OpenSearch:Uso de la función de predicción de categorías

Requisitos previos

Antes de empezar, asegúrese de contar con lo siguiente:

• Campos de ID de categoría, título del producto y nombre de categoría configurados como campos de atributo en el esquema de su aplicación.

• (Si usa Commodity Data) Datos de documentos que contengan los campos de ID de categoría, título del producto y nombre de categoría.

• (Si usa Behavior Data) Datos de comportamiento de clics recopilados mediante data collection.

Creación y entrenamiento de un modelo de predicción de categorías

1. En el panel de navegación izquierdo, seleccione Search Algorithm Center > Sort Configuration. En el árbol de navegación, haga clic en Category Prediction Model y luego en Create.

   

2. En la página Create Category Prediction, complete los detalles del modelo.

   Field	Description	Required
   Nombre del modelo	Un nombre para identificar el modelo	Sí
   Data Type	Commodity Data: datos de documentos provenientes de su aplicación. Requiere los campos de ID de categoría, título del producto y nombre de categoría. Behavior Data: datos de comportamiento de clics recopilados.	Sí
   Category ID	Campo que representa el ID de categoría en los documentos de su aplicación. Admite el tipo de datos INT. Debe ser un entero positivo; un valor no positivo provoca un error en el servidor.	Sí
   Commodity Title	Campo que representa el título del producto. Admite los tipos de datos TEXT y LITERAL.	Sí
   Category Name	Campo que representa el nombre de la categoría. Admite los tipos de datos TEXT y LITERAL.	Sí
   Filter Condition	Condición para filtrar los datos de entrenamiento. Los nombres de los campos deben coincidir con los del esquema de la aplicación. Operadores compatibles: <, >, <=, >=, =, !=. Separe varias condiciones con comas (,); todas las condiciones utilizan lógica AND. No se admite la lógica OR. Ejemplo: is_onsale > 0	No

   

3. Haga clic en Completed para ir a la página de detalles del modelo.

   

4. En la página Category Prediction Model, el estado del modelo será Pending Training. Haga clic en Train en la columna Actions para iniciar el entrenamiento.

   

   El modelo pasa por los siguientes estados:

   State	Meaning
   Pending Training	Modelo creado, entrenamiento no iniciado
   Training	El modelo se está entrenando
   Training Failed	El entrenamiento falló debido a un error en los datos
   Not Applied	Entrenamiento completado, aún no se ha referenciado para recuperación u ordenamiento
   Trained and Not Passed	Entrenamiento completado, pero el modelo no pasó la validación del entrenamiento

   Si tiene dudas, envíe un ticket de soporte.

Configuración del análisis de consultas y las expresiones de ordenamiento

Activación de la predicción de categorías en llamadas de API y SDK

La predicción de categorías ordena los resultados de búsqueda únicamente cuando el parámetro raw_query está presente y su valor coincide con la consulta de búsqueda en el índice.

Establezca raw_query con la consulta de búsqueda introducida por el usuario:

raw_query=<search_query>

• Al llamar mediante API: codifique el valor mediante URL_ENCODE.

• Al llamar mediante SDK: no se requiere codificación.

# index3 prediction takes effect (query matches raw_query for index3 only)
query=index2:'index_query' AND index3:'search_query'&raw_query=search_query

# index2 prediction takes effect preferentially;
# if index2 config doesn't apply, index3 takes effect
query=index2:'search_query' AND index3:'search_query'&raw_query=search_query

Límites

• Se pueden crear hasta cinco modelos de predicción de categorías por aplicación.

• Los campos de datos utilizados para entrenar el modelo deben incluirse en los índices donde se aplique la regla de análisis de consultas.

• Antes de crear un modelo, configure el ID de categoría y los campos relacionados como campos de atributo.

• Si una regla de análisis de consultas hace referencia a un modelo de predicción de categorías y la solicitud contiene el parámetro category_prediction, se produce un error.

• Para que la predicción de categorías surta efecto, deben configurarse estos tres elementos: una regla de análisis de consultas que referencie el modelo, una expresión de ordenamiento que contenga la función category_score y el parámetro raw_query en la solicitud.

• Operaciones de API relacionadas: Algorithms

Solución de problemas de fallos en el entrenamiento del modelo

Si el entrenamiento de su modelo de predicción de categorías falla, siga estos pasos para solucionar el problema:

1. Revise el informe de anomalías: En la página de detalles del modelo, consulte Latest Version Status. Si el estado indica un error de datos, abra Anomaly Report para identificar la causa del fallo.

2. Verifique el nivel de integridad: Consulte Completeness Level y las Upgrade Conditions correspondientes. Ajuste sus datos según las condiciones de actualización para mejorar el nivel de integridad.

3. Lógica de datos T-1: El entrenamiento del modelo utiliza datos estadísticos del día anterior (T-1). Cuando un modelo recién creado se entrena por primera vez, el proceso puede fallar con el error "Training field does not exist" porque no hay datos disponibles del día previo. Espere hasta el día siguiente, cuando los datos estén listos, y vuelva a entrenar el modelo.

4. Requisito de volumen de datos: El entrenamiento requiere que el número de consultas únicas del día más reciente supere las 100. El conteo de consultas únicas se refiere al número de solicitudes de búsqueda exitosas que incluyen el parámetro raw_query.

5. Formato de condición de filtro: Si se configuran condiciones de filtro, los nombres de los campos deben coincidir con los campos del esquema de la aplicación. Las condiciones múltiples usan lógica AND y deben separarse con comas (,). Un formato incorrecto puede provocar fallos en el entrenamiento. Ejemplo: is_onsale > 0.

Uso avanzado

Combinación con reconocimiento de entidades nombradas (NER)

Si configura NER junto con la predicción de categorías en una regla de análisis de consultas, se recuperarán más documentos. Los resultados de NER también se utilizan para la recuperación. Si ningún documento coincide con las categorías predichas, se ignoran selectivamente palabras de la consulta de búsqueda para ampliar los resultados; estos resultados más amplios se convierten en la salida final de la predicción de categorías. Para obtener más información, consulte Reconocimiento de entidades nombradas.

Intervención en los resultados de predicción

La intervención le permite anular las predicciones del modelo entrenado, de forma similar a la intervención en el análisis de consultas. Para obtener más información, consulte Intervention dictionaries for category prediction.