feedgen
1.0.0
Отказ от ответственности: это не официальный продукт Google.
FeedGen лучше всего работает с количеством элементов до 30 тысяч. Хотите масштабироваться дальше? Подключитесь к альфа-версии API Product Studio (обратитесь по адресу [email protected]) или рассмотрите возможность обработки своего фида в BigQuery.
Обзор • Начало работы • Что он решает • Как это работает • Как внести свой вклад • В центре внимания сообщества
gemini-1.5-pro и gemini-1.5-flashtitle и description используйте structured_title и structured_description соответственно. Подробную информацию см. в этих инструкциях.gemini-1.5-pro-preview-0409 . Обратите внимание, что название модели может (критически) измениться в будущем.gemini-1.0-pro и gemini-1.0-pro-visiongemini-pro и gemini-pro-vision ).gemini-pro-vision ).v1 и переключен на JS/TS в main FeedGen — это инструмент с открытым исходным кодом, который использует современные модели большого языка (LLM) Google Cloud для улучшения названий продуктов, создания более полных описаний и заполнения недостающих атрибутов в фидах продуктов. Он помогает продавцам и рекламодателям выявлять и устранять проблемы с качеством своих каналов с помощью генеративного искусственного интеллекта простым и настраиваемым способом.
Инструмент опирается на API-интерфейс Vertex AI GCP, чтобы обеспечить возможности вывода как с нулевым, так и с малым количеством шагов на основе основных LLM GCP. С помощью подсказок из нескольких кадров вы используете 3–10 лучших образцов из собственного фида покупок, чтобы настроить реакцию модели на ваши собственные данные, тем самым достигая более высокого качества и более стабильных результатов. Это можно дополнительно оптимизировать путем точной настройки базовых моделей с использованием собственных данных. В этом руководстве вы узнаете, как точно настроить модели с помощью Vertex AI, а также о преимуществах этого.
Примечание. Прежде чем использовать FeedGen, проверьте, является ли ваш целевой язык канала одним из языков, поддерживаемых Vertex AI, и, если нет, обратитесь к представителям Google Cloud или аккаунта.
Чтобы начать работу с FeedGen:
Getting Started ». Оптимизация каналов покупок — это цель каждого рекламодателя, работающего с Google Merchant Center (MC), чтобы улучшить соответствие запросов, увеличить охват и, в конечном итоге, рейтинг кликов (CTR). Однако сложно анализировать отклоненные продукты в MC или вручную устранять проблемы с качеством.
FeedGen решает эту проблему с помощью генеративного искусственного интеллекта, позволяя пользователям автоматически выявлять и устранять проблемы с качеством, а также заполнять пробелы в атрибутах своих каналов.
FeedGen — это приложение на основе Apps Script, которое работает как боковая панель HTML (подробнее см. в разделе HtmlService) в Google Sheets. Соответствующий шаблон электронной таблицы Google Sheets — это то место, где происходит вся магия; он содержит входной канал, требующий оптимизации, а также определенные значения конфигурации, которые контролируют создание контента. Электронная таблица также используется как для (необязательной) проверки человеком, так и для настройки дополнительного фида в Google Merchant Center (MC).
Генеративный язык в Vertex AI и в целом — это зарождающаяся функция/технология. Мы настоятельно рекомендуем вручную просматривать и проверять созданные заголовки и описания. FeedGen помогает пользователям ускорить этот процесс, предоставляя оценку как заголовкам, так и описаниям (наряду с подробными компонентами), которая показывает, насколько «хорош» сгенерированный контент, а также собственный способ массового утверждения сгенерированного контента с помощью фильтров данных.
Сначала сделайте копию таблицы шаблона и следуйте инструкциям, указанным в разделе «Начало работы» . Первым шагом является аутентификация в среде Apps Script с помощью кнопки «Инициализировать» , как показано ниже.
После этого перейдите к листу конфигурации , чтобы настроить параметры канала, параметры Vertex AI API (включая оценку понесенных затрат) и параметры для управления генерацией контента.
Генерация описания работает путем использования префикса приглашения, указанного на листе конфигурации , добавления строки данных из ввода и отправки результата в виде приглашения в LLM. Это дает вам большую гибкость в формировании формулировок, стиля и других требований, которые могут у вас возникнуть. Все данные из входного канала будут предоставлены как часть запроса.
Если во входном канале указана ссылка на веб-страницу, вы также можете установить флажок Use Landing Page Information , чтобы загрузить и передать очищенное содержимое веб-страницы продукта в командную строку. Все теги span и p извлекаются из полученного содержимого HTML и объединяются вместе, образуя дополнительный параграф информации, который передается в LLM в командной строке вместе со специальными инструкциями о том, как использовать эту дополнительную информацию. Веб-ответы JSON будут использоваться как есть, без дополнительного анализа. Кроме того, полученная информация веб-страницы кэшируется с помощью CacheService Apps Script на период 60 секунд, чтобы избежать повторной загрузки и повторного анализа содержимого для создания заголовков (что является отдельным вызовом API Vertex AI).
Необязательно : вы также можете предоставить примеры описаний в разделе «Несколько примеров» (см. ниже). Они также будут добавлены к префиксу подсказки и сообщат модели о том, как выглядят хорошие описания.
Результат напрямую выводится как сгенерированное описание.
Поскольку LLM имеют склонность к галлюцинациям, есть возможность спросить модель (в последующих инструкциях в той же подсказке), соответствует ли сгенерированное описание вашим критериям. Модель оценивает только что сгенерированное ею описание и в ответ выдает числовой балл и рассуждения. Примеры критериев проверки и оценки приведены для того, чтобы дать некоторые подсказки о том, как дать указание модели оценивать описания – например, она включает критерии, а также примеры значений оценок.
В заголовках используются подсказки из нескольких кадров; метод, при котором можно выбирать образцы из собственного входного канала, как показано ниже, чтобы настроить реакцию модели на их данные. Чтобы помочь в этом процессе, FeedGen предоставляет служебную формулу Google Sheets:
= FEEDGEN_CREATE_CONTEXT_JSON( ' Input Feed ' !A2)Его можно использовать для заполнения информационного поля «Контекст» в таблице примеров кратких подсказок, перетащив его вниз, как и в случае с другими формулами Таблиц. Этот «Контекст» представляет собой всю строку данных из входного канала для этого элемента и будет отправлен как часть запроса в Vertex AI API.
После этого вы должны вручную заполнить оставшиеся столбцы таблицы примеров коротких подсказок, которые определяют ожидаемый результат LLM. Эти примеры очень важны, поскольку они обеспечивают основу, на которой LLM узнает, как ему следует генерировать контент для остальной части входного канала. Лучшими примерами являются продукты, в которых:
Мы рекомендуем добавить хотя бы один пример для каждой уникальной категории в вашем фиде, особенно если идеальная композиция заголовка будет отличаться.
FeedGen по умолчанию использует атрибуты из входного канала вместо сгенерированных значений атрибутов для составления заголовка, чтобы избежать галлюцинаций LLM и обеспечить согласованность. Например, значение Blue из входного атрибута ленты Color для конкретного элемента ленты будет использоваться для соответствующего заголовка вместо, скажем, сгенерированного значения Navy . Это поведение можно переопределить с помощью флажка « Prefer Generated Values в разделе « Дополнительные настройки» в настройках подсказки заголовка . Это полезно, когда сам входной канал содержит ошибочные или некачественные данные.
В этом же разделе вы также можете указать список безопасных слов, которые могут выводиться в сгенерированных заголовках, даже если их заранее не было в вашем фиде. Например, вы можете добавить в этот список слово «Размер», если хотите добавлять его ко всем значениям атрибута Size (т. е. «Размер M» вместо «M»).
Наконец, вы также можете указать, хотите ли вы, чтобы LLM создавал за вас заголовки, используя флажок Use LLM-generated Titles . Это позволяет LLM проверять сгенерированные значения атрибутов и выбирать, какие из них следует объединить, избегая дублирования, вместо логики по умолчанию, при которой все значения атрибутов будут объединены вместе. Эта функция должна работать лучше с моделями Gemini, чем с моделями PaLM 2, поскольку модели Gemini обладают лучшими возможностями рассуждения, которые позволяют им лучше подсказывать инструкции по сравнению с моделями PaLM 2. Кроме того, заголовки, сгенерированные LLM, позволяют указать желаемую длину заголовков в подсказке (максимум 150 символов для Merchant Center), что ранее было невозможно.
Как и в случае с описаниями, вы также можете загрузить информацию по предоставленной ссылке на веб-страницу и передать ее в LLM для создания заголовков более высокого качества. Это можно сделать с помощью флажка Use Landing Page Information . Если этот флажок установлен, все функции, извлеченные из данных веб-страницы, будут перечислены в новом атрибуте «Функции веб-сайта» . Новые слова, которые не были охвачены существующими атрибутами, будут добавлены в сгенерированный заголовок.
Теперь вы закончили настройку и готовы оптимизировать свой канал. Используйте верхнее меню навигации, чтобы открыть боковую панель FeedGen и начать создание и проверку контента в таблице проверки созданного контента .
Обычно вы работаете в этом представлении, чтобы понять, утвердить и/или обновить контент для каждого элемента фида следующим образом:
После того как вы завершили все необходимые утверждения и удовлетворены результатом, нажмите «Экспорт в выходной канал», чтобы перенести все утвержденные элементы канала в рабочий лист «Выходной канал» .
Последний шаг — подключить электронную таблицу к MC в качестве дополнительного канала. Это можно сделать, как описано в этой статье Справочного центра для стандартных учетных записей MC и в этой статье Справочного центра для многоклиентских учетных записей (MCA).
Обратите внимание, что в выходном фиде есть столбец att-p-feedgen . Имя этого столбца является полностью гибким и может быть изменено непосредственно на выходном листе. Он добавляет специальный атрибут в дополнительный фид для целей отчетности и измерения эффективности.
Поскольку Gemini ( gemini-pro-vision ) является мультимодальной моделью, мы можем дополнительно изучать изображения продуктов и использовать их для создания более качественных заголовков и описаний. Это делается путем добавления дополнительных инструкций к существующим запросам создания заголовков и описаний для извлечения видимых характеристик продукта из предоставленного изображения.
Для заголовков извлеченные функции используются двумя способами:
Что касается описаний, модель использует извлеченные функции для создания более полного описания, подчеркивающего визуальные аспекты продукта. Это особенно актуально для областей, где внешняя привлекательность имеет первостепенное значение; где ключевые сведения о продукте передаются визуально, а не в структурированном текстовом формате внутри ленты. Сюда входят мода, домашний декор и мебель, а также парфюмерия и ювелирные изделия.
Наконец, важно отметить следующие ограничения (эта информация действительна во время общедоступной предварительной версии Gemini):
Image Link на листе входного канала . URI GCS передаются в Gemini в неизмененном виде (поскольку они поддерживаются самой моделью), а веб-изображения сначала загружаются и предоставляются встроенно как часть входных данных модели.image/png и image/jpeg . Описания со счетом ниже Min. Evaluation Approval Score не будет предварительно утверждена. Вы можете создать их заново, отфильтровав по показателю описания и удалив значение «Статус» на вкладке «Проверка создания» .
FeedGen предоставляет созданным заголовкам оценку от -1 до 1, которая служит индикатором качества. Положительные оценки указывают на различную степень хорошего качества, а отрицательные оценки отражают неопределенность в отношении создаваемого контента. Как и в описаниях, вы можете указать минимальный балл (по умолчанию 0), который FeedGen предварительно одобрит.
Давайте подробнее рассмотрим некоторые вымышленные примеры, чтобы лучше понять подсчет очков за титулы:
Давайте посмотрим на другой пример того же продукта:
<Brand> <Gender> <Category> <Product Type><Brand> <Gender> <Category> <Product Type> <Size>Product Type изменились в худшую сторону, отсюда и отрицательная оценка.FeedGen консервативен в своих оценках; он будет присваивать балл -0,5 всякий раз, когда какие-либо слова будут удалены, даже если эти слова были рекламными фразами, такими как
get yours nowилиwhile stocks last, которые не должны быть частью заголовков в соответствии с рекомендациями, изложенными Merchant Center (MC). .
Хорошо, так что же делает заголовок хорошим? Давайте посмотрим на другой пример:
Наконец, каков идеальный случай? Давайте посмотрим на последний пример:
Вкратце, системы подсчета очков работают следующим образом:
| Есть ли галлюцинации? | Удалили ли мы какие-нибудь слова? | Никаких изменений вообще? | Оптимизировали ли мы заголовок? | Заполнили ли мы недостающие пробелы или извлекли ли новые атрибуты? |
|---|---|---|---|---|
| -1 | -0,5 | 0 | Добавить 0,5 | Добавить 0,5 |
FeedGen также применяет некоторые базовые проверки соответствия MC, например, заголовки и описания не должны быть длиннее 150 и 5000 символов соответственно. Если созданный контент не проходит эти проверки, в столбце Статус будет выведено значение Failed compliance checks . Как упоминалось выше, FeedGen сначала попытается восстановить элементы Failed при каждом нажатии кнопки «Создать» .
FeedGen не только заполняет пробелы в вашем фиде, но также может создавать совершенно новые атрибуты, которые не были указаны во входном фиде . Это можно контролировать с помощью нескольких примеров подсказок на листе конфигурации ; предоставляя «новые» атрибуты, которых нет во входных данных в этих примерах, FeedGen попытается извлечь значения для этих новых атрибутов из других значений во входном фиде. Давайте посмотрим на пример:
| Оригинальное название | Атрибуты продукта в оригинальном названии | Атрибуты продукта в сгенерированном заголовке | Сгенерированные значения атрибутов |
|---|---|---|---|
| Женские капри для бега ASICS Performance | Бренд, пол, тип продукта | Бренд, пол, тип продукта, размер | ASICS, Женское выступление, Капри для бега, Тайт |
Обратите внимание, как атрибут Fit был извлечен из Product Type . FeedGen теперь попытается сделать то же самое для всех остальных продуктов в фиде, например, он извлечет значение Relaxed as Fit из заголовка Agave Men's Jeans Waterman Relaxed . Если вы не хотите, чтобы эти атрибуты создавались, убедитесь, что вы используете только те атрибуты, которые существуют во входном канале, для ваших примеров подсказок с несколькими выстрелами. Кроме того, эти совершенно новые атрибуты фида будут иметь префикс «feedgen-» в выходном фиде (например, «feedgen-Fit») и будут отсортированы до конца листа, чтобы вам было легче их находить и удалять, если вы не хотите их использовать. .
Мы рекомендуем следующие шаблоны заголовков в соответствии с сферой вашего бизнеса:
| Домен | Рекомендуемая структура заголовка | Пример |
|---|---|---|
| Одежда | Бренд + Пол + Тип продукта + Атрибуты (цвет, размер, материал) | Женский свитер Ann Taylor, черный (размер 6) |
| Расходный материал | Бренд + Тип продукта + Атрибуты (вес, количество) | TwinLab Mega CoQ10, 50 мг, 60 капсул |
| Твердые товары | Бренд + Товар + Атрибуты (размер, вес, количество) | Набор плетеных стульев для патио Frontgate, коричневый, 4 предмета |
| Электроника | Бренд + Атрибут + Тип продукта | Smart LED-телевизор Samsung с диагональю 88 дюймов и изогнутым 3D-экраном 4K |
| Книги | Название + Тип + Формат (твердый переплет, электронная книга) + Автор | Поваренная книга «1000 итальянских рецептов», твердый переплет, автор Мишель Шиколоне |
Вы можете положиться на эти шаблоны для создания примеров подсказок с несколькими предложениями, определенных в таблице FeedGen Config , которые соответствующим образом будут управлять значениями, сгенерированными моделью.
Мы также предлагаем следующее:
Дополнительную информацию см. в руководствах по ценообразованию, квотам и лимитам Vertex AI.
С 9 апреля 2024 г. в соответствии с обновленной спецификацией данных о продуктах Merchant Center пользователи должны сообщать, использовался ли генеративный искусственный интеллект для обработки текстового контента заголовков и описаний. Основная проблема заключается в том, что пользователи не могут отправлять одновременно title и structured_title или description и structured_description в одном и том же фиде, поскольку исходные значения столбца всегда будут превосходить варианты structured_ . Поэтому пользователям необходимо выполнить дополнительную серию шагов после экспорта утвержденных поколений на вкладку «Выходной канал» FeedGen:
title и description на вкладке «Выходной канал» FeedGen в structured_title и structured_description соответственно.trained_algorithmic_media: ко всему сгенерированному контенту.
Скоро мы автоматизируем для вас шаги №3 и №4 — следите за обновлениями!
Благодарность Глену Уилсону и команде Solutions-8 за детали и изображения.
Помимо информации, изложенной в нашем Руководстве для участников, вам необходимо выполнить следующие дополнительные шаги для локальной сборки FeedGen:
npm install .npx @google/aside init и просмотрите подсказки.Script ID Apps Script, связанный с целевой таблицей Google Sheets. Вы можете узнать это значение, щелкнув Extensions > Apps Script в верхнем навигационном меню целевого листа, а затем перейдя к Project Settings » (значок шестеренки) в появившемся представлении «Скрипт приложений».npm run deploy чтобы собрать, протестировать и развернуть (через застежку) весь код в целевой электронной таблице или проекте Apps Script. 
