All Products
Search

This Product

    OpenSearch:Kamus intervensi untuk prediksi kategori

    Document Center

    OpenSearch:Kamus intervensi untuk prediksi kategori

    Last Updated:Jun 21, 2026

    Penggunaan

    Anda dapat menyesuaikan secara manual hasil model prediksi kategori yang telah dilatih. Proses ini mirip dengan intervensi analisis query dan umumnya mencakup tiga langkah berikut:

    1. Buat kamus intervensi. Di Konsol, navigasikan ke Search Algorithm Center > Retrieval Configuration > Dictionary Management. Klik Create di pojok kanan atas, pilih jenis kamus, lalu masukkan nama. Kamus baru tersebut akan ditambahkan ke daftar.

    2. Tambahkan dan kelola entri intervensi. Setelah membuat kamus, klik nama kamus tersebut atau klik Manage pada daftar kamus untuk membuka halaman detailnya. Di halaman ini, Anda dapat menambahkan dan mengelola entri intervensi, termasuk menyesuaikan relevansi kategori untuk kueri tertentu guna memperbaiki prediksi model yang tidak akurat atau menambahkan kategori yang gagal diidentifikasi oleh model.

    3. Gunakan kamus intervensi. Setelah membuat dan mengisi kamus intervensi untuk prediksi kategori, Anda dapat menerapkannya ke model prediksi kategori mana pun. Jika baik kamus intervensi maupun model prediksi kategori menetapkan skor relevansi untuk kategori dan kueri yang sama, sistem akan menggabungkan kedua hasil tersebut.

    • Sebagai contoh, untuk kueri "A Smile is Beautiful", model prediksi kategori menghitung relevansi 0 (tidak relevan) untuk kategori 20 dan 2 (sangat relevan) untuk kategori 10. Di kamus intervensi, relevansi untuk kategori 20 diubah menjadi 2 (sangat relevan), dan relevansi 1 (kurang relevan) ditambahkan untuk kategori 30. Skor relevansi akhir yang digabungkan adalah: kategori 20 bernilai 2, kategori 30 bernilai 1, dan kategori 10 tetap bernilai 2.

    Kasus penggunaan

    Skenario: Setelah bisnis e-commerce menemukan hasil pencarian yang salah di lingkungan produksinya, mereka menggunakan fitur intervensi pada model prediksi kategori di instans aplikasi OpenSearch.

    Masalah: Ketika pengguna memasukkan kueri "milk", produk seperti "milk cups" muncul lebih tinggi dalam hasil pencarian dibandingkan susu asli.

    Diagnosis: Model prediksi kategori salah menghitung relevansi kategori untuk kueri "milk".

    Solusi: Buat kamus intervensi untuk prediksi kategori. Di dalam kamus tersebut, tambahkan entri intervensi untuk kueri "milk". Tetapkan relevansi kategori "household supplies" (ID 20), yang berisi "milk cups", menjadi kurang relevan. Tetapkan relevansi kategori "food" (ID 15), yang berisi "milk", menjadi sangat relevan.

    Prosedur:

    1. Di Konsol, navigasikan ke Search Algorithm Center > Retrieval Configuration > Dictionary Management. Atur jenis kamus menjadi Category Prediction, lalu klik Create untuk membuat kamus intervensi untuk prediksi kategori.

    2. Di kamus "test_2", klik Add Intervention Entry. Di bidang Query, masukkan "milk". Di bidang Category ID-Relevance, masukkan "20-1;15-2" (2 menunjukkan sangat relevan, 1 menunjukkan kurang relevan, dan 0 menunjukkan tidak relevan).

    3. Terapkan kamus intervensi ke model prediksi kategori production:

    Di kotak dialog Edit Rule, centang kotak Category Prediction. Dari daftar drop-down Intervention Dictionary, pilih test_2. Untuk Category Prediction Model, pilih cate_test_lsh_1. Klik OK untuk menyelesaikan konfigurasi.

    Catatan penggunaan

    • Nama kamus tidak dapat diubah setelah dibuat.

    • Saat menambahkan entri intervensi baru, kueri harus unik. Untuk memodifikasi entri intervensi yang sudah ada, cari kueri tersebut di daftar, lalu langsung edit pengaturan Category ID-Relevance-nya.

    • Untuk menambahkan beberapa pasangan ID kategori-relevansi untuk satu kueri, pisahkan setiap pasangan dengan tanda titik koma (;).

    • Setelah menambahkan atau memodifikasi entri intervensi, jika status tetap "Applying", klik tombol Refresh untuk melihat status terbaru.

    • Anda dapat menerapkan satu kamus intervensi untuk prediksi kategori ke beberapa model prediksi kategori.

    • Kamus intervensi tidak memengaruhi pelatihan model.

    • Kamus intervensi yang diterapkan ke model apa pun, baik di lingkungan production maupun tidak, tidak dapat dihapus. Anda harus terlebih dahulu memutuskan asosiasi kamus tersebut dari semua model sebelum dapat menghapusnya.

    Batasan

    • Anda dapat membuat maksimal 10 kamus intervensi untuk prediksi kategori.

    • Setiap entri intervensi hanya boleh berisi satu kueri. Satu kueri dapat memiliki maksimal lima pasangan ID kategori-relevansi.

    • Setiap kamus intervensi untuk prediksi kategori dapat berisi maksimal 500 entri intervensi.

    • Intervensi untuk prediksi kategori hanya berlaku jika kueri pencarian merupakan kecocokan persis. Sebagai contoh, jika Anda membuat intervensi untuk kueri "dress" guna menetapkan relevansi kategori 23 menjadi sangat relevan, intervensi tersebut akan diterapkan saat pengguna mencari "dress", tetapi tidak berlaku jika pengguna mencari "2018 dress".

    • Semua konten yang ditambahkan ke entri intervensi akan dinormalisasi. Huruf kapital diubah menjadi huruf kecil, dan karakter full-width diubah menjadi half-width.