Membuat rekomendasi film yang dipersonalisasi

Menyiapkan set data

Buka Google Cloud console, pilih project Google Cloud Anda. Catat project ID di kartu Project info di halaman dasbor. Anda akan memerlukan project ID untuk langkah-langkah berikut. Selanjutnya, klik tombol Activate Cloud Shell di bagian atas Konsol.

Sesi Cloud Shell akan terbuka di dalam frame baru di bagian bawah Google Cloud konsol dan menampilkan perintah command line.

Mengimpor set data

1. Dengan menggunakan Cloud Shell, download dan ekstrak set data sumber:

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

2. Buat bucket Cloud Storage dan upload data ke dalamnya:

   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. Buat set data BigQuery:

   bq mk movielens
   

4. Muat movies.csv ke dalam tabel BigQuery film baru:

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

5. Muat ratings.csv ke dalam tabel BigQuery rating baru:

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

Membuat tampilan BigQuery

1. Buat tampilan yang mengonversi tabel film menjadi skema katalog produk 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
   

   Sekarang tampilan baru memiliki skema yang diharapkan oleh Vertex AI Search untuk commerce. Kemudian, dari sidebar kiri, pilih BIG DATA -> BigQuery. Kemudian, dari panel penjelajah di sebelah kiri, luaskan nama project Anda dan pilih movielens -> products untuk membuka halaman kueri untuk tampilan ini.

   

2. Sekarang, konversi rating film menjadi peristiwa pengguna. Kami akan:

   • Mengabaikan rating film negatif (<4)
   • Perlakukan setiap rating positif sebagai peristiwa penayangan halaman produk (detail-page-view)
   • Ubah skala linimasa Movielens menjadi 90 hari terakhir. Kami melakukannya karena dua alasan:
     • Vertex AI Search untuk commerce mengharuskan peristiwa pengguna tidak lebih lama dari tahun 2015. Rating Movielens berasal dari tahun 1995.
     • Vertex AI Search untuk e-commerce menggunakan peristiwa pengguna dalam 90 hari terakhir saat menayangkan permintaan prediksi untuk pengguna. Setiap pengguna akan tampak memiliki peristiwa terbaru saat kita membuat prediksi untuk pengguna mana pun di kemudian hari.

   Buat tampilan BigQuery. Perintah berikut menggunakan kueri SQL yang memenuhi persyaratan konversi yang tercantum sebelumnya.

   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
   

Mengimpor katalog produk dan peristiwa pengguna

Sekarang kita siap mengimpor katalog produk dan data peristiwa pengguna ke Vertex AI Search untuk e-commerce.

1. Aktifkan API Vertex AI Search for commerce untuk project Google Cloud Anda.

   AKTIFKAN API

2. Klik Mulai.

3. Buka halaman Data> di konsol Search for commerce.
   
   Buka halaman Data

4. Klik Import.

Mengimpor katalog produk

1. Isi formulir untuk mengimpor produk dari tampilan BigQuery yang Anda buat sebelumnya:

   • Pilih jenis impor: Katalog Produk.
   • Pilih nama cabang default.
   • Pilih sumber data: BigQuery.
   • Pilih skema data: Skema Produk Retail.

   • Masukkan nama tampilan BigQuery produk yang Anda buat sebelumnya (PROJECT_ID.movielens.products).

2. Klik Import.

3. Tunggu hingga semua produk diimpor, yang akan memakan waktu 5–10 menit.

   Anda dapat memeriksa aktivitas impor untuk mengetahui status operasi impor. Setelah impor selesai, status operasi impor akan berubah menjadi Berhasil.

   

Mengimpor peristiwa pengguna

1. Impor tampilan BigQuery user_events:

   • Pilih jenis impor: Peristiwa Pengguna.
   • Pilih sumber data: BigQuery.
   • Pilih skema data: Skema Peristiwa Pengguna Retail.
   • Masukkan nama tampilan BigQuery user_events yang Anda buat sebelumnya.

2. Klik Import.

3. Tunggu hingga minimal satu juta peristiwa diimpor sebelum melanjutkan ke langkah berikutnya, untuk memenuhi persyaratan data guna melatih model baru.

   Anda dapat memeriksa aktivitas impor untuk mengetahui status operasi. Proses ini memerlukan waktu sekitar satu jam.

   

Melatih dan mengevaluasi model rekomendasi

Ikuti petunjuk ini untuk melatih dan mengevaluasi model rekomendasi.

Membuat model rekomendasi

1. Buka halaman Model di konsol Search for Commerce.
   
   Buka halaman Models

2. Klik Buat model:

   • Beri nama model.
   • Pilih Produk lain yang mungkin Anda sukai sebagai jenis model.
   • Pilih Rasio klik-tayang (CTR) sebagai tujuan bisnis.

3. Klik Buat.

   

   Model baru Anda mulai dilatih.

   

Membuat konfigurasi inferensi

1. Buka halaman Serving Configs di konsol Penelusuran untuk e-commerce.
   
   Buka halaman Konfigurasi penayangan

2. Klik Create serving config:

   • Pilih Rekomendasi.
   • Beri nama konfigurasi penayangan.
   • Pilih model yang Anda buat.

3. Klik Buat.

Tunggu hingga model berstatus "Siap membuat kueri"

Model memerlukan waktu sekitar dua hari untuk dilatih dan siap untuk membuat kueri.

Untuk melihat statusnya, klik konfigurasi penayangan yang dibuat di halaman Konfigurasi penayangan.

Kolom Model siap untuk membuat kueri menunjukkan Ya jika prosesnya selesai.

Pratinjau rekomendasi

Setelah model siap untuk dikueri:

1. Buka halaman Serving Configs di konsol Penelusuran untuk e-commerce.
   
   Buka halaman Konfigurasi penayangan
2. Klik nama konfigurasi penayangan untuk membuka halaman detailnya.
3. Klik tab *Evaluate.

4. Masukkan ID film awal, seperti 4993 untuk "The Lord of the Rings: The Fellowship of the Ring (2001)".

   

5. Klik Pratinjau prediksi untuk melihat daftar item yang direkomendasikan di sebelah kanan halaman.