行為資料

有些建議型別會使用購物者的行為資料來訓練機器學習模型，以建立個人化建議。 其他建議型別僅使用目錄資料，不使用任何行為資料。 如果您想要快速啟動，可以使用以下僅限目錄的建議型別：

那麼何時可以開始使用使用使用行為資料的建議型別？ 視情況而定。 這稱為 冷啟動 問題。

此 冷啟動 問題是指模型需要訓練多久才能視為高品質的測量。 在產品建議中，這轉換為等候Adobe Sensei訓練其機器學習模型，然後再將建議單位部署在您的網站上。 這些模型擁有的資料越多，建議就越準確和有用。 收集這些資料需要時間，而且會因流量而異。 由於此資料只能在生產網站上收集，因此請儘早將資料收集部署在該處，符合您的最佳利益。 您可以透過以下方式達成此目的 安裝和設定 此 magento/production-recommendations 模組。

下錶針對收集每種建議型別的足夠資料所需時間提供一些一般指引：

其他可能影響訓練所需時間的變數：

為協助您視覺化每個建議型別的培訓進度， 建立推薦 頁面會顯示整備程度指標。

在生產環境中收集資料並訓練機器學習模型時，您可以實作 剩餘任務 將建議部署至您的店面所需。 當您完成測試和設定建議時，機器學習模型已收集並運算足夠的資料來建置相關建議，因此可讓您將建議部署至店面。

如果大部分SKU的流量（檢視次數、購買的產品、趨勢）不足，則可能沒有足夠的資料來完成學習程式。 這可能會造成管理員中的整備程度指標看起來像是卡住了。
整備程度指標旨在為商家提供另一個資料點，以便選擇哪種推薦型別更適合他們的商店。 數字是參考指標，可能永遠無法達到100%。

備份建議 backuprecs

如果沒有足夠的輸入資料可供在單位中提供所有請求的建議專案，Adobe Commerce會提供備份建議以填入建議單位。 例如，如果您部署 Recommended for you 建議型別到您的首頁，您網站上的首次購物者未產生足夠的行為資料，因此無法精確建議個人化產品。 在此案例中，Adobe Commerce會根據 Most viewed 給此購物者的建議型別。

下列建議型別遞補為 Most viewed 建議型別（如果收集的輸入資料不足）：