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:
More like this
Visual similarity
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:
Most viewed
, Most purchased
, Most added to cart
)Viewed this, viewed that
Viewed this, bought that
, Bought this, bought that
Trending
其他可能影響訓練所需時間的變數:
- 較高的流量有助於加快學習速度
- 有些建議型別的訓練速度比其他建議型別快
- Adobe Commerce每四小時會重新計算一次行為資料。 Recommendations在您的網站上使用的時間越久,其準確性就會越高。
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):
Recommended for you
Viewed this, viewed that
Viewed this, bought that
Bought this, bought that
Trending
Conversion (view to purchase)
Conversion (view to cart)