Google ใช้เทคโนโลยี AI เพื่อแปลเนื้อหาเป็นภาษาที่คุณต้องการ การแปลโดย AI อาจมีข้อผิดพลาด

สร้างแอปพลิเคชันคำแนะนำ Customer 360 ด้วย BigQuery Graph

1. บทนำ

ใน Codelab นี้ คุณจะได้เรียนรู้วิธีใช้ BigQuery Graph เพื่อสร้างมุมมองข้อมูลลูกค้าแบบครบ 360 องศาและเครื่องมือแนะนำสินค้าสำหรับ Cymbal Pets ซึ่งเป็นบริษัทค้าปลีกสมมติ คุณจะได้ใช้ประโยชน์จากความสามารถของ SQL ในการสร้าง ค้นหา และวิเคราะห์ข้อมูลกราฟภายใน BigQuery โดยตรง รวมถึงรวมเข้ากับการค้นหาแบบเวกเตอร์เพื่อการแนะนำสินค้าขั้นสูง

BigQuery Graph ช่วยให้คุณสร้างแบบจำลองความสัมพันธ์ระหว่างเอนทิตีข้อมูล (เช่น ลูกค้า สินค้า และคำสั่งซื้อ) เป็นกราฟ ซึ่งช่วยให้ตอบคำถามที่ซับซ้อนเกี่ยวกับพฤติกรรมของลูกค้าและความสัมพันธ์ของผลิตภัณฑ์ได้ง่าย

แผนภาพกรณีการใช้งาน

สิ่งที่คุณจะได้ทำ

สร้างชุดข้อมูลและสคีมา BigQuery สำหรับกราฟ Cymbal Pets
โหลดข้อมูลตัวอย่าง (ลูกค้า สินค้า คำสั่งซื้อ ร้านค้า) จาก Cloud Storage
สร้างกราฟเชิงคุณสมบัติใน BigQuery เพื่อเชื่อมต่อเอนทิตีเหล่านี้
แสดงข้อมูลประวัติการซื้อของลูกค้าผ่านภาพโดยใช้การค้นหากราฟ
สร้างระบบแนะนำสินค้าโดยใช้การค้นหาแบบเวกเตอร์
ปรับปรุงคำแนะนำโดยใช้ความสัมพันธ์ของกราฟ "สินค้าที่มักมีการซื้อร่วมกัน" และความคล้ายคลึงของ Jaccard

สิ่งที่คุณต้องมี

เว็บเบราว์เซอร์ เช่น Chrome
โปรเจ็กต์ Google Cloud ที่เปิดใช้การเรียกเก็บเงินแล้ว

Codelab นี้เหมาะสำหรับนักพัฒนาแอปทุกระดับ รวมถึงผู้เริ่มต้น

2. ก่อนเริ่มต้น

สร้างโปรเจ็กต์ Google Cloud

ใน คอนโซล Google Cloud ให้เลือกหรือสร้างโปรเจ็กต์ที่อยู่ในระบบคลาวด์ของ Google Cloud
ตรวจสอบว่าได้เปิดใช้การเรียกเก็บเงินสำหรับโปรเจ็กต์ที่อยู่ในระบบคลาวด์แล้ว

เริ่มต้น Cloud Shell

คลิกเปิดใช้งาน Cloud Shell ที่ด้านบนของคอนโซล Google Cloud
ยืนยันการตรวจสอบสิทธิ์โดยทำดังนี้

gcloud auth list

ยืนยันโปรเจ็กต์โดยทำดังนี้

gcloud config get project

ตั้งค่าหากจำเป็นโดยทำดังนี้

export PROJECT_ID=<YOUR_PROJECT_ID>
gcloud config set project $PROJECT_ID

เปิดใช้ API

เรียกใช้คำสั่งนี้เพื่อเปิดใช้ BigQuery API ที่จำเป็น

gcloud services enable bigquery.googleapis.com \
  bigqueryreservation.googleapis.com

สร้างการจองและการมอบหมาย BigQuery

หากต้องการเรียกใช้การค้นหา GQL คุณต้องมีการจองที่ใช้รุ่น Enterprise หรือ Enterprise Plus โดยสร้างการจองรุ่น Enterprise ที่มีการปรับขนาดอัตโนมัติใน Cloud Shell ดังนี้

# 1. Create a BigQuery Enterprise reservation with 0 baseline slots and 100 max autoscaling slots
bq mk --reservation \
  --project_id=${GCP_PROJECT} \
  --location=US \
  --edition=ENTERPRISE \
  --slots=0 \
  --autoscale_max_slots=100 \
  --ignore_idle_slots=true \
  c360-reservation

# 2. Assign your Cloud project to the newly created reservation for query execution
bq mk --reservation_assignment \
  --project_id=${GCP_PROJECT} \
  --location=US \
  --reservation_id=c360-reservation \
  --job_type=QUERY \
  --assignee_type=PROJECT \
  --assignee_id=${GCP_PROJECT}

การคำนวณที่ปรับขนาดอัตโนมัติอย่างคุ้มค่า:
การกำหนดค่า --slots=0 (สล็อตพื้นฐาน 0 รายการ) และ --autoscale_max_slots=100 จะทำให้การจอง BigQuery ไม่เสียค่าใช้จ่ายพื้นฐานเมื่อไม่ได้ใช้งาน BigQuery จะปรับขนาดขึ้นโดยอัตโนมัติเป็นสล็อตเฉพาะสูงสุด 100 รายการในขณะที่การค้นหาหรือการค้นหาแบบเวกเตอร์ทำงานอยู่เท่านั้น จากนั้นจะปรับขนาดกลับลงเป็น 0 เมื่อเสร็จสิ้น

3. กำหนดสคีมา

ขั้นแรก คุณต้องสร้างชุดข้อมูลเพื่อจัดเก็บตารางที่เกี่ยวข้องกับกราฟและกำหนดสคีมาสำหรับโหนดและขอบ

สำหรับ Codelab นี้ เราจะเรียกใช้คำสั่ง SQL คุณสามารถเรียกใช้คำสั่งเหล่านี้ใน BigQuery Studio > SQL Editor หรือใช้คำสั่ง bq query ใน Cloud Shell เราจะถือว่าคุณใช้ BigQuery SQL Editor เพื่อให้ได้รับประสบการณ์การใช้งานที่ดีขึ้นกับคำสั่งสร้างหลายบรรทัด
สร้างชุดข้อมูล cymbal_pets_demo โดยทำดังนี้

CREATE SCHEMA IF NOT EXISTS cymbal_pets_demo;

สร้างตารางสำหรับ order_items, products, orders, stores, customers และ co_related_products_for_angelica ตารางเหล่านี้จะใช้เป็นข้อมูลต้นทางสำหรับกราฟของเรา

CREATE TABLE IF NOT EXISTS cymbal_pets_demo.order_items
(
  order_id INT64,
  product_id INT64,
  order_item_id INT64,
  quantity INT64,
  price FLOAT64,
  PRIMARY KEY (order_id, product_id, order_item_id) NOT ENFORCED
)
CLUSTER BY order_item_id;

CREATE TABLE IF NOT EXISTS cymbal_pets_demo.products
(
  product_id INT64,
  product_name STRING,
  brand STRING,
  category STRING,
  subcategory INT64,
  animal_type INT64,
  search_keywords INT64,
  price FLOAT64,
  description STRING,
  inventory_level INT64,
  supplier_id INT64,
  average_rating FLOAT64,
  uri STRING,
  embedding ARRAY<FLOAT64>,
  PRIMARY KEY (product_id) NOT ENFORCED
)
CLUSTER BY product_id;

CREATE TABLE IF NOT EXISTS cymbal_pets_demo.orders
(
  customer_id INT64,
  order_id INT64,
  shipping_address_city STRING,
  store_id INT64,
  order_date STRING,
  order_type STRING,
  payment_method STRING,
  PRIMARY KEY (order_id) NOT ENFORCED
);

CREATE TABLE IF NOT EXISTS cymbal_pets_demo.stores
(
  store_id INT64,
  store_name STRING,
  address_state STRING,
  address_city STRING,
  latitude FLOAT64,
  longitude FLOAT64,
  opening_hours STRUCT<Monday STRING, Tuesday STRING, Wednesday STRING, Thursday STRING, Friday STRING, Saturday STRING, Sunday STRING>,
  manager_id INT64,
  PRIMARY KEY (store_id) NOT ENFORCED
)
CLUSTER BY store_id;

CREATE TABLE IF NOT EXISTS cymbal_pets_demo.customers
(
  customer_id INT64,
  first_name STRING,
  last_name STRING,
  email STRING,
  gender STRING,
  address_city STRING,
  address_state STRING,
  loyalty_member BOOL,
  PRIMARY KEY (customer_id) NOT ENFORCED
)
CLUSTER BY customer_id;

CREATE TABLE IF NOT EXISTS cymbal_pets_demo.co_related_products_for_angelica
(
  angelica_product_id INT64,
  other_product_id INT64,
  co_purchase_count INT64,
  jaccard_similarity FLOAT64
);

ตอนนี้คุณได้กำหนดโครงสร้างสำหรับข้อมูลกราฟแล้ว

4. โหลดข้อมูล

ตอนนี้ให้ป้อนข้อมูลตัวอย่างจาก Cloud Storage ลงในตาราง

เรียกใช้คำสั่ง LOAD DATA ต่อไปนี้ใน BigQuery SQL Editor

LOAD DATA INTO `cymbal_pets_demo.customers`
FROM FILES (
    format = 'AVRO',
    uris = ['gs://sample-data-and-media/cymbal-pets/tables/customers/*.avro'],
    enable_logical_types = true
);

LOAD DATA INTO `cymbal_pets_demo.order_items`
FROM FILES (
    format = 'AVRO',
    uris = ['gs://sample-data-and-media/cymbal-pets/tables/order_items/*.avro'],
    enable_logical_types = true
);

LOAD DATA INTO `cymbal_pets_demo.orders`
FROM FILES (
    format = 'AVRO',
    uris = ['gs://sample-data-and-media/cymbal-pets/tables/orders/*.avro'],
    enable_logical_types = true
);

-- 1. Create a new partitioned and clustered table from your current data
CREATE TABLE cymbal_pets_demo.orders_temp
PARTITION BY order_date
CLUSTER BY order_id
AS
SELECT
  customer_id,
  order_id,
  shipping_address_city,
  store_id,
  -- Parse the string to a DATE type. Adjust format string ('%Y-%m-%d') if necessary.
  PARSE_DATE('%Y-%m-%d', order_date) AS order_date,
  order_type,
  payment_method
FROM
  cymbal_pets_demo.orders;

-- 2. Drop the original, non-partitioned table
DROP TABLE cymbal_pets_demo.orders;

-- 3. Rename the temporary table to the original table name
ALTER TABLE cymbal_pets_demo.orders_temp RENAME TO orders;

LOAD DATA INTO `cymbal_pets_demo.products`
FROM FILES (
    format = 'AVRO',
    uris = ['gs://sample-data-and-media/cymbal-pets/tables/products/*.avro'],
    enable_logical_types = true
);

LOAD DATA INTO `cymbal_pets_demo.stores`
FROM FILES (
    format = 'AVRO',
    uris = ['gs://sample-data-and-media/cymbal-pets/tables/stores/*.avro'],
    enable_logical_types = true
);

คุณจะเห็นข้อความยืนยันว่ามีการโหลดแถวลงในแต่ละตารางแล้ว

5. สร้างกราฟเชิงคุณสมบัติ

เมื่อโหลดข้อมูลแล้ว คุณก็กำหนดกราฟเชิงคุณสมบัติ ได้ ซึ่งจะบอก BigQuery ว่าตารางใดแสดงโหนด (เอนทิตี เช่น ลูกค้า สินค้า) และตารางใดแสดงขอบ (ความสัมพันธ์ เช่น "เข้าชม" "สั่งซื้อ" "มี")

สคีกราฟ

เรียกใช้คำสั่ง DDL ต่อไปนี้

CREATE OR REPLACE PROPERTY GRAPH cymbal_pets_demo.PetsOrderGraph
NODE TABLES (
  cymbal_pets_demo.customers KEY(customer_id) LABEL Customer,
  cymbal_pets_demo.products KEY(product_id) LABEL Products,
  cymbal_pets_demo.stores KEY(store_id) LABEL Stores,
  cymbal_pets_demo.orders KEY(order_id) LABEL Orders
)
EDGE TABLES (
  cymbal_pets_demo.orders as customer_to_store_edge
    KEY (order_id)
    SOURCE KEY (customer_id) references customers(customer_id)
    DESTINATION KEY (store_id) references stores(store_id)
    LABEL Visited
    PROPERTIES ALL COLUMNS,

  cymbal_pets_demo.order_items
    KEY (order_item_id)
    SOURCE KEY (order_id) references orders(order_id)
    DESTINATION KEY (product_id) references products(product_id)
    LABEL Has
    PROPERTIES ALL COLUMNS,

  cymbal_pets_demo.orders as customer_to_orders_edge
    KEY (order_id)
    SOURCE KEY (customer_id) references customers(customer_id)
    DESTINATION KEY (order_id) references orders(order_id)
    LABEL Placed
    PROPERTIES ALL COLUMNS,

  cymbal_pets_demo.co_related_products_for_angelica
    KEY (angelica_product_id)
    SOURCE KEY (angelica_product_id) references products(product_id)
    DESTINATION KEY (other_product_id) references products(product_id)
    LABEL BoughtTogether
    PROPERTIES ALL COLUMNS
);

ซึ่งจะสร้างกราฟ PetsOrderGraph ที่ช่วยให้เราทำการข้ามกราฟได้โดยใช้โอเปอเรเตอร์ GRAPH_TABLE

6. แสดงข้อมูลประวัติการซื้อของลูกค้าทั้งหมดผ่านภาพ

สำหรับส่วนการแสดงข้อมูลผ่านภาพและการแนะนำของ Codelab นี้ เราจะใช้การแสดงข้อมูลกราฟผ่านภาพแบบเนทีฟใน BigQuery Studio ซึ่งช่วยให้เราแสดงผลลัพธ์กราฟผ่านภาพได้อย่างง่ายดาย

หรือคุณจะแสดงข้อมูลผ่านภาพใน BigQuery Graph Notebook โดยใช้ IPython Magics ก็ได้ การเพิ่มคำสั่ง Magic %%bigquery พร้อมฟังก์ชัน TO_JSON จะช่วยให้คุณแสดงผลลัพธ์ผ่านภาพได้ตามที่แสดงในส่วนต่อไปนี้

สมมติว่า Cymbal Pets ต้องการแสดงข้อมูลลูกค้าทั้งหมดและคำสั่งซื้อที่ลูกค้าทำในช่วงเวลาที่กำหนดผ่านภาพแบบครบ 360 องศา

เรียกใช้คำสั่งต่อไปนี้ในแท็บ BigQuery Studio ใหม่

GRAPH cymbal_pets_demo.PetsOrderGraph
  # finds the customer node and then finds all
  # the Orders nodes that are connected to that customer through the
  # Placed relationship
  MATCH (customer:Customer)-[placed:Placed]->(ordr:Orders)-[has:Has]->(product:Products)
  # filters the Orders nodes to only include those where the
  # order_date is within the last 3 months.
  WHERE ordr.order_date >= date('2024-11-27')
  # # This line finds all the Products nodes that are connected to the
  # # filtered Orders nodes through the Has relationship.
  MATCH p=(customer:Customer)-[placed:Placed]->(ordr:Orders)-[has:Has]->(product:Products)
  LIMIT 40
  RETURN 
    TO_JSON(p) as paths

หากต้องการแสดงผลลัพธ์ผ่านภาพ ให้คลิกกราฟในบานหน้าต่างผลการค้นหา

ประวัติการซื้อของลูกค้าทั้งหมด

7. แสดงข้อมูลประวัติการซื้อของ Angelica ผ่านภาพ

สมมติว่า Cymbal Pets ต้องการเจาะลึกข้อมูลของลูกค้าชื่อ Angelica Russell โดยต้องการวิเคราะห์สินค้าที่ Angelica ซื้อในช่วง 3 เดือนที่ผ่านมาและร้านค้าที่ลูกค้าเข้าชม

GRAPH cymbal_pets_demo.PetsOrderGraph
  # finds the customer node with the name "Angelica Russell" and then finds all
  # the Orders nodes that are connected to that customer through the
  # Placed relationship and all the Products nodes that are connected to the
  # filtered Orders nodes through the Has relationship.
   MATCH p=(customer:Customer {first_name: 'Angelica', last_name: 'Russell'})-[placed:Placed]->(ordr:Orders)-[has:Has]->(product:Products)
  # filters the Orders nodes to only include those where the
  # order_date is within the last 3 months.
  WHERE ordr.order_date >= date('2024-11-27')
  # finds the Stores nodes where Angelica placed order from
  MATCH p2=(customer)-[visited:Visited]->(store:Stores)
  RETURN
    TO_JSON(p) as path, TO_JSON(p2) as path2

ประวัติการซื้อของแอนเจลิกา

8. การแนะนำสินค้าโดยใช้การค้นหาแบบเวกเตอร์

Cymbal Pets ต้องการแนะนำสินค้าให้ Angelica โดยอิงตามสิ่งที่เธอซื้อเมื่อเร็วๆ นี้ เราสามารถใช้การค้นหาแบบเวกเตอร์ เพื่อค้นหาสินค้าที่มีการฝังที่คล้ายกับสินค้าที่เธอซื้อในอดีต

เรียกใช้สคริปต์ SQL ต่อไปนี้ในเซลล์ Colab ใหม่ สคริปต์นี้จะทำดังนี้

ระบุสินค้าที่ Angelica ซื้อเมื่อเร็วๆ นี้
ใช้ VECTOR_SEARCH เพื่อค้นหาสินค้าที่คล้ายกัน 4 รายการแรกจากตาราง products

หมายเหตุ: ขั้นตอนนี้ถือว่าคุณได้เรียกใช้ AI.GENERATE_EMBEDDINGS เพื่อสร้างคอลัมน์การฝังในตารางผลิตภัณฑ์แล้ว

DECLARE products_bought_by_angelica ARRAY<INT64>;

-- 1. Get IDs of products bought by Angelica
SET products_bought_by_angelica = (
  SELECT ARRAY_AGG(product_id) FROM
   GRAPH_TABLE(
    cymbal_pets_demo.PetsOrderGraph
      MATCH (c:Customer {first_name: 'Angelica', last_name: 'Russell'})-[placed:Placed]->(o:Orders)
      WHERE o.order_date >= date('2024-11-27')
      MATCH (o)-[has_edge:Has]->(p:Products)
      RETURN DISTINCT p.product_id as product_id
  ));

-- 2. Find similar products using vector search
SELECT 
  query.product_name as AngelicaBought, 
  base.product_name as RecommendedProducts, 
  base.category
FROM
  VECTOR_SEARCH(
    TABLE cymbal_pets_demo.products,
    'embedding',
    (SELECT * FROM cymbal_pets_demo.products
     WHERE product_id IN UNNEST(products_bought_by_angelica)),
    'embedding',
    top_k => 4)
WHERE query.product_name <> base.product_name;

คุณจะเห็นรายการสินค้าที่แนะนำซึ่งมีความหมายคล้ายกับสินค้าที่ Angelica ซื้อ

ผลการค้นหาเวกเตอร์

9. การแนะนำโดยใช้ "สินค้าที่มักมีการซื้อร่วมกัน" และความคล้ายคลึงของ Jaccard

เทคนิคการแนะนำที่มีประสิทธิภาพอีกอย่างหนึ่งคือ "การกรองแบบร่วมมือ" ซึ่งเป็นการแนะนำสินค้าที่ผู้ใช้รายอื่นมักซื้อร่วมกัน

เราสามารถค้นหาสินค้าเหล่านี้ได้โดยการข้ามกราฟจากลูกค้าไปยังสินค้าที่ลูกค้าซื้อ จากนั้นไปยังลูกค้ารายอื่นที่ซื้อสินค้าเหล่านั้น และสุดท้ายไปยังสินค้าอื่นๆ ที่ลูกค้าเหล่านั้นซื้อ

การเอาชนะอคติความนิยมด้วยความคล้ายคลึงของ Jaccard

แม้ว่าจำนวนการซื้อร่วมแบบดิบจะมีประโยชน์ แต่ก็อาจมีอคติกับสินค้าที่ได้รับความนิยม สินค้าที่ได้รับความนิยมมากอาจมีการซื้อร่วมกับสินค้าอื่นๆ มากมายเพียงเพราะความบังเอิญ

ความคล้ายคลึงของ Jaccard ช่วยให้การแนะนำก้าวไปอีกขั้นด้วยการทำให้จำนวนการซื้อร่วมเป็นปกติ โดยจะวัดความคล้ายคลึงระหว่าง 2 ชุด (ในกรณีนี้คือชุดคำสั่งซื้อที่มีสินค้าแต่ละรายการ)

สูตรความคล้ายคลึงของ Jaccard มีดังนี้

โดยที่

A intersect B คือจำนวนคำสั่งซื้อที่มีทั้งสินค้า A และสินค้า B (จำนวนการซื้อร่วม)
A คือจำนวนคำสั่งซื้อทั้งหมดที่มีสินค้า A
B คือจำนวนคำสั่งซื้อทั้งหมดที่มีสินค้า B

ในตัวอย่างต่อไปนี้ ชุด A = {b,c,e,f,g}, ชุด B = {a,d,b,g}, ส่วนที่ตัดกัน A⋂B = {b,g}, ส่วนที่รวมกัน A⋃B = {a,b,c,d,e,f,g} ดังนั้นความคล้ายคลึงของ Jaccard ระหว่าง A และ B คือ 2 / 7 = 0.285714

การสร้างและการจัดอันดับผู้สมัคร

ในระบบแนะนำสินค้าในโลกแห่งความเป็นจริงที่ทำงานกับชุดข้อมูลขนาดใหญ่ การคำนวณคะแนนความคล้ายคลึงที่ซับซ้อน (เช่น Jaccard) สำหรับสินค้าทุกคู่ที่เป็นไปได้มักจะไม่สามารถทำได้จริง แต่รูปแบบที่ใช้กันทั่วไปคือการใช้แนวทาง 2 ขั้นตอน ดังนี้

การสร้างผู้สมัคร: ใช้เมตริกที่ง่ายและรวดเร็ว (เช่น จำนวนการซื้อร่วมแบบดิบ) เพื่อกรองพื้นที่การค้นหาและค้นหาผู้สมัครจำนวนที่จัดการได้ (เช่น 10 รายการแรก)
การจัดอันดับใหม่: ใช้เมตริกที่แม่นยำกว่าแต่ต้องใช้การคำนวณมากกว่า (เช่น ความคล้ายคลึงของ Jaccard) เพื่อจัดอันดับผู้สมัครจำนวนน้อยนั้นและเลือกคำแนะนำ 3 รายการแรกสุดท้าย

ใน Codelab นี้ เราจะทำตามรูปแบบนี้

ขั้นตอนที่ 1: เรียกใช้การค้นหาเพื่อค้นหาสินค้าที่มักมีการซื้อร่วมกัน 10 รายการแรกสำหรับสินค้าแต่ละรายการ โดยอิงตามจำนวนการซื้อร่วมแบบดิบ และจัดเก็บไว้ในตาราง
ขั้นตอนที่ 2: ใช้การค้นหากราฟเพื่อดึงข้อมูลผู้สมัครเหล่านี้ จัดอันดับตามความคล้ายคลึงของ Jaccard และแสดงผลลัพธ์ 3 รายการแรก

[!WARNING] ข้อเสีย: การกรองตามจำนวนแบบดิบในขั้นตอนที่ 1 อาจทำให้เราพลาด "การเรียกคืน" การซื้อร่วมที่เฉพาะเจาะจงมากแต่เกิดขึ้นไม่บ่อย หากสินค้ามีความคล้ายคลึงกับสินค้าอื่นมากแต่มีการซื้อทั้ง 2 รายการไม่บ่อยนัก สินค้าดังกล่าวอาจไม่ติด 10 อันดับแรกของผู้สมัครและจะถูกมองข้ามไป

เรียกใช้การค้นหาต่อไปนี้เพื่อคำนวณทั้งจำนวนการซื้อร่วมแบบดิบและความคล้ายคลึงของ Jaccard และจัดเก็บผู้สมัคร10 รายการแรก ตามจำนวนแบบดิบ

CREATE OR REPLACE TABLE cymbal_pets_demo.co_related_products_for_angelica AS
-- Calculate the total number of orders for each product
WITH ProductOrderCounts AS (
    SELECT product_id, COUNT(DISTINCT order_id) as total_count
    FROM cymbal_pets_demo.order_items
    GROUP BY product_id
),
-- Calculate the intersection of each product pairs
CoPurchases AS (
    SELECT
        angelicaProduct.product_id AS angelica_product_id,
        otherProduct.product_id AS other_product_id,
        count(DISTINCT otherOrder.order_id) AS co_purchase_count
    FROM
        GRAPH_TABLE (cymbal_pets_demo.PetsOrderGraph
          MATCH (angelica:Customer {first_name: 'Angelica', last_name: 'Russell'})-[:Placed]->(o:Orders)-[:Has]->(angelicaProduct:Products)
          WHERE o.order_date >= date('2024-11-27')
          WITH angelica, angelicaProduct
          MATCH (otherCustomer:Customer)-[:Placed]->(otherOrder:Orders)-[:Has]->(angelicaProduct)
          WHERE otherCustomer <> angelica
          WITH angelicaProduct, otherOrder
          MATCH (otherOrder)-[:HAS]->(otherProduct:Products)
          WHERE angelicaProduct <> otherProduct
          RETURN angelicaProduct, otherProduct, otherOrder
        )
    GROUP BY
        angelicaProduct.product_id, otherProduct.product_id
)
SELECT * FROM (
    SELECT
        cp.angelica_product_id,
        cp.other_product_id,
        cp.co_purchase_count,
        -- The Jaccard calculation, which is the intersection of A and B divided by (A + B - intersection)
        SAFE_DIVIDE(cp.co_purchase_count, (poc1.total_count + poc2.total_count - cp.co_purchase_count)) AS jaccard_similarity,
        ROW_NUMBER() OVER (PARTITION BY cp.angelica_product_id ORDER BY cp.co_purchase_count DESC) AS rn
    FROM CoPurchases cp
    JOIN ProductOrderCounts poc1 ON cp.angelica_product_id = poc1.product_id
    JOIN ProductOrderCounts poc2 ON cp.other_product_id = poc2.product_id
)
WHERE rn <= 10;

ตรรกะของคำแนะนำ

เรียกใช้การค้นหานี้เพื่อแนะนำสินค้า 3 รายการแรกสำหรับการซื้อแต่ละครั้งของ Angelica ซึ่งเชื่อมต่อโดยตรงผ่านขอบ BoughtTogether โดยแสดงทั้งจำนวนการซื้อร่วมและความคล้ายคลึงของ Jaccard

SELECT * FROM GRAPH_TABLE(
  cymbal_pets_demo.PetsOrderGraph
  MATCH (customer:Customer {first_name: 'Angelica', last_name: 'Russell'})-[placed:Placed]->(ordr:Orders)
  WHERE ordr.order_date >= date('2024-11-27')
  MATCH (ordr)-[has:Has]->(product:Products)
  MATCH (product)-[bought_together:BoughtTogether]->(recommended_product:Products)
  RETURN 
    product.product_name AS OriginalProduct,
    recommended_product.product_name AS Recommended,
    bought_together.co_purchase_count AS Strength,
    bought_together.jaccard_similarity AS JaccardSimilarity
)
-- Rank product recommendations by Jaccard Similarity
QUALIFY ROW_NUMBER() OVER (PARTITION BY OriginalProduct ORDER BY JaccardSimilarity DESC) <= 3
ORDER BY OriginalProduct;

การค้นหานี้จะข้ามจากลูกค้า -> คำสั่งซื้อ -> สินค้า -> (สินค้าที่มักมีการซื้อร่วมกัน) -> สินค้าที่แนะนำ โดยแสดงคำแนะนำตามพฤติกรรมการซื้อโดยรวมและดึงข้อมูลคะแนนความคล้ายคลึง

ซื้อด้วยกัน

10. ล้างข้อมูล

หากต้องการหลีกเลี่ยงการเรียกเก็บเงินอย่างต่อเนื่องจากบัญชี Google Cloud ให้ลบทรัพยากรที่สร้างขึ้นระหว่าง Codelab นี้

ลบชุดข้อมูลและตารางทั้งหมดโดยทำดังนี้

DROP SCHEMA IF EXISTS cymbal_pets_demo CASCADE;

หากคุณสร้างโปรเจ็กต์ใหม่สำหรับ Codelab นี้ คุณสามารถลบโปรเจ็กต์ได้โดยทำดังนี้

gcloud projects delete $PROJECT_ID

11. ขอแสดงความยินดี

ขอแสดงความยินดี คุณสร้างมุมมองข้อมูลลูกค้าแบบครบ 360 องศาและเครื่องมือแนะนำสินค้าโดยใช้ BigQuery Graph ได้สำเร็จแล้ว

สิ่งที่คุณได้เรียนรู้

วิธีสร้างกราฟเชิงคุณสมบัติใน BigQuery
วิธีโหลดข้อมูลลงในโหนดและขอบของกราฟ
วิธีค้นหารูปแบบกราฟโดยใช้ GRAPH_TABLE และ MATCH
วิธีรวมการค้นหากราฟเข้ากับการค้นหาแบบเวกเตอร์เพื่อการแนะนำแบบไฮบริด

ขั้นตอนถัดไป

สำรวจเอกสารประกอบของ BigQuery Graph
ดูข้อมูลเพิ่มเติมเกี่ยวกับการค้นหาแบบเวกเตอร์ใน BigQuery