点击清单中的每个条目，即可查看有关如何继续操作的更多详细信息。完成每个入门步骤后，请勾选对应的复选框。按照这些步骤操作，您可以提高推荐功能实现的整体效果。
属性数据
属性过滤限制：鉴于属性过滤限制为 10，请优先选择最重要的属性。分析所选自定义属性中的模式，并将类似的相关属性添加到目录中。确保目录中属性过滤键的覆盖率较高，以便进行有效过滤并优化推荐。
最大限度地发挥属性的影响：请勿删除或停用属性，因为这可能会影响模型。为更多产品填写这些字段，以提高自动选择的属性的覆盖率。
检查属性设置：推荐功能使用可过滤的属性设置，这些设置可用于推荐过滤表达式。此控件仅适用于文本属性。
类别
监控类别分布，并处理过度表示的类别。高质量的商品类别支持基于规则的多样性，以便推荐来自各种类别的产品。
缺货率
保持较低的缺货率（理想情况下低于 90%），以避免推荐出现偏差并确保结果的相关性。如果您的产品大部分为 OUT_OF_STOCK (OOS)，则预测响应中会有许多 OOS 产品，并且在添加过滤条件后，召回数量会减少。使用 patchProduct API 或带有 readMask 的导入 API，尽可能使 Product.availability 字段保持最新状态。
变体和主要详细信息
确保主要产品和多款式商品都具有完整且准确的详细信息。考虑产品的 SKU 结构，并相应地将产品指定为主要产品或变体产品。优先确保主要产品和多款式商品的 product.categories、product.title、product.attributes 和 product.prices 的准确性和完整性。
在确定哪些产品或产品组是主要产品，哪些是变体产品时，请务必仔细考虑。
主要产品和变体产品有时被称为父项和子项。
主要产品和变体的价格
准确填写主要产品和多款式商品的价格信息，以确保推荐和过滤的准确性。如果产品没有产品级价格，并且所有价格始终与本地商品目录相关联，则在产品级价格信息中填写所有广告资源级价格的中位数价格信息。
数据上传频率
请注意，模型大约每六个小时会提取一次新商品信息。
理想情况下，您应使用定期目录导入来定期（每小时或每天，最好是实时）更新目录，以防止模型质量随时间推移而降低。
在黑色星期五和网络星期一等高峰活动期间，请确保您的数据注入流水线能够处理整个目录中的快速价格变化。
每个分支的上传不一致
确保各个分支的商品上传一致，以避免某些查询缺少商品信息，这可能会降低模型质量。
您可以将数据导入不同分支，以便暂存和预览推荐或预测结果。
过滤条件和多样性设置之间的平衡
优化应用的过滤条件数量与多样性设置之间的平衡。使用数据驱动的多样性来生成推荐结果，以平衡相关性和多样性。数据驱动的多样性会从商品清单元数据（例如标题或类别）中学习。
您可以将 diversityLevel 设置为 RULE_BASED_DIVERSITY、DATA_DRIVEN_DIVERSITY、no-diversity、low-diversity、medium-diversity、high-diversity 或 auto-diversity 等值，根据商品类别调整预测结果。
RULE_BASED_DIVERSITY会根据商品类别使推荐结果多样化。DATA_DRIVEN_DIVERSITY会根据从产品元数据中学习到的内容使推荐多样化，以平衡相关性和类别多样性。
价格重排序参数
您可以使用 priceRerankLevel 参数根据产品价格调整预测结果，该参数提供“无”、“低”、“中”或“最高价”价格重排序选项。
允许的值包括 no-price-reranking（如果未设置，则为默认值）、low-price-reranking、medium-price-reranking 和 high-price-reranking。
用户事件中的错误过滤数据
确保用户事件中的多字过滤条件与目录完全匹配，包括大小写（OnePiece 与 One-Piece 之间的区别）。
准确使用过滤条件对于获得最佳动态分面效果至关重要。模型会根据预测请求中存在的过滤条件推断分面的受欢迎程度。
事件要求
对于所有事件类型（按模型类型），请确保有足够的事件数量。
确保提取的事件是可归因的，也就是说，时间戳、访问者 ID 和产品 ID 详细信息应准确无误，以便模型进行训练。这意味着，模型应能够根据事件构建用户历程。
在创建模型时，请查看文档或 Gemini Enterprise for Customer Experience 中的 AI Commerce Search，了解每种模型类型的事件要求。
每个产品的平均展示次数
对于所有事件类型（按模型类型），目标是每个产品 ID 的平均展示次数大于 10。一到两周的详细页面浏览量足以开始训练“您可能喜欢的其他商品”和“为您推荐”模型。
购买平均订单大小
确保购买平均订单大小大于 1，不包括商品数量（如果适用）。请勿将含有多件商品的购物篮展平到多个购买事件中。请将其保留为包含多个商品的单个购买事件。
检查某些购买事件是否包含多个产品，因为这有助于模型学习共同购买模式，尤其是对于“经常一起购买的商品”等模型。
API 响应：搜索和推荐不同
AI Commerce Search 的一个主要区别在于，Search API 和 Recommendations API 如何在其响应中处理产品变体。了解这种差异对于实现至关重要。
搜索响应包含特定产品变体；推荐响应不包含。
- 搜索：当用户提交查询（例如“红色跑鞋 10 码”）时，API 会返回主要产品列表以及前五个匹配变体的详细信息。用户的查询提供了必要的上下文，用于识别最相关的变体并对其进行排名。
- 推荐：“经常一起购买的商品”或“为您推荐”等模型的响应有意仅返回主要产品 ID。这些推荐是广泛的，缺乏特定的用户查询来指导变体选择。
这种设计让开发者可以灵活地实现自己的变体选择逻辑。由于没有指导查询，您可以根据自己的业务规则控制显示哪个变体，例如显示畅销商品、库存最高的变体或促销商品。这种有意设计可确保最终推荐与您的特定电子商务策略保持一致。
“为您推荐”或“您可能喜欢的其他商品”等个性化模型在适应用户的即时操作时最有效。这种响应能力的关键在于如何处理用户互动数据或事件。
- 实时个性化 ：此方法利用连续的用户事件流，例如点击或添加到购物车。通过实时提取这些事件，推荐模型可以立即根据用户最近的兴趣定制其输出。这可确保建议始终是新鲜的且高度相关。
- 模型训练与个性化 ：区分核心模型和个性化层非常重要。
- 模型训练 ：AI Commerce Search 中的底层推荐模型通常每天重新训练，从所有历史数据中学习。
- 实时个性化 ：这发生在训练后的模型之上。每次 API 调用都会计算出新的个性化推荐，其中包含过去几分钟内发生的用户事件。
- 注入方法很重要 ：个性化的速度与您注入用户事件的方式直接相关。
- 实时提取 ：这对于即时个性化至关重要。如果您的企业需要利用用户即时的意图，那么优先考虑实时事件流至关重要。
- 批量提取 ：使用批量处理会使个性化延迟，延迟时间相当于批量计划的频率。虽然这本身并不坏，但这是一个重要的权衡，需要根据您的业务需求来考虑。
AI 驱动的产品推荐的效果取决于其策略性展示位置。在正确的页面上放置正确的模型对于最大限度地提高用户互动度和实现关键业务指标至关重要。本指南提供了经过验证的 AI Commerce Search 模型放置策略，同时强调了满足您独特业务目标所需的灵活性。
核心推荐模型和展示位置
AI Commerce Search 为不同的购物情境提供专门的模型。下表总结了我们的主要模型及其推荐的展示位置，以实现最大影响。
| 电子商务页面 | 主要目标 | 页面的最佳模型 | 备用模型 1 | 备用模型 2 |
|---|---|---|---|---|
| 产品详情页面 | 显示类似或替代商品 | 您可能喜欢的其他商品 | 经常一起购买的商品 | 类似商品 |
| 首页 / 类别页面 | 个性化发现 | 为您推荐 | 再次购买 | 促销 |
| 购物车页面 | 提高平均订单价值 | 经常一起购买的商品 | 为您推荐 | 促销 |
- 为您推荐：利用用户的历史数据打造个性化体验。将其放置在首页或类别页面上，可立即通过量身定制的建议吸引回头客。
- 您可能喜欢的其他商品：此模型非常适合产品详情页面，可向用户展示与正在浏览的产品类似或替代的商品。它是推动产品发现的关键工具，可以针对点击率 (CTR) 或收入进行优化。
- 经常一起购买的商品：旨在通过推荐互补产品来提高平均订单价值。它在产品详情页面以及购物车或结账流程中最有效，可提示用户购买逻辑附加商品。
A/B 测试，用于做出数据驱动的决策
虽然这些准则提供了坚实的基础，但 A/B 测试对于验证适合特定受众群体的最佳策略至关重要。例如，您可以测试“您可能喜欢的其他商品”或“经常一起购买的商品”在产品详情页面上的效果是否更好，方法是将每个模型提供给不同的用户群组。
通过跟踪每个群组的转化率和收入等关键绩效指标，您可以根据数据做出有关部署哪个模型的决策。这种经验方法消除了猜测，并确保您的展示位置策略根据您的业务目标进行了微调。
平衡准则与业务需求
您可以将这些建议作为起点。AI Commerce Search 的灵活性允许进行自定义，以满足特定的战略目标。不过，对于没有预先存在的展示位置策略的企业，这些经过实践检验的准则提供了一条可靠的成功之路。通过周到地放置模型并通过测试不断优化方法，您可以打造更具吸引力且更具盈利能力的电子商务体验。