampilkan produk populer dan model Lainnya yang Mungkin Anda Sukai menampilkan produk serupa yang sebagian besar didasarkan pada tampilan orang lain. Kedua model ini langsung mempertimbangkan perilaku pengguna, jadi penting untuk mengirim peristiwa real-time. Lihat Tentang model rekomendasi.

Peristiwa pengguna harus dikirim secara real-time, atau sangat mendekati real-time, agar personalisasi menjadi efektif. Jika peristiwa pengguna hanya dikirim setiap hari, atau dalam batch sepanjang hari, model yang dipersonalisasi mungkin tidak berperforma sebaik jika peristiwa real-time dikirim.

Apakah Anda menggunakan data demografi pengguna Google dalam model Anda?

Model hanya menggunakan data katalog dan peristiwa pengguna yang Anda berikan. Jika ingin menyertakan data demografis, Anda dapat menyertakan informasi tekstual atau numerik lainnya yang mungkin berguna sebagai atribut kustom. Data ini akan mulai digunakan oleh model setelah disesuaikan kembali.

Jangan sertakan informasi identitas pribadi (PII) seperti alamat email atau nama pengguna. Sebaiknya Anda menganonimkan data demografis, misalnya dengan melakukan hashing pada nilai atau menggunakan ID grup.

Dapatkah saya membuat rekomendasi berdasarkan histori peristiwa sekelompok pengguna, bukan histori satu pengguna?

Rekomendasi didasarkan pada satu ID pengunjung atau ID pengguna. Anda harus membuat permintaan satu per satu, lalu menggabungkan hasilnya untuk mendasarkan rekomendasi pada histori grup. Jika pengguna memiliki atribut metadata yang sama, Anda dapat menggunakan ID grup sebagai ID pengguna untuk memberikan rekomendasi tingkat grup.

Saya melihat bahwa Anda dapat mengirimkan URL gambar untuk produk. Apakah model mempertimbangkan gambar produk?

Ya, gambar produk dapat dikirimkan sebagai bagian dari data katalog produk Anda. AI Commerce Search menggunakan URL produk dan ID di baliknya (URI) untuk memperkaya deskripsi produk.

Objek Product berisi kolom gambar, yang merupakan daftar objek gambar. Setiap objek gambar dapat menyertakan URI, tinggi, dan lebar. Maksimal 300 gambar yang diizinkan per produk. Meskipun bersifat opsional, Anda sangat disarankan untuk memberikan gambar produk. (Pratinjau prediksi) juga menggunakan URL gambar untuk menampilkan gambar saat Anda melihat pratinjau hasil prediksi model di konsol AI Commerce Search di Gemini Enterprise for Customer Experience.

Perusahaan saya bukan situs e-commerce retail. Apakah saya masih dapat menggunakan rekomendasi untuk memprediksi x,y,z?

Kami memiliki pelanggan yang menggunakan rekomendasi untuk rekomendasi konten, streaming video dan game, serta kasus penggunaan lainnya. Namun, konten dan pengalaman kami dirancang dengan mempertimbangkan kasus penggunaan e-commerce retail dan mungkin belum cocok untuk kasus penggunaan lainnya.

Dapatkah saya menempatkan rekomendasi di halaman mana pun di situs saya?

Ya, tetapi setiap model dirancang untuk kasus penggunaan tertentu dan mungkin berfungsi paling baik di halaman tertentu. Lihat Tentang model rekomendasi.

Frequently Bought Together dan Others You May Like memerlukan ID item, sehingga harus digunakan untuk rekomendasi menggunakan, misalnya, ID produk atau item dalam keranjang. Sering Dibeli Bersama biasanya berfungsi paling baik di halaman tambahkan ke keranjang atau halaman checkout, sedangkan Lainnya yang Mungkin Anda Sukai dan Item Serupa berfungsi paling baik di halaman detail produk. Direkomendasikan untuk Anda dapat ditempatkan di halaman mana pun, karena hanya memerlukan ID pengunjung sebagai input, tetapi dirancang sebagai konfigurasi penayangan halaman beranda. Beli Lagi dirancang untuk ditempatkan di halaman mana pun.

Dapatkah saya menggunakan rekomendasi untuk rekomendasi di newsletter email?

Ya. Hal ini dapat dilakukan dengan melakukan panggilan ke API menggunakan ID pengunjung atau ID pengguna, lalu menggabungkan hasilnya ke dalam template email. Jika Anda ingin item dimuat secara dinamis saat email dibaca, Anda harus menggunakan endpoint perantara, seperti Google Cloud Function, untuk mengirim permintaan prediksi. API ini hanya menyediakan daftar ID produk dan metadata yang diurutkan, sehingga Anda juga perlu menulis kode sendiri untuk merender hasil gambar.

Dapatkah saya menggunakan AI Commerce Search untuk kasus penggunaan non-web lainnya (aplikasi seluler, kios)?

Ya. Anda dapat menyiapkan endpoint (misalnya, Google Google Cloud Function) untuk mendapatkan hasil bagi aplikasi. Anda juga memerlukan mekanisme serupa untuk mengirim peristiwa real-time.

Saya tidak memiliki data peristiwa selama 3 bulan atau lebih. Apakah saya masih dapat menggunakan AI Commerce Search? Dapatkah saya menambahkan lebih banyak data di lain waktu?

Model Item Serupa tidak menggunakan data peristiwa pengguna atau penyesuaian model. Jika tidak memiliki data peristiwa, Anda masih dapat membuat dan melatih model Item Serupa asalkan memiliki data katalog.

Jika Anda dapat mencatat traffic yang memadai untuk peristiwa real-time, data terbaru dapat digunakan untuk melatih model lain. Jika Anda memiliki data tambahan yang tersedia di lain waktu, Anda dapat menguploadnya setelah pelatihan model awal. Data yang baru diisi ulang akan dimasukkan ke dalam model selama pelatihan ulang harian. Namun, jika data tersebut sangat berbeda dengan peristiwa yang digunakan untuk pelatihan awal, model mungkin perlu disesuaikan ulang.

Sebagian besar model berfungsi paling baik dengan setidaknya tiga bulan kunjungan halaman produk, kunjungan halaman beranda, dan peristiwa add-to-cart untuk semua model, dan idealnya satu hingga dua tahun histori pembelian untuk model Sering Dibeli Bersama.

Satu hingga dua minggu penayangan halaman detail dapat cukup untuk mulai melatih model Lainnya yang Mungkin Anda Sukai dan Direkomendasikan untuk Anda, sedangkan Sering Dibeli Bersama dan Beli Lagi biasanya memerlukan lebih banyak waktu karena biasanya ada lebih sedikit pembelian per hari daripada penayangan halaman. Kualitas model dapat ditingkatkan secara signifikan dengan lebih banyak data; jumlah minimum mungkin tidak memberikan hasil yang optimal. Misalnya, data pembelian selama satu tahun memungkinkan model memanfaatkan tren dan tren musiman dengan lebih baik.

Dapatkah saya merekomendasikan kategori bersama dengan produk?

Rekomendasi hanya menampilkan rekomendasi produk, tetapi Anda bisa mendapatkan kategori untuk setiap produk yang ditampilkan sebagai bagian dari hasil.

Apakah Anda memiliki integrasi untuk mengupload data dari database SQL atau sistem lain, seperti BigQuery?

Ya. Untuk peristiwa, ada kode contoh yang membaca dari BigQuery. Lihat set data sampel Google Analytics untuk BigQuery.

Apakah AI Commerce Search menggunakan cookie?

Tidak, layanan ini tidak menggunakan cookie. Namun, semua peristiwa yang dikirim ke AI Commerce Search harus memiliki ID pengunjung yang ditentukan, yang sering kali merupakan ID sesi dari cookie.

Apakah saya memerlukan project Google Cloud khusus?

Anda dapat membuat project khusus yang baru, atau mengaktifkan AI Commerce Search di project yang sudah ada.

Mengapa kredensial saya tidak berfungsi saat menggunakan Cloud Shell?

Pastikan Anda telah menyelesaikan langkah-langkah penyiapan autentikasi untuk AI Commerce Search. Anda harus menggunakan akun layanan yang telah Anda sediakan di lingkungan Anda. Jika tidak, Anda mungkin mendapatkan error seperti ini: Aplikasi Anda telah diautentikasi menggunakan kredensial pengguna akhir dari Google Cloud SDK atau Google Cloud Shell yang tidak didukung.

Untuk mengetahui informasi selengkapnya tentang akun layanan, lihat bagian Autentikasi dalam dokumentasi Google Cloud .

Bagaimana cara membandingkan AI Commerce Search dengan solusi serupa?

Anda dapat melakukan pengujian A/B untuk membandingkan hasil dari AI Commerce Search dengan hasil dari produk lain.

Menurut saya, fitur x,y,z akan sangat bagus. Bisakah Anda menambahkan ini?

Kami ingin mendengar pendapat Anda. Permintaan fitur dapat dikirimkan melalui tim akun Anda, Dukungan Google, atau issue-tracker.

Apakah saya masih dapat menggunakan API lama untuk rekomendasi?

Rekomendasi telah dimigrasikan dari Recommendations Engine API ke AI Commerce Search. Jika Anda menggunakan Recommendations Engine API saat masih dalam versi beta, sebaiknya migrasikan rekomendasi Anda ke AI Commerce Search (endpoint layanan https://retail.googleapis.com), yang merupakan GA.

API sebelumnya (endpoint layanan https://recommendationengine.googleapis.com) dan dokumentasinya tetap tersedia, tetapi tidak lagi diperbarui.

Katalog dan produk

Berikut adalah pertanyaan umum (FAQ) tentang katalog dan produk.

Bagaimana cara Recommendations menangani cold start untuk produk baru?

Untuk produk yang tidak memiliki histori pembelian, kami membuat rekomendasi berdasarkan produk serupa. Dalam kasus ini, sangat penting untuk memiliki judul, kategori, dan deskripsi produk yang baik yang ditentukan dalam katalog.

Untuk pengguna cold-start (pengunjung tanpa histori), model akan dimulai dengan produk umum yang paling populer, dan menjadi lebih dipersonalisasi secara real time seiring dengan diterimanya lebih banyak peristiwa pengguna.

Lihat Tentang katalog dan produk serta halaman referensi produk.

Dapatkah saya menggunakan katalog Merchant Center untuk rekomendasi?

Ya, Anda dapat mengekspor katalog Merchant Center ke BigQuery menggunakan Merchant Center Data Transfer Service. Kemudian, kita dapat membaca katalog langsung dari BigQuery. Lihat Mengimpor data katalog dari Merchant Center.

Bagaimana cara lain untuk mengimpor katalog saya?

  • Merchant Center: Impor dengan Merchant Center. Jika menggunakan penelusuran, Anda dapat menggunakan konsol untuk menautkan Merchant Center agar katalognya disinkronkan secara otomatis.
  • BigQuery: Impor langsung dari tabel atau tampilan.
  • Cloud Storage: Impor menggunakan file teks dengan satu item katalog JSON per baris.
  • Impor inline: Impor dengan panggilan API, menggunakan file teks dengan satu item katalog JSON per baris.
  • Membuat item produk: Gunakan metode pembuatan Products.

Bagaimana cara memperbarui katalog saya? Seberapa sering katalog perlu diperbarui?

Lihat Memastikan katalog Anda selalu aktual.

Sebaiknya perbarui katalog Anda setiap hari. Anda dapat melakukan update penuh dari Cloud Storage atau BigQuery, atau update inkremental (yaitu, hanya item baru dan yang diubah).

Jika memungkinkan, perbarui harga dan ketersediaan secara real time. Hal ini memengaruhi seberapa cepat item baru dapat dibuat agar dapat ditelusuri dengan penelusuran.

Jika Anda memiliki cara untuk mendapatkan notifikasi tentang perubahan katalog (seperti menggunakan Pub/Sub, antrean pesan, peristiwa, dll.), Anda dapat memperbarui katalog secara real-time menggunakan metode API import atau create.

Misalnya, Cloud Scheduler dapat digunakan untuk melakukan panggilan impor BigQuery harian.

Apakah ada ukuran katalog minimum dan maksimum?

Tidak ada jumlah minimum, tetapi ukuran katalog yang sangat kecil (< 100 item) mungkin tidak akan mendapatkan banyak manfaat dari rekomendasi karena hanya ada sedikit produk berbeda yang dapat direkomendasikan.

Jumlah maksimum katalog adalah 40 juta item.

Lihat dokumentasi untuk mengetahui kuota dan batas default serta cara meminta perubahan kuota.

Perusahaan saya mengoperasikan situs di beberapa negara. Haruskah saya menggunakan satu katalog untuk semua data saya?

Biasanya, sebaiknya miliki satu katalog saja yang berisi semua item. Acara harus dikirimkan menggunakan satu mata uang. Tidak ada cara untuk memiliki beberapa katalog dalam project yang sama, tetapi, jika Anda menggunakan entity, Anda dapat menentukan perilaku penelusuran, rekomendasi, dan pelengkapan otomatis untuk negara tertentu.

Jika katalognya sangat berbeda di antara situs, sebaiknya buat project terpisah untuk setiap situs. Selain itu, jika negara-negara tersebut memiliki bahasa yang berbeda, sebaiknya buat project terpisah, satu untuk setiap bahasa.

Jika ada situs serupa dengan traffic rendah dibandingkan dengan situs utama, sebaiknya gunakan satu katalog jika tidak ada cukup peristiwa untuk menghasilkan model berkualitas tinggi untuk semua situs individual.

Untuk menggunakan satu katalog, ID item katalog harus konsisten, yaitu produk yang sama harus memiliki satu ID item di semua situs sehingga tidak ada duplikasi produk dalam katalog.

Khusus untuk rekomendasi, alternatif penggunaan entity adalah memfilter ke situs tertentu menggunakan filter. Namun, filter mungkin memerlukan waktu hingga 8 jam untuk diperbarui, jadi jika ada persyaratan ketersediaan (stok habis) khusus negara, biasanya persyaratan tersebut harus ditangani oleh aturan bisnis yang memfilter hasil setelah respons prediksi. Hal ini berlaku untuk pemfilteran filter_tag v1 dan pemfilteran berbasis atribut v2.

Apakah AI Commerce Search mendukung beberapa mata uang per katalog?

Tidak, hanya satu jenis mata uang per katalog yang didukung. Peristiwa harus diupload menggunakan satu mata uang.

Jika Anda berencana menggunakan konsol AI Commerce Search di Gemini Enterprise for Customer Experience untuk mendapatkan metrik pendapatan, pastikan semua peristiwa Anda menggunakan satu mata uang atau konversikan semuanya ke mata uang yang sama sebelum menguploadnya.

Saya memiliki beberapa situs dengan katalog bersama atau item serupa. Dapatkah rekomendasi memberikan rekomendasi lintas situs?

Kami biasanya merekomendasikan penggunaan satu katalog seperti ini hanya jika ada tumpang-tindih yang signifikan di antara situs; situs tersebut harus memiliki banyak atau semua produk yang sama. Kemudian, seperti halnya situs multi-region, Anda dapat menggunakan entity atau tag filter untuk hanya menampilkan item khusus situs untuk panggilan prediksi tertentu.

Jika situs tidak memiliki banyak, atau tidak memiliki, item katalog yang sama, sebaiknya gunakan beberapa katalog. Penggunaan beberapa katalog memerlukan project Google Cloud terpisah untuk setiap katalog.

Apakah menyertakan lebih banyak metadata akan meningkatkan kualitas model? Apakah model mempertimbangkan kolom x,y,z?

Lihat Informasi item katalog yang diperlukan untuk mengetahui kolom wajib diisi.

Kolom metadata lainnya bersifat opsional (misalnya, images dan itemAttributes). Data tersebut dapat digunakan untuk pratinjau prediksi, analisis hasil, pelatihan, dan penyesuaian. Sebaiknya sertakan atribut yang berguna seperti warna, ukuran, bahan, dll. Kolom ini dapat ditampilkan sebagai bagian dari hasil prediksi dengan menentukan returnProduct:true, sehingga dapat berguna untuk merender hasil. Gambar dan atribut item digunakan untuk pratinjau prediksi di AI Commerce Search di konsol Gemini Enterprise for Customer Experience.

Atribut item katalog mana yang digunakan sebagai input pelatihan model?

Kombinasi perilaku pengguna dan atribut produk digunakan. Kolom utama yang digunakan adalah ID, judul, hierarki kategori, harga, dan URL. Anda dapat menyertakan atribut nilai kunci kustom lainnya yang mungkin berguna di Product.attributes[].

URL gambar lebih merupakan fitur praktis; Anda dapat menampilkan metadata ini sebagai bagian dari hasil prediksi dengan menentukan returnProduct:true, yang dapat menghemat panggilan tambahan untuk mengambil informasi ini. Memiliki URL gambar juga memungkinkan pratinjau prediksi menampilkan gambar saat Anda melihat pratinjau hasil prediksi model di konsol AI Commerce Search di Gemini Enterprise for Customer Experience.

Bahasa apa saja yang didukung untuk produk saya?

  • Fitur rekomendasi: Mendukung sebagian besar bahasa. Model akan otomatis mendeteksi bahasa teks. Untuk mengetahui daftar semua bahasa yang dapat dideteksi secara otomatis, lihat README GitHub Compact Language Detector.
  • Fitur penelusuran: Mendukung bahasa dunia ini. Anda menetapkan bahasa saat mengupload katalog. Katalog harus dalam satu bahasa saja dan kueri harus dikirim dalam bahasa yang sama. Memiliki beberapa bahasa dalam katalog akan menurunkan performa model.
Catatan: Jika Anda sudah memiliki katalog multibahasa untuk penelusuran, Anda dapat meningkatkan hasil dengan menambahkan sinonim. Untuk mengetahui informasi tentang sinonim, lihat OnewaySynonymsAction dan TwowaySynonymsAction.

Katalog saya memiliki SKU utama/varian atau induk/turunan. Apakah format ini didukung?

Ya. Hal ini akan serupa dengan item_group_id di Merchant Center. Anda harus menentukan cara mendapatkan rekomendasi (di tingkat induk atau turunan) dan apakah peristiwa berada di tingkat induk atau turunan.

Lihat Tingkat produk untuk mengetahui informasi selengkapnya tentang tingkat produk.

Tentukan dan tetapkan tingkat produk yang benar sebelum mengirim item atau peristiwa apa pun. Tingkat produk dapat diubah, tetapi memerlukan penggabungan ulang item dan penyesuaian ulang model.

Dapatkah saya menghapus produk dari katalog jika produk tersebut tidak lagi tersedia?

Jika item tidak lagi terbaru, sebaiknya tetapkan statusnya ke OUT_OF_STOCK, bukan menghapusnya, sehingga peristiwa pengguna sebelumnya yang merujuk ke item tersebut tidak dibatalkan.

Peristiwa pengguna

Berikut adalah pertanyaan umum (FAQ) tentang peristiwa pengguna.

Peristiwa pengguna apa yang perlu saya kumpulkan?

Lihat Tentang peristiwa pengguna untuk mengetahui daftar jenis peristiwa pengguna serta persyaratan dan praktik terbaik peristiwa pengguna.

Bagaimana cara memecahkan masalah kualitas data dalam pembuatan model?

Di konsol AI Commerce Search di Gemini Enterprise for Customer Experience, buka halaman Data Quality untuk melihat metrik kualitas data tentang katalog dan peristiwa pengguna yang diserap.

Dapatkah saya berintegrasi dengan Google Analytics 360?

Anda dapat menggunakan data historis dari Google Analytics 360 (GA360). Serupa dengan data Merchant Center, data GA360 dapat diekspor ke BigQuery, lalu AI Commerce Search dapat membaca peristiwa langsung dari BigQuery.

Untuk peristiwa real-time, sebaiknya integrasikan piksel pelacakan dengan Google Tag Manager, karena peristiwa tertunda dari GA360.

Saya ingin mengimpor peristiwa pengguna dari Google Analytics 360. Apakah platform ini menyediakan semua peristiwa pengguna yang diperlukan?

Google Analytics 360 secara native mendukung semua peristiwa pengguna yang digunakan oleh AI Commerce Search, kecuali untuk peristiwa penelusuran. Anda masih dapat mengimpor peristiwa pengguna penelusuran dari Analytics 360, tetapi perhatikan bahwa AI Commerce Search membuat peristiwa pengguna penelusuran dari kueri penelusuran dan, jika ada, tayangan produk.

Bagaimana cara memasukkan peristiwa ke Recommendations AI?

Pengguna biasanya mengimpor peristiwa historis menggunakan Cloud Storage atau impor API, lalu menstreaming peristiwa real-time menggunakan Pixel JavaScript atau tag GTM.

Bagaimana jika saya tidak dapat mengirim semua jenis peristiwa pengguna yang tercantum sebagai wajib untuk model? Apa saja jenis peristiwa minimum yang diperlukan untuk setiap model?

Setiap model dan tujuan pengoptimalan memiliki persyaratan yang sedikit berbeda. Lihat Persyaratan data peristiwa pengguna.

Performa model biasanya lebih baik jika ada lebih banyak peristiwa per item katalog. Situs dengan jumlah traffic yang besar dapat memulai dengan volume data historis yang lebih kecil, tetapi masih memerlukan data setidaknya beberapa minggu.

Saya memiliki peristiwa tambahkan ke keranjang dan pembelian selesai yang tidak memiliki nilai untuk pendapatan atau jumlah. Apa yang harus saya kirimkan?

Jika tidak memiliki nilai untuk jumlah, Anda dapat meneruskan nilai default 1 tanpa memengaruhi hasil model. Item harus selalu memiliki displayPrice yang ditetapkan. originalPrice dan cost bersifat opsional.

Lihat Persyaratan data peristiwa pengguna untuk mengetahui persyaratan data minimum setiap jenis model.

Hasil penelusuran

Berikut adalah pertanyaan umum (FAQ) tentang hasil penelusuran.

Apakah hasil penelusuran dipersonalisasi?

Ya. Penelusuran dapat memberikan hasil personal. Hasil penelusuran dipersonalisasi berdasarkan ID pengunjung. Untuk mengetahui informasi selengkapnya, lihat Personalisasi.

Bagaimana cara menyertakan konteks, seperti toko tempat pengguna berbelanja, sebagai bagian dari permintaan penelusuran?

Opsi ketersediaan dan pemenuhan pesanan berbasis ID toko adalah atribut katalog produk. Atribut dapat dikirim sebagai parameter dalam permintaan penelusuran. Hasilnya dapat difilter atau diberi peringkat lebih tinggi berdasarkan ID toko dalam permintaan.

Dapatkah saya menyembunyikan produk dari hasil penelusuran?

Ya. Parameter filter dapat memfilter hasil berdasarkan tag-nya.

Apakah mungkin untuk memberi peringkat berdasarkan beberapa kriteria, seperti ketersediaan dan harga?

Ya, boostSpec memungkinkan aturan penentuan peringkat yang kompleks.

Apakah mungkin untuk mengelompokkan beberapa atribut guna memberikan hasil dengan beberapa faset? Misalnya, mengelompokkan kota di negara yang sama untuk asal produksi.

Atribut produk tidak bersifat hierarkis. Namun, Anda dapat menggunakan beberapa atribut kustom untuk melakukannya (misalnya, atribut terpisah untuk negara dan kota).

Bagaimana cara kerja saran?

Saran adalah kombinasi kueri pengguna, kueri yang ditulis ulang, nama produk, dll. Untuk menghasilkan saran pelengkapan otomatis berkualitas tinggi, jumlah peristiwa penelusuran yang memadai harus diserap bersama dengan katalog.

Apakah penelusuran peka huruf besar/kecil?

Kueri teks umumnya tidak peka huruf besar/kecil karena analisis linguistik. Namun, ekspresi filter dan tata urutan sangat peka huruf besar/kecil.

Mengapa kueri penelusuran tunggal dan jamak menampilkan hasil yang berbeda?

AI Commerce Search mengevaluasi kueri tunggal dan jamak secara terpisah berdasarkan niat pengguna akhir dan engagement pengguna historis, seperti klik dan pembelian. Pembeli sering kali mengklik atau membeli produk yang berbeda untuk istilah tunggal dan jamak, seperti kaus untuk satu kaus versus kaus untuk multipak. Jika satu bentuk kueri hanya cocok dengan beberapa produk, perluasan kueri juga dapat memperluas hasil untuk kueri tersebut.

Untuk memperluas istilah tunggal, jamak, atau infleksi dalam bahasa katalog Anda agar menyertakan kandidat satu sama lain, konfigurasikan kontrol sinonim dua arah. Karena sinonim berfungsi sebagai petunjuk kueri dan peringkat masih bergantung pada skor, kueri sinonim mungkin masih menampilkan peringkat yang berbeda. Untuk mengetahui informasi selengkapnya tentang cara AI Commerce Search memproses kueri teks, lihat Cara memproses kueri dan parameter teks.

Bagaimana cara membuat nomor komponen dengan tanda hubung dapat ditelusuri?

Analisis linguistik standar dapat menghapus karakter khusus. Petakan nilai ini ke atribut khusus dengan flag exact-searchable diaktifkan. Pertimbangkan juga untuk memecah string menjadi n-gram sebelum penyerapan.

Apakah mesin telusur akan menerjemahkan kueri pengguna jika katalog saya dalam bahasa lain?

Tidak. Bahasa katalog dan bahasa kueri penelusuran harus cocok. Jika Anda memperkirakan pengguna akan menelusuri dalam beberapa bahasa, Anda harus menerapkan kontrol sinonim untuk memetakan kueri mereka ke bahasa dasar katalog Anda.

Mengapa penelusuran saya difilter secara tidak benar menurut kategori?

Periksa nama kategori Anda untuk karakter ini: >. Karakter ini hanya digunakan sebagai pemisah hierarki (seperti Clothing > Mens). Jika muncul di nama kategori Anda secara default, karakter ini akan merusak filter dan harus diganti.

Hasil prediksi

Berikut adalah pertanyaan umum (FAQ) tentang hasil prediksi.

Apakah ada batasan jumlah prediksi yang dapat saya tampilkan?

Secara default, permintaan prediksi menampilkan 20 item dalam respons. Jumlah ini dapat ditambah atau dikurangi dengan mengirimkan nilai untuk pageSize.

Jika Anda perlu mengembalikan lebih dari 100 item, hubungi Dukungan Google. Perhatikan bahwa menampilkan lebih dari 100 item dapat meningkatkan latensi respons.

Dapatkah saya melihat alasan model membuat rekomendasi produk tertentu?

Tidak.

Dapatkah saya mendownload dan meng-cache hasil prediksi?

Karena hasil prediksi meningkat secara real-time sebagai respons terhadap aktivitas pengguna di situs Anda, sebaiknya jangan gunakan prediksi yang di-cache. Model dilatih ulang setiap hari untuk menyertakan perubahan pada katalog Anda dan bereaksi terhadap tren baru.

Di pihak kami, penggunaan hasil penelusuran dan penjelajahan yang di-cache melanggar persyaratan privasi data pelanggan. Tindakan ini akan memicu mekanisme deteksi cache, yang otomatis menghapus personalisasi.

Secara lebih luas, Anda dapat meng-cache gambar dan detail produk, asalkan Anda tidak meng-cache hasil penelusuran untuk kueri tertentu dan Anda mengirim kueri baru untuk setiap permintaan penelusuran.

Saya perlu melakukan pemeringkatan ulang pada rekomendasi yang ditampilkan berdasarkan aturan bisnis. Apakah ini didukung?

Ya. Namun, meskipun Anda dapat melakukan pemeringkatan ulang rekomendasi yang ditampilkan berdasarkan aturan bisnis, perlu diketahui bahwa mengurutkan ulang atau memfilter hasil yang direkomendasikan dapat mengurangi efektivitas model secara keseluruhan. Pemeringkatan ulang harga tersedia sebagai penyesuaian bawaan untuk model Lainnya yang Mungkin Anda Sukai dan Direkomendasikan untuk Anda. Lihat Peringkat ulang harga.

Apakah ada batasan jumlah tag filter yang dapat saya buat dan gunakan?

Tidak ada batasan mutlak untuk jumlah tag unik. Namun, sistem ini tidak dirancang untuk menangani banyak tag filter per item. Sebaiknya batasi tag filter hingga maksimum 10 per item katalog jika memungkinkan. Batas total tag di seluruh katalog adalah 100.000.000. Lihat kuota dan batas.

Dapatkah saya mendiversifikasi rekomendasi?

Ya. Diversifikasi rekomendasi dapat ditentukan sebagai bagian dari konfigurasi penayangan atau dalam parameter permintaan prediksi.

Dapatkah saya memprioritaskan rekomendasi berdasarkan harga?

Ya. Pengurutan ulang harga menyebabkan produk yang direkomendasikan dengan probabilitas rekomendasi yang serupa diurutkan berdasarkan harga, dengan item berharga tertinggi terlebih dahulu.

Fitur percakapan

Berikut adalah pertanyaan umum (FAQ) tentang fitur percakapan, pemfilteran produk, dan commerce AI Commerce Search.

Bagaimana sesi percakapan dipertahankan, dan bagaimana cara memperbarui konteks?

Sesi percakapan dipertahankan menggunakan ID percakapan yang ditampilkan dalam respons agen percakapan. Anda harus meneruskan ID percakapan ini di semua permintaan berikutnya dalam percakapan yang sama. Untuk memuat ulang atau memulai percakapan baru, mulai permintaan API baru tanpa ID percakapan.

Bagaimana pengaruh API streaming terhadap penerapan dan pengalaman pengguna saya?

Sifat streaming berarti Anda dapat langsung menerima jenis kueri. Dengan begitu, Anda dapat membedakan antara kueri yang memiliki respons teks percakapan dan kueri yang tidak memiliki respons teks percakapan seperti SIMPLE_PRODUCT_SEARCH. Untuk SIMPLE_PRODUCT_SEARCH, Anda dapat langsung memicu panggilan ke Search API inti.

Mengapa searchParams di ConversationalSearchRequest penting untuk mencerminkan panggilan API Penelusuran inti saya?

Anda ingin mempertahankan konsistensi di searchParams, seperti filter, tata urutan, dan aturan peningkatan. Mempertahankan konsistensi membantu memastikan bahwa jawaban percakapan atau kueri yang disaring yang disediakan oleh API selaras dengan hasil produk sebenarnya yang ditampilkan kepada pengguna.

Jika penelusuran produk dasar terdeteksi, apakah percakapan akan berakhir? Dapatkah pengguna kembali ke mode percakapan lainnya?

Percakapan tidak berakhir. ID percakapan tetap valid. Retailer dapat mendesain UX mereka untuk mempertahankan jendela chat dan memungkinkan pengguna melanjutkan percakapan. Kemampuan untuk "kembali" bergantung pada pilihan implementasi UX spesifik ini.

Data apa yang disimpan Conversational API untuk konteks percakapan, dan untuk berapa lama?

Untuk mempertahankan alur percakapan, Conversational API menyimpan kueri pengguna, respons teks percakapan, dan pertanyaan lanjutan. Informasi kontekstual ini disimpan selama tujuh hari.

Mengapa Conversational API tidak memberikan jawaban yang disarankan untuk pertanyaan lanjutan, seperti yang dilakukan pemfilteran produk percakapan?

Meskipun memberikan jawaban yang disarankan untuk pertanyaan lanjutan tidak didukung, kami berencana untuk menyediakan kemampuan ini. Nantikan kabar terbaru.

Bagaimana Conversational API menggunakan caching untuk performa dan konteks?

Conversational API meng-cache jenis kueri dan kueri penelusuran yang disaring untuk pelanggan dan project tertentu hingga 10 hari. Artinya, jika kueri yang sama diulang, sistem dapat dengan cepat mengambil intent dan penyempurnaan yang disarankan.

Model machine learning

Berikut adalah pertanyaan umum (FAQ) tentang model.

Saya telah mengupload katalog & peristiwa, tetapi masih mendapatkan respons ini saat memanggil API prediksi: Model rekomendasi belum siap.

Anda dapat menetapkan 'dryRun' ke true dalam permintaan prediksi untuk tujuan integrasi, yang menampilkan item katalog arbitrer dari Katalog Anda (JANGAN gunakan ini untuk traffic produksi)."

Hal ini biasanya berarti model Anda belum selesai dilatih. Jika sudah lebih dari 10 hari sejak Anda membuat model dan Anda terus mendapatkan respons ini, hubungi Dukungan.

Berapa lama waktu yang diperlukan untuk melatih model?

Pelatihan dan penyesuaian model awal memerlukan waktu 2-5 hari untuk diselesaikan, tetapi dapat memerlukan waktu lebih lama untuk set data yang besar. Selanjutnya, model akan otomatis dilatih ulang setiap hari kecuali jika dinonaktifkan. Lihat Menjeda dan melanjutkan pelatihan untuk model.

Dapatkah saya mendownload atau mengekspor model?

Tidak.

Dapatkah saya menggunakan model yang saya buat di project yang ada dalam project baru?

Tidak. Anda perlu membuat dan melatih ulang model di project baru.

Saya ingin menggunakan model untuk halaman kategori saya. Bisakah saya melakukannya?

Ya. Direkomendasikan untuk Anda berguna di halaman kategori. Halaman kategori mirip dengan halaman beranda, tetapi Anda hanya menampilkan item dari kategori tersebut. Anda dapat melakukannya menggunakan model Direkomendasikan untuk Anda standar dengan tag filter. Misalnya, Anda dapat menambahkan tag filter yang disesuaikan (sesuai dengan setiap halaman kategori) ke item di katalog Anda. Saat Anda mengirim permintaan prediksi, tetapkan objek peristiwa pengguna sebagai category-page-view dan tentukan tag halaman kategori tertentu di kolom filter. Hanya hasil rekomendasi yang cocok dengan tag filter yang diminta yang akan ditampilkan. Keberagaman harus dinonaktifkan dalam kasus penggunaan ini, karena keberagaman dapat bertentangan dengan tag filter berbasis kategori.

Dapatkah saya menonaktifkan personalisasi untuk model saya?

Secara default, hasil prediksi dipersonalisasi untuk jenis model rekomendasi Lainnya yang Mungkin Anda Sukai, Direkomendasikan untuk Anda, dan Beli Lagi.

Sebaiknya jangan nonaktifkan personalisasi. Jika memerlukan hasil yang tidak dipersonalisasi, Anda dapat menggunakan ID pengunjung unik acak dalam permintaan prediksi.

AI Commerce Search di konsol Gemini Enterprise for Customer Experience

Berikut adalah pertanyaan umum (FAQ) tentang penggunaan AI Commerce Search di konsol Gemini Enterprise for Customer Experience.

Saya menghapus sejumlah peristiwa, tetapi dasbor masih menampilkan jumlah untuk jenis peristiwa tersebut.

Hal ini sudah diperkirakan. Dasbor AI Commerce Search di Gemini Enterprise for Customer Experience menampilkan jumlah peristiwa yang diserap selama jangka waktu tertentu; dasbor ini tidak menampilkan jumlah atau jumlah peristiwa saat ini.

Umumnya, Anda harus membiarkan peristiwa pengguna tetap ada setelah dicatat. Sebaiknya jangan menghapus permanen peristiwa. Jika Anda perlu menghapus permanen peristiwa, lihat dokumentasi untuk Menghapus peristiwa pengguna.

Bagaimana cara mengetahui apakah ada error pada katalog atau peristiwa pengguna saya?

Sebagian besar panggilan API menampilkan error jika ada masalah dengan sintaksis. Dasbor AI Commerce Search di Gemini Enterprise for Customer Experience menampilkan persentase peristiwa yang tidak digabungkan, yang juga merupakan metrik yang berguna. Cloud Monitoring dan Cloud Logging dapat digunakan untuk memantau status peristiwa.

Mengapa konfigurasi penayangan rekomendasi saya ditampilkan sebagai tidak aktif? Bagaimana cara mengaktifkannya?

Untuk menggunakan konfigurasi penayangan rekomendasi, Anda harus mengirimkan katalog dan data peristiwa pengguna terlebih dahulu untuk melatih model yang sesuai. Setelah model dilatih, dasbor akan menunjukkan bahwa model siap untuk dikueri.

Dalam mata uang apa AI Commerce Search di Gemini Enterprise for Customer Experience melaporkan metrik pendapatan?

AI Commerce Search di Gemini Enterprise for Customer Experience melaporkan metrik dalam mata uang yang digunakan dalam data yang Anda upload. AI Commerce Search tidak mendukung penggunaan beberapa mata uang per katalog dan tidak mengonversi mata uang.