feedgen
1.0.0
Penafian: Ini bukan produk resmi Google.
FeedGen berfungsi paling baik hingga 30 ribu item. Ingin memperluas skalanya lebih jauh? Aktifkan Product Studio API alfa (hubungi [email protected]) atau pertimbangkan untuk memproses feed Anda di BigQuery.
Ikhtisar • Memulai • Apa yang dipecahkannya • Cara kerjanya • Cara Berkontribusi • Sorotan Komunitas
gemini-1.5-pro dan gemini-1.5-flashstructured_title dan structured_description saat mengimpor keluaran FeedGen ke Merchant Center, bukan title dan description . Lihat petunjuk ini untuk detailnya.gemini-1.5-pro-preview-0409 . Harap diperhatikan bahwa nama model mungkin (sangat) berubah di masa mendatang.gemini-1.0-pro dan gemini-1.0-pro-visiongemini-pro dan gemini-pro-vision )gemini-pro-vision )v1 dan beralih ke JS/TS di main FeedGen adalah alat sumber terbuka yang menggunakan Large Language Model (LLM) Google Cloud yang canggih untuk menyempurnakan judul produk, menghasilkan deskripsi yang lebih komprehensif, dan mengisi atribut yang hilang di feed produk. Hal ini membantu pedagang dan pengiklan memunculkan dan memperbaiki masalah kualitas pada feed mereka menggunakan AI Generatif dengan cara yang sederhana dan dapat dikonfigurasi.
Alat ini mengandalkan Vertex AI API dari GCP untuk menyediakan kemampuan inferensi zero-shot dan some-shot pada LLM dasar GCP. Dengan beberapa langkah yang diminta, Anda menggunakan 3-10 sampel terbaik dari feed Belanja Anda sendiri untuk menyesuaikan respons model terhadap data Anda sendiri, sehingga mencapai kualitas yang lebih tinggi dan keluaran yang lebih konsisten. Hal ini dapat dioptimalkan lebih lanjut dengan menyempurnakan model dasar dengan data milik Anda sendiri. Cari tahu cara menyempurnakan model dengan Vertex AI, beserta manfaatnya, di panduan ini.
Catatan: Harap periksa apakah bahasa feed target Anda adalah salah satu bahasa yang didukung Vertex AI sebelum menggunakan FeedGen, dan hubungi Google Cloud atau perwakilan Akun Anda jika tidak.
Untuk memulai dengan FeedGen:
Getting Started Mengoptimalkan feed Belanja adalah sasaran setiap pengiklan yang bekerja sama dengan Google Merchant Center (MC) untuk meningkatkan pencocokan kueri, meningkatkan cakupan, dan pada akhirnya rasio klik-tayang (RKT). Namun, menyaring penolakan produk di MC atau memperbaiki masalah kualitas secara manual merupakan hal yang rumit.
FeedGen mengatasi hal ini menggunakan AI Generatif - memungkinkan pengguna untuk memunculkan dan memperbaiki masalah kualitas, dan mengisi kesenjangan atribut dalam feed mereka, secara otomatis.
FeedGen adalah aplikasi berbasis Apps Script yang berjalan sebagai sidebar HTML (lihat HtmlService untuk detailnya) di Google Sheets. Templat spreadsheet Google Sheets yang terkait adalah tempat semua keajaiban terjadi; ini menampung umpan masukan yang memerlukan pengoptimalan, bersama dengan nilai konfigurasi spesifik yang mengontrol cara konten dihasilkan. Spreadsheet juga digunakan untuk validasi manusia (opsional) dan menyiapkan feed tambahan di Google Merchant Center (MC).
Bahasa Generatif di Vertex AI, dan secara umum, merupakan fitur/teknologi yang baru lahir. Kami sangat menyarankan untuk meninjau dan memverifikasi judul dan deskripsi yang dihasilkan secara manual. FeedGen membantu pengguna mempercepat proses ini dengan memberikan skor untuk judul dan deskripsi (bersama dengan komponen terperinci) yang menunjukkan seberapa "bagus" konten yang dihasilkan, bersama dengan cara asli Sheets untuk menyetujui konten yang dihasilkan secara massal melalui filter data.
Pertama, buat salinan spreadsheet templat dan ikuti instruksi yang ditentukan di bagian Memulai . Langkah pertama adalah mengautentikasi diri Anda ke lingkungan Apps Script melalui tombol Inisialisasi seperti yang ditunjukkan di bawah ini.
Setelah itu, navigasikan ke lembar kerja Config untuk mengonfigurasi pengaturan feed, pengaturan Vertex AI API (termasuk perkiraan biaya yang akan dikeluarkan), dan pengaturan untuk mengontrol pembuatan konten.
Pembuatan deskripsi bekerja dengan mengambil awalan prompt yang diberikan di lembar Konfigurasi , menambahkan baris data dari Input dan mengirimkan hasilnya sebagai prompt ke LLM. Ini memberi Anda fleksibilitas besar dalam membentuk kata-kata, gaya, dan persyaratan lain yang mungkin Anda miliki. Semua data dari Input Feed akan diberikan sebagai bagian dari prompt.
Jika tautan laman web disediakan dalam umpan masukan, Anda juga dapat mencentang kotak Use Landing Page Information untuk memuat dan meneruskan konten laman web produk yang sudah dibersihkan ke dalam perintah. Semua tag span dan p diekstraksi dari konten HTML yang diambil dan digabungkan bersama untuk membentuk paragraf informasi tambahan yang diteruskan ke LLM dalam prompt, bersama dengan instruksi khusus tentang cara menggunakan informasi tambahan ini. Respons web JSON akan digunakan apa adanya tanpa penguraian tambahan. Selain itu, informasi halaman web yang diambil disimpan dalam cache menggunakan CacheService Apps Script selama jangka waktu 60 detik untuk menghindari pengambilan ulang dan penguraian ulang konten untuk pembuatan judul (yang merupakan panggilan terpisah ke Vertex AI API).
Opsional : Anda juga dapat memberikan contoh deskripsi di bagian Contoh singkat (lihat di bawah). Itu juga akan ditambahkan ke awalan prompt dan menginformasikan model tentang tampilan deskripsi yang bagus .
Hasilnya langsung dikeluarkan sebagai Deskripsi yang Dihasilkan
Karena LLM memiliki kecenderungan untuk berhalusinasi, ada opsi untuk menanyakan model (dalam instruksi tindak lanjut dalam prompt yang sama) apakah deskripsi yang dihasilkan memenuhi kriteria Anda. Model mengevaluasi deskripsi yang baru saja dihasilkannya dan merespons dengan skor numerik serta alasannya. Contoh kriteria validasi dan penilaian disediakan untuk memberikan beberapa petunjuk tentang bagaimana menginstruksikan model untuk mengevaluasi deskripsi - misalnya model tersebut mencakup kriteria serta contoh nilai skor.
Judul menggunakan petunjuk beberapa kali; sebuah teknik di mana seseorang akan memilih sampel dari feed masukannya sendiri seperti yang ditunjukkan di bawah ini untuk menyesuaikan respons model terhadap datanya. Untuk membantu proses ini, FeedGen menyediakan rumus utilitas Google Sheets:
= FEEDGEN_CREATE_CONTEXT_JSON( ' Input Feed ' !A2)Yang dapat digunakan untuk mengisi bidang informasi “Konteks” di tabel contoh cepat beberapa contoh dengan menyeretnya ke bawah, sama seperti rumus Spreadsheet lainnya. "Konteks" ini mewakili seluruh baris data dari umpan masukan untuk item ini, dan akan dikirim sebagai bagian dari perintah ke Vertex AI API.
Setelah itu, Anda harus secara manual mengisi kolom yang tersisa dari tabel contoh cepat beberapa contoh, yang menentukan keluaran yang diharapkan oleh LLM. Contoh-contoh ini sangat penting karena memberikan dasar bagi LLM untuk mempelajari cara menghasilkan konten untuk feed masukan lainnya. Contoh terbaik untuk dipilih adalah produk yang:
Kami menyarankan untuk menambahkan setidaknya satu contoh per kategori unik dalam feed Anda, terutama jika komposisi judul yang ideal berbeda.
FeedGen secara default menggunakan atribut dari feed input alih-alih nilai atribut yang dihasilkan untuk menyusun judul, untuk menghindari halusinasi LLM dan memastikan konsistensi. Misalnya, nilai Blue dari atribut feed input Color untuk item feed tertentu akan digunakan untuk judul terkait, bukan, misalnya, nilai yang dihasilkan Navy . Perilaku ini dapat diatasi dengan kotak centang Prefer Generated Values yang Dihasilkan) di bagian Pengaturan Lanjutan pada Judul Prompt Settings (Pengaturan Prompt Judul) , dan berguna setiap kali umpan masukan itu sendiri berisi data yang salah atau berkualitas buruk.
Dalam bagian yang sama ini Anda juga dapat menentukan daftar kata-kata aman yang dapat ditampilkan dalam judul yang dihasilkan meskipun kata-kata tersebut sebelumnya tidak ada di feed Anda. Misalnya, Anda dapat menambahkan kata "Ukuran" ke daftar ini jika Anda ingin mengawali semua nilai atribut Size dengan kata tersebut (yaitu "Ukuran M" dan bukan "M").
Terakhir, Anda juga dapat menentukan apakah Anda ingin LLM membuatkan judul untuk Anda menggunakan kotak centang Use LLM-generated Titles . Hal ini memungkinkan LLM memeriksa nilai atribut yang dihasilkan dan memilih nilai atribut mana yang akan digabungkan - menghindari duplikat - alih-alih logika default di mana semua nilai atribut akan digabungkan menjadi satu. Fitur ini seharusnya berfungsi lebih baik pada model Gemini dibandingkan PaLM 2, karena model Gemini memiliki kemampuan penalaran yang lebih baik sehingga memungkinkan mereka untuk lebih cepat dalam memberikan instruksi dibandingkan model PaLM 2. Selain itu, judul yang dihasilkan LLM memungkinkan Anda menentukan panjang judul yang diinginkan di prompt (maks 150 karakter untuk Merchant Center), yang sebelumnya tidak dapat dilakukan.
Seperti deskripsi, Anda juga dapat memilih untuk memuat informasi dari tautan halaman web yang disediakan dan meneruskannya ke LLM untuk menghasilkan judul berkualitas lebih tinggi. Hal ini dapat dilakukan melalui kotak centang Use Landing Page Information , dan bila dicentang, semua fitur yang diambil dari data laman web akan dicantumkan di bawah atribut baru yang disebut Fitur Situs Web . Kata-kata baru yang tidak tercakup dalam atribut yang ada kemudian akan ditambahkan ke judul yang dihasilkan.
Sekarang Anda sudah selesai dengan konfigurasi dan siap mengoptimalkan feed Anda. Gunakan menu navigasi atas untuk meluncurkan sidebar FeedGen dan mulai membuat dan memvalidasi konten di lembar kerja Validasi Konten yang Dihasilkan .
Biasanya Anda akan menggunakan tampilan ini untuk memahami, menyetujui, dan/atau membuat ulang konten untuk setiap item feed sebagai berikut:
Setelah Anda menyelesaikan semua persetujuan yang diperlukan dan puas dengan hasilnya, klik Ekspor ke Umpan Keluaran untuk mentransfer semua item umpan yang disetujui ke lembar kerja Umpan Keluaran .
Langkah terakhir adalah menghubungkan spreadsheet ke MC sebagai feed tambahan, hal ini dapat dilakukan seperti yang dijelaskan dalam artikel Pusat Bantuan untuk akun MC standar, dan artikel Pusat Bantuan untuk akun multiklien (MCA).
Perhatikan bahwa ada kolom att-p-feedgen di feed keluaran. Nama kolom ini sepenuhnya fleksibel dan dapat diubah langsung di lembar kerja keluaran. Ini menambahkan atribut khusus ke feed tambahan untuk tujuan pelaporan dan pengukuran kinerja.
Karena Gemini ( gemini-pro-vision ) adalah model multimodal, kami juga dapat memeriksa gambar produk dan menggunakannya untuk menghasilkan judul dan deskripsi berkualitas lebih tinggi. Hal ini dilakukan dengan menambahkan instruksi tambahan ke judul yang ada dan petunjuk pembuatan deskripsi untuk mengekstrak fitur produk yang terlihat dari gambar yang disediakan.
Untuk judul, fitur yang diekstraksi digunakan dalam 2 cara:
Untuk deskripsi, fitur yang diekstraksi digunakan oleh model untuk menghasilkan deskripsi yang lebih komprehensif yang menonjolkan aspek visual produk. Hal ini sangat relevan untuk domain yang mengutamakan daya tarik visual; di mana detail utama produk disampaikan secara visual, bukan dalam format teks terstruktur dalam feed. Ini termasuk fesyen, dekorasi dan furnitur rumah, serta wewangian dan perhiasan.
Terakhir, penting untuk memperhatikan batasan berikut (informasi ini berlaku selama Pratinjau Publik Gemini):
Image Link pada lembar kerja Input Feed . URI GCS diteruskan apa adanya ke Gemini (karena didukung oleh model itu sendiri), sementara gambar web diunduh terlebih dahulu dan diberikan secara inline sebagai bagian dari masukan ke model.image/png dan image/jpeg yang didukung. Deskripsi dengan skor di bawah Min. Evaluation Approval Score tidak akan disetujui sebelumnya. Anda dapat membuatnya kembali dengan memfilter Skor Deskripsi dan menghapus nilai Status di tab Validasi Pembuatan .
FeedGen memberikan skor untuk judul yang dihasilkan antara -1 dan 1 yang berfungsi sebagai indikator kualitas. Skor positif menunjukkan tingkat kualitas yang baik, sedangkan skor negatif menunjukkan ketidakpastian atas konten yang dihasilkan. Seperti deskripsi, Anda dapat menentukan skor minimum (defaultnya adalah 0) yang ingin Anda setujui terlebih dahulu oleh FeedGen.
Mari kita lihat lebih dekat beberapa contoh fiktif untuk lebih memahami penilaian gelar:
Mari kita lihat contoh lain untuk produk yang sama:
<Brand> <Gender> <Category> <Product Type><Brand> <Gender> <Category> <Product Type> <Size>Product Type berubah menjadi lebih buruk, sehingga mendapat skor negatif.FeedGen konservatif dalam penilaiannya; ini akan memberikan skor -0,5 setiap kali ada kata yang dihapus, meskipun kata tersebut merupakan frasa promosi seperti
get yours nowatauwhile stocks last, yang tidak boleh menjadi bagian dari judul sesuai dengan Praktik Terbaik yang diuraikan oleh Merchant Center (MC) .
Baiklah, jadi apa yang membuat judul bagus? Mari kita lihat contoh lainnya:
Terakhir, apa kasus idealnya? Mari kita lihat satu contoh terakhir:
Jadi secara ringkas, sistem penilaian bekerja sebagai berikut:
| Apakah ada halusinasi? | Sudahkah kita menghilangkan satu kata pun? | Tidak ada perubahan sama sekali? | Sudahkah kita mengoptimalkan judulnya? | Apakah kita mengisi kekosongan yang hilang atau mengekstrak atribut baru? |
|---|---|---|---|---|
| -1 | -0,5 | 0 | Tambahkan 0,5 | Tambahkan 0,5 |
FeedGen juga menerapkan beberapa pemeriksaan kepatuhan MC dasar, seperti judul dan deskripsi masing-masing tidak boleh lebih dari 150 dan 5000 karakter. Jika konten yang dihasilkan gagal dalam pemeriksaan ini, nilai Failed compliance checks akan ditampilkan di kolom Status . Seperti disebutkan di atas, FeedGen akan mencoba membuat ulang item Failed terlebih dahulu setiap kali tombol Hasilkan diklik.
FeedGen tidak hanya mengisi kekosongan di feed Anda, namun mungkin juga membuat atribut baru yang tidak disediakan di Input Feed . Hal ini dapat dikontrol melalui beberapa contoh petunjuk di lembar Konfigurasi ; dengan memberikan atribut "baru" yang tidak ada dalam masukan dalam contoh tersebut, FeedGen akan mencoba mengekstrak nilai atribut baru tersebut dari nilai lain dalam umpan masukan. Mari kita lihat sebuah contoh:
| Judul Asli | Atribut Produk dalam Judul Asli | Atribut Produk dalam Judul yang Dihasilkan | Nilai Atribut yang Dihasilkan |
|---|---|---|---|
| Performa ASICS Wanita Lari Capri Ketat | Merek, Jenis Kelamin, Jenis Produk | Merek, Jenis Kelamin, Jenis Produk, Kesesuaian | ASICS, Performa Wanita, Lari Capri, Ketat |
Perhatikan di sini bagaimana atribut Fit diekstraksi dari Product Type . FeedGen sekarang akan mencoba melakukan hal yang sama untuk semua produk lain di feed, jadi misalnya FeedGen akan mengekstrak nilai Relaxed as Fit dari judul Agave Men's Jeans Waterman Relaxed . Jika Anda tidak ingin atribut tersebut dibuat, pastikan Anda hanya menggunakan atribut yang ada di feed input untuk contoh beberapa contoh prompt Anda. Selanjutnya, atribut feed yang benar-benar baru tersebut akan diawali dengan feedgen- di Output Feed (misalnya feedgen-Fit) dan akan diurutkan hingga akhir lembar untuk memudahkan Anda menemukan dan menghapusnya jika Anda tidak ingin menggunakannya .
Kami merekomendasikan pola judul berikut sesuai dengan domain bisnis Anda:
| Domain | Struktur judul yang direkomendasikan | Contoh |
|---|---|---|
| Pakaian | Merek + Jenis Kelamin + Jenis Produk + Atribut (Warna, Ukuran, Bahan) | Sweater Wanita Ann Taylor, Hitam (Ukuran 6) |
| Dapat dikonsumsi | Merek + Jenis Produk + Atribut (Berat, Jumlah) | TwinLab Mega CoQ10, 50 mg, 60 tutup |
| Barang Keras | Merek + Produk + Atribut (Ukuran, Berat, Kuantitas) | Set Kursi Teras Anyaman Frontgate, Coklat, 4 Buah |
| Elektronik | Merek + Atribut + Jenis Produk | TV LED Cerdas Samsung 88” dengan Layar Melengkung 3D 4K |
| Buku | Judul + Jenis + Format (Sampul Keras, eBook) + Penulis | 1.000 Buku Masakan Resep Italia, Sampul Keras oleh Michele Scicolone |
Anda dapat mengandalkan pola ini untuk menghasilkan contoh prompt beberapa langkah yang ditentukan dalam lembar kerja Config FeedGen, yang akan mengarahkan nilai yang dihasilkan oleh model.
Kami juga menyarankan hal berikut:
Silakan merujuk ke panduan Harga dan Kuota dan Batas Vertex AI untuk informasi lebih lanjut.
Mulai tanggal 9 April 2024 dan sesuai dengan spesifikasi data produk Merchant Center yang diperbarui, pengguna harus mengungkapkan apakah AI generatif digunakan untuk menyusun konten teks untuk judul dan deskripsi. Tantangan utamanya adalah pengguna tidak dapat mengirimkan title dan structured_title , atau description dan structured_description dalam feed yang sama, karena nilai kolom asli akan selalu mengalahkan varian structured_ . Oleh karena itu, pengguna perlu melakukan serangkaian langkah tambahan setelah mengekspor generasi yang disetujui ke tab Output Feed FeedGen:
title dan description di tab Output Feed pada FeedGen menjadi structured_title dan structured_description .trained_algorithmic_media: ke semua konten yang dihasilkan.
Kami akan segera mengotomatiskan Langkah #3 dan #4 untuk Anda - pantau terus!
Penghargaan kepada Glen Wilson dan tim di Solutions-8 untuk detail dan gambarnya.
Selain informasi yang diuraikan dalam Panduan Berkontribusi kami, Anda perlu mengikuti langkah-langkah tambahan berikut untuk membangun FeedGen secara lokal:
npm install .npx @google/aside init dan klik petunjuknya.Script ID Apps Script yang terkait dengan spreadsheet Google Spreadsheet target Anda. Anda dapat mengetahui nilai ini dengan mengklik Extensions > Apps Script di menu navigasi atas lembar target Anda, lalu menavigasi ke Project Settings (ikon roda gigi) di tampilan Apps Script yang dihasilkan.npm run deploy untuk membangun, menguji, dan menerapkan (melalui gesper) semua kode ke proyek spreadsheet/Skrip Aplikasi target. 
