OpenSearch:Gunakan fitur prediksi kategori

Prasyarat

Sebelum memulai, pastikan Anda telah memiliki:

• Bidang Category ID, commodity title, dan category name yang dikonfigurasikan sebagai bidang atribut dalam skema aplikasi Anda

• (Jika menggunakan Commodity Data) Data dokumen yang berisi bidang category ID, commodity title, dan category name

• (Jika menggunakan Behavior Data) Data perilaku klik yang dikumpulkan melalui data collection

Buat dan latih model prediksi kategori

1. Di panel navigasi sebelah kiri, pilih Search Algorithm Center > Sort Configuration. Di pohon navigasi, klik Category Prediction Model, lalu klik Create.

   

2. Di halaman Create Category Prediction, isi detail model.

   Field	Description	Required
   Model name	Nama untuk model	Yes
   Data Type	Commodity Data: data dokumen dari aplikasi Anda. Memerlukan bidang category ID, commodity title, dan category name. Behavior Data: data perilaku klik yang dikumpulkan.	Yes
   Category ID	Bidang yang merepresentasikan category ID dalam dokumen aplikasi Anda. Mendukung tipe data INT. Harus berupa bilangan bulat positif—nilai non-positif menyebabkan error server.	Yes
   Commodity Title	Bidang yang merepresentasikan commodity title. Mendukung tipe data TEXT dan LITERAL.	Yes
   Category Name	Bidang yang merepresentasikan category name. Mendukung tipe data TEXT dan LITERAL.	Yes
   Filter Condition	Kondisi untuk memfilter data pelatihan. Nama bidang harus sesuai dengan yang ada di skema aplikasi. Mendukung: <, >, <=, >=, =, !=. Pisahkan beberapa kondisi dengan koma (,)—semua kondisi menggunakan logika AND. Logika OR tidak didukung. Contoh: is_onsale > 0	No

   

3. Klik Completed untuk menuju halaman detail model.

   

4. Di halaman Category Prediction Model, status model adalah Pending Training. Klik Train di kolom Actions untuk memulai pelatihan.

   

   Model melewati status berikut:

   State	Meaning
   Pending Training	Model dibuat, pelatihan belum dimulai
   Training	Model sedang dilatih
   Training Failed	Pelatihan gagal karena error data
   Not Applied	Pelatihan selesai, belum direferensikan untuk retrieval atau sorting
   Trained and Not Passed	Pelatihan selesai, tetapi model gagal lolos pelatihan

   Jika Anda memiliki pertanyaan, kirim tiket.

Konfigurasikan analisis kueri dan ekspresi pengurutan

Aktifkan prediksi kategori dalam panggilan API dan SDK

Prediksi kategori hanya mengurutkan hasil pencarian ketika parameter raw_query tersedia dan nilainya sesuai dengan kueri pencarian dalam indeks.

Atur raw_query ke kueri pencarian yang dimasukkan pengguna:

raw_query=<search_query>

• Saat memanggil melalui API: encode nilai menggunakan URL_ENCODE.

• Saat memanggil melalui SDK: tidak perlu encoding.

# prediksi index3 berlaku (kueri cocok dengan raw_query hanya untuk index3)
query=index2:'index_query' AND index3:'search_query'&raw_query=search_query

# prediksi index2 berlaku lebih dulu;
# jika konfigurasi index2 tidak berlaku, index3 berlaku
query=index2:'search_query' AND index3:'search_query'&raw_query=search_query

Batasan

• Maksimal lima model prediksi kategori dapat dibuat per aplikasi.

• Bidang data yang digunakan untuk melatih model harus disertakan dalam indeks tempat aturan analisis kueri diterapkan.

• Sebelum membuat model, konfigurasikan category ID dan bidang terkait sebagai bidang atribut.

• Jika aturan analisis kueri mereferensikan model prediksi kategori dan permintaan berisi parameter category_prediction, terjadi error.

• Agar prediksi kategori berlaku, ketiganya harus dikonfigurasikan: aturan analisis kueri yang mereferensikan model, ekspresi pengurutan yang berisi fungsi category_score, dan parameter raw_query dalam permintaan.

• Operasi API terkait: Algorithms

Pemecahan masalah kegagalan pelatihan model

Jika pelatihan model prediksi kategori Anda gagal, ikuti langkah-langkah berikut untuk memecahkan masalah:

1. Periksa laporan anomali: Di halaman detail model, lihat Latest Version Status. Jika status menunjukkan error data, buka Anomaly Report untuk mengidentifikasi penyebab kegagalan.

2. Periksa tingkat kelengkapan: Lihat Completeness Level dan Upgrade Conditions yang sesuai. Sesuaikan data Anda sesuai kondisi peningkatan untuk meningkatkan tingkat kelengkapan.

3. Logika data T-1: Pelatihan model menggunakan data statistik dari hari sebelumnya (T-1). Saat model baru dibuat dan dilatih pertama kali, pelatihan mungkin gagal dengan error "Training field does not exist" karena tidak tersedia data dari hari sebelumnya. Tunggu hingga hari berikutnya saat data sudah tersedia, lalu latih ulang model.

4. Persyaratan volume data: Pelatihan memerlukan jumlah kueri unik dari hari terbaru melebihi 100. Jumlah kueri unik mengacu pada jumlah permintaan pencarian sukses yang menyertakan parameter raw_query.

5. Format kondisi filter: Jika kondisi filter dikonfigurasi, nama bidang harus sesuai dengan bidang dalam skema aplikasi. Beberapa kondisi menggunakan logika AND dan harus dipisahkan dengan koma (,). Format yang salah dapat menyebabkan kegagalan pelatihan. Contoh: is_onsale > 0.

Penggunaan lanjutan

Kombinasikan dengan Named Entity Recognition (NER)

Jika Anda mengonfigurasi NER bersama prediksi kategori dalam aturan analisis kueri, lebih banyak dokumen diambil. Hasil NER juga digunakan untuk retrieval. Jika tidak ada dokumen yang sesuai dengan kategori yang diprediksi, kata-kata dalam kueri pencarian secara selektif diabaikan untuk memperluas hasil—hasil yang lebih luas ini menjadi output akhir prediksi kategori. Untuk informasi selengkapnya, lihat Named entity recognition.

Intervensi hasil prediksi

Intervensi memungkinkan Anda mengganti prediksi model yang telah dilatih, mirip dengan intervensi analisis kueri. Untuk informasi selengkapnya, lihat Intervention dictionaries for category prediction.