cara menggunakan fitur prediksi kategori - OpenSearch - Alibaba Cloud Documentation Center

Fitur prediksi kategori menggunakan model yang telah dilatih untuk mencocokkan kueri pencarian dengan kategori produk, lalu memberi peringkat lebih tinggi pada hasil dari kategori tersebut. Misalnya, kueri seperti "running shoes" dipetakan ke "Sports > Footwear," sehingga sepatu atletis muncul di atas hasil yang tidak relevan. Kueri seperti "denim" dipetakan ke "Clothing > Pants," sehingga celana jeans diberi peringkat lebih tinggi dibanding barang rumah tangga bertema denim.

Untuk mengaktifkan prediksi kategori, lengkapi tiga konfigurasi berikut: buat dan latih model, konfigurasikan aturan analisis kueri yang mereferensikan model tersebut, serta tambahkan ekspresi pengurutan yang memanggil category_score.

Prasyarat

Sebelum memulai, pastikan Anda telah memiliki:

Bidang Category ID, commodity title, dan category name yang dikonfigurasi 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

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

Pada 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

Klik Completed untuk menuju halaman detail model.

Pada 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 kesalahan 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, ajukan tiket.

Konfigurasikan aturan analisis kueri dan ekspresi pengurutan

Buat aturan analisis kueri

Di panel navigasi sebelah kiri, pilih Search Algorithm Center > Retrieval Configuration. Di pohon navigasi, klik Query Analysis Rule Configuration, lalu klik Create.
Konfigurasikan aturan analisis kueri dan simpan.

Terapkan model pada pengurutan kasar

Pengurutan kasar adalah putaran pertama peringkat.

Di panel navigasi sebelah kiri, pilih Search Algorithm Center > Sort Configuration. Pada halaman Policy Management, klik Create.
Pada halaman Create Policy, masukkan nama kebijakan. Atur Scope ke Rough Sort dan Type ke Expression. Hanya ekspresi yang didukung di Konsol. Plugin kustom akan didukung nanti.
Pada langkah Sort Configuration, pilih category_score() dari daftar drop-down Scoring Characteristics.
Pilih bidang, atur bobot, dan simpan konfigurasi.

Terapkan model pada pengurutan presisi

Pengurutan presisi adalah putaran kedua peringkat.

Pada halaman Create Policy, masukkan nama kebijakan. Atur Scope ke Fine Sort dan Type ke Expression. Hanya ekspresi yang didukung di Konsol. Plugin kustom akan didukung nanti.
Pada langkah Sort Configuration, pilih category_score(cate_id_field) dari daftar drop-down Built-in Functions.
Ganti cate_id_field dengan Category ID model Anda dan simpan konfigurasi.
Verifikasi status model setelah direferensikan oleh kebijakan pengurutan.
Lakukan uji pencarian pada aplikasi. Atur parameter raw_query ke kueri pencarian untuk menguji hasil prediksi kategori.

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.

Kapan prediksi kategori berlaku

Tabel berikut menunjukkan kapan prediksi kategori diterapkan, berdasarkan konfigurasi indeks dan nilai raw_query.

Index configuration	`raw_query` in request	`raw_query` equals search query	Category prediction applies?
Disabled	Yes	—	No
Disabled	No	—	No
Enabled	No	—	No
Enabled	Yes	No	No
Enabled	Yes	Yes	Yes

Perilaku multi-indeks: Jika permintaan mencakup beberapa indeks, prediksi kategori diterapkan per indeks berdasarkan aturan di atas.

# 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 secara preferensial;
# 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, ketiga hal berikut harus dikonfigurasi: aturan analisis kueri yang mereferensikan model, ekspresi pengurutan yang berisi fungsi category_score, dan parameter raw_query dalam permintaan.
Operasi API terkait: Algorithms

Penggunaan lanjutan

Gabungkan dengan Named Entity Recognition (NER)

Jika Anda mengonfigurasi NER bersama prediksi kategori dalam aturan analisis kueri, lebih banyak dokumen akan diambil. Hasil NER juga digunakan untuk retrieval. Jika tidak ada dokumen yang sesuai dengan kategori yang diprediksi, kata-kata dalam kueri pencarian akan diabaikan secara selektif 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.