Un modelo de popularidad calcula una puntuación de popularidad estática para cada producto o documento en su índice, con base en el comportamiento histórico de los usuarios. Estos modelos usan algoritmos de ordenamiento para calcular y cuantificar la calidad estática y la popularidad de cada elemento. Los modelos se basan en cómputo offline y funcionan tanto en escenarios comerciales como no comerciales. Cualquier caso de uso de búsqueda donde se requiera que el contenido con mayor interacción aparezca en posiciones más altas de los resultados puede beneficiarse de un modelo de popularidad.
Ejemplos:
Un sitio de comercio electrónico clasifica camisetas según el número de compras y adiciones al carrito en los últimos 7 días.
Una plataforma de contenido clasifica artículos según la combinación de vistas y "me gusta" durante los últimos 30 días.
Un mercado B2B clasifica proveedores según el recuento de impresiones y la tasa de conversión en los últimos 14 días.
Cada aplicación admite un máximo de cinco modelos de popularidad.
Funcionamiento
Un modelo de popularidad asigna una puntuación a cada elemento al combinar señales en cuatro dimensiones:
|
Dimensión |
Opciones |
|
Entidad |
Producto o documento, marca, comerciante, categorías hoja, categorías de nivel 1 |
|
Periodo de tiempo |
1 día, 3 días, 7 días, 14 días, 30 días, ponderación por decaimiento temporal |
|
Comportamiento |
Exposición, clic, agregar a favoritos, agregar al carrito, compra, comentarios, "me gusta" |
|
Estadísticas |
Recuento, número de clientes, frecuencia, tasa de clics (CTR), tasa de conversión |
Defina cada función al seleccionar uno o dos elementos de cada dimensión. El número total de funciones que puede definir equivale al producto cartesiano de las cuatro dimensiones.
Ejemplos de funciones:
Número de veces (estadística: recuento) que un producto (entidad) recibió una exposición (comportamiento) en el último día (periodo de tiempo).
Volumen de ventas (comportamiento + estadísticas) del comerciante (entidad) al que pertenece un producto, durante los últimos 30 días (periodo de tiempo).
Después del entrenamiento, el modelo genera una única puntuación de popularidad por elemento. Aplique dicha puntuación a una directiva de ordenamiento para que los resultados de búsqueda reflejen tanto la relevancia como la interacción real de los usuarios.
Crear y aplicar un modelo de popularidad
Siga estos tres pasos para usar un modelo de popularidad:
Cree un modelo.
Entrene el modelo y revise el informe de datos.
Aplique la puntuación de popularidad a una directiva de ordenamiento.
Crear un modelo de popularidad
Inicie sesión en la consola de OpenSearch. En el panel de navegación izquierdo, seleccione Search Algorithm Center > Sort Configuration. En el panel izquierdo, haga clic en Popularity Model Management y luego en Create.
-
Introduzca un nombre para el modelo y haga clic en Submit.
En la página de creación del modelo de popularidad, seleccione la Target Application (por ejemplo,
medical) e introduzca un Model Name (por ejemplo,test_02). El nombre del modelo debe tener entre 1 y 30 caracteres, comenzar con una letra, contener letras mayúsculas, minúsculas, dígitos y guiones bajos, y ser diferente a los nombres de sus otros modelos. Para preparar los datos, use el SDK de recopilación de datos a fin de cargar datos de comportamiento, como exposiciones y clics, y asegúrese de que la aplicación reciba suficiente tráfico. Una vez completado el formulario, haga clic en Submit. -
Después de enviar el formulario, se le redirigirá a una página de confirmación. Regrese a la página de Popularity Model Management.
La página muestra el mensaje de éxito Popularity Model Created y enumera las operaciones disponibles a continuación:
Revise el Data Report para confirmar que la calidad de los datos cumple con los requisitos.
Evalúe el modelo mediante Search Test o A/B Test.
Aplique la puntuación de popularidad en la configuración de ordenamiento.
Haga clic en Done.
Localice el modelo creado y haga clic en Train en la columna Actions. El estado de la versión más reciente cambiará a Scheduling. Espere a que finalice el entrenamiento.
Gestionar un modelo de popularidad
Página de Popularity Model Management
La página de detalles del modelo de popularidad contiene la siguiente información:
Basic Information: hora de creación, última hora de inicio de entrenamiento, estado del modelo (Available) y estado de la versión más reciente (Trained and ready).
Configuration Information: interruptor de Scheduled Task (habilitado o deshabilitado). Haga clic en Edit Scheduled Task para modificar el ciclo de entrenamiento.
Data Verification: estado de integridad de los datos (Available Data) y nivel de integridad, como
l1. Haga clic en Upgrade Conditions para consultar los detalles.Training History: tabla que muestra la versión del modelo, el estado de la versión, la hora de inicio y la hora de finalización del entrenamiento.
El panel de navegación izquierdo incluye Policy Configuration, Popularity Model Management, Category Prediction Model, CTR Prediction Model y Custom Sorting Model.
Sección Basic Information
Consulte la hora de creación del modelo, su estado actual, la última hora de inicio de entrenamiento y el estado de la versión más reciente.
Sección Configuration Information
La opción Scheduled Task está habilitada de forma predeterminada y entrena el modelo una vez al día. Haga clic en Edit Scheduled Task para establecer un ciclo de entrenamiento personalizado.
Sección Data Verification
Esta sección muestra el estado de integridad de los datos de su aplicación: Available Data o Abnormal Data.
El sistema asigna uno de dos niveles de integridad según la calidad de sus datos:
|
Nivel de integridad |
Descripción |
Condición de actualización |
|
l0 |
Datos completamente no disponibles. Faltan campos principales obligatorios y el volumen de datos es reducido, por lo que no se puede continuar con el procesamiento posterior. |
Se actualiza a l1 cuando las vistas de página de artículo (IPV) superan 100 en las últimas 24 horas. |
|
l1 |
Los campos principales están disponibles y se cumplen las condiciones para el entrenamiento del modelo. |
N/A |
Pasos siguientes
Algorithm surrounding — Referencias de API y SDK