Creare consigli personalizzati per i film

Prepara il set di dati

Apri la consoleGoogle Cloud , seleziona il tuo progetto Google Cloud . Prendi nota dell'ID progetto nella scheda Informazioni sul progetto nella pagina della dashboard. Avrai bisogno dell'ID progetto per i passaggi successivi. Poi, fai clic sul pulsante Attiva Cloud Shell nella parte superiore della console.

All'interno di un nuovo frame nella parte inferiore della console Google Cloud si apre una sessione di Cloud Shell e viene visualizzato un prompt della riga di comando.

Importa il set di dati

1. Utilizzando Cloud Shell, scarica e decomprimi il set di dati di origine:

   wget https://files.grouplens.org/datasets/movielens/ml-latest.zip
   unzip ml-latest.zip
   

2. Crea un bucket Cloud Storage e carica i dati al suo interno:

   gcloud storage buckets create gs://PROJECT_ID-movielens-data
   gcloud storage cp ml-latest/movies.csv ml-latest/ratings.csv \
     gs://PROJECT_ID-movielens-data
   

3. Crea un set di dati BigQuery:

   bq mk movielens
   

4. Carica movies.csv in una nuova tabella BigQuery dei film:

   bq load --skip_leading_rows=1 movielens.movies \
     gs://PROJECT_ID-movielens-data/movies.csv \
     movieId:integer,title,genres
   

5. Carica ratings.csv in una nuova tabella BigQuery delle valutazioni:

   bq load --skip_leading_rows=1 movielens.ratings \
     gs://PROJECT_ID-movielens-data/ratings.csv \
     userId:integer,movieId:integer,rating:float,time:timestamp
   

Crea le viste BigQuery

1. Crea una vista che converta la tabella dei film nello schema del catalogo dei prodotti retail:

   bq mk --project_id=PROJECT_ID \
    --use_legacy_sql=false \
    --view '
    SELECT
      CAST(movieId AS string) AS id,
      SUBSTR(title, 0, 128) AS title,
      SPLIT(genres, "|") AS categories
    FROM `PROJECT_ID.movielens.movies`' \
   movielens.products
   

   Ora la nuova vista ha lo schema previsto da Vertex AI Search for Commerce. Poi, nella barra laterale sinistra, scegli BIG DATA -> BigQuery. Quindi, dalla barra di Explorer a sinistra, espandi il nome del progetto e seleziona movielens -> products per aprire la pagina di query per questa vista.

   

2. Ora converti le valutazioni dei film in eventi utente. Saremo felici di:

   • Ignora le valutazioni negative dei film (<4)
   • Considera ogni valutazione positiva come un evento di visualizzazione della pagina di prodotto (detail-page-view)
   • Ridimensiona la cronologia di Movielens negli ultimi 90 giorni. Lo facciamo per due motivi:
     • Vertex AI Search for Commerce richiede che gli eventi utente non siano precedenti al 2015. Le valutazioni di Movielens risalgono al 1995.
     • Vertex AI Search for Commerce utilizza gli eventi utente degli ultimi 90 giorni quando pubblica richieste di previsione per un utente. Ogni utente sembrerà avere eventi recenti quando in un secondo momento faremo previsioni per qualsiasi utente.

   Crea una vista BigQuery. Il seguente comando utilizza una query SQL che soddisfa i requisiti di conversione elencati in precedenza.

   bq mk --project_id=PROJECT_ID \
    --use_legacy_sql=false \
    --view '
    WITH t AS (
      SELECT
        MIN(UNIX_SECONDS(time)) AS old_start,
        MAX(UNIX_SECONDS(time)) AS old_end,
        UNIX_SECONDS(TIMESTAMP_SUB(
          CURRENT_TIMESTAMP(), INTERVAL 90 DAY)) AS new_start,
        UNIX_SECONDS(CURRENT_TIMESTAMP()) AS new_end
      FROM `PROJECT_ID.movielens.ratings`)
    SELECT
      CAST(userId AS STRING) AS visitorId,
      "detail-page-view" AS eventType,
      FORMAT_TIMESTAMP(
        "%Y-%m-%dT%X%Ez",
        TIMESTAMP_SECONDS(CAST(
          (t.new_start + (UNIX_SECONDS(time) - t.old_start) *
            (t.new_end - t.new_start) / (t.old_end - t.old_start))
        AS int64))) AS eventTime,
      [STRUCT(STRUCT(movieId AS id) AS product)] AS productDetails,
    FROM `PROJECT_ID.movielens.ratings`, t
    WHERE rating >= 4' \
   movielens.user_events
   

Importa il catalogo dei prodotti e gli eventi utente

Ora siamo pronti per importare il catalogo prodotti e i dati degli eventi utente in Vertex AI Search per l'e-commerce.

1. Abilita l'API Vertex AI Search for Commerce per il tuo progetto Google Cloud .

   ABILITARE L'API

2. Fai clic su Inizia.

3. Vai alla pagina Dati nella console Cerca per il commercio.
   
   Vai alla pagina Dati

4. Fai clic su Importa.

Importa catalogo dei prodotti

1. Compila il modulo per importare i prodotti dalla vista BigQuery che hai creato in precedenza:

   • Seleziona il tipo di importazione: Catalogo dei prodotti.
   • Seleziona il nome del branch predefinito.
   • Seleziona l'origine dei dati: BigQuery.
   • Seleziona lo schema dei dati: Schema prodotto vendita al dettaglio.

   • Inserisci il nome della vista BigQuery dei prodotti che hai creato in precedenza (PROJECT_ID.movielens.products).

2. Fai clic su Importa.

3. Attendi che siano stati importati tutti i prodotti. L'operazione dovrebbe richiedere 5-10 minuti.

   Puoi controllare l'attività di importazione per lo stato dell'operazione di importazione. Quando l'importazione viene completata, lo stato dell'operazione diventa Riuscito.

   

Importa gli eventi utente

1. Importa la vista BigQuery user_events:

   • Seleziona il tipo di importazione: Eventi utente.
   • Seleziona l'origine dei dati: BigQuery.
   • Seleziona lo schema dei dati: Schema eventi utente retail.
   • Inserisci il nome della vista BigQuery user_events che hai creato in precedenza.

2. Fai clic su Importa.

3. Attendi che sia stato importato almeno un milione di eventi prima di andare al passaggio successivo, in modo da soddisfare i requisiti dei dati per l'addestramento di un nuovo modello.

   Puoi controllare l'attività di importazione per lo stato dell'operazione. Il completamento del processo richiede circa un'ora.

   

Addestra e valuta i modelli di suggerimenti

Segui queste istruzioni per addestrare e valutare i modelli di suggerimenti.

Crea un modello di suggerimenti

1. Vai alla pagina Modelli nella console Search for commerce.
   
   Vai alla pagina Modelli

2. Fai clic su Crea modello:

   • Assegna un nome al modello.
   • Seleziona Altri che ti potrebbero piacere come tipo di modello.
   • Scegli Percentuale di clic (CTR) come obiettivo commerciale.

3. Fai clic su Crea.

   

   L'addestramento del nuovo modello inizia.

   

Crea una configurazione di pubblicazione

1. Vai alla pagina Configurazioni di pubblicazione nella console Search for Commerce.
   
   Vai alla pagina Configurazioni di pubblicazione

2. Fai clic su Crea configurazione di pubblicazione:

   • Seleziona Consiglio.
   • Assegna un nome alla configurazione di pubblicazione.
   • Seleziona il modello che hai creato.

3. Fai clic su Crea.

Attendi che il modello sia "Pronto per le query"

Sono necessari circa due giorni prima che il modello venga addestrato e possa ricevere query.

Per visualizzare lo stato, fai clic sulla configurazione di pubblicazione creata nella pagina delle configurazioni di pubblicazione.

Il campo Modello pronto per ricevere query indica Sì al termine del processo.

Visualizza un'anteprima dei suggerimenti

Quando il modello è pronto per ricevere query:

1. Vai alla pagina Configurazioni di pubblicazione nella console Search for Commerce.
   
   Vai alla pagina Configurazioni di pubblicazione
2. Fai clic sul nome della configurazione di pubblicazione per passare alla relativa pagina dei dettagli.
3. Fai clic sulla scheda *Valuta.

4. Inserisci un ID film di riferimento, ad esempio 4993 per "Il Signore degli Anelli: La Compagnia dell'Anello (2001)".

   

5. Fai clic su Anteprima della previsione per visualizzare l'elenco degli elementi consigliati sulla destra della pagina.