BigQuery Graph-এর সাহায্যে কাস্টমার ৩৬০ সাজেশন অ্যাপ্লিকেশন তৈরি করা

১. ভূমিকা

এই কোডল্যাবে, আপনি শিখবেন কীভাবে BigQuery Graph ব্যবহার করে Cymbal Pets নামক একটি কাল্পনিক রিটেল কোম্পানির জন্য কাস্টমার ৩৬০ ভিউ এবং সাজেশন ইঞ্জিন তৈরি করতে হয়। আপনি BigQuery-তে সরাসরি গ্রাফ ডেটা তৈরি, কোয়েরি ও বিশ্লেষণ করতে SQL-এর ক্ষমতা ব্যবহার করবেন এবং উন্নত প্রোডাক্টের ব্যাপারে সাজেশন দেওয়ার জন্য ভেক্টর সার্চের সাথে এটি একত্রিত করবেন।

BigQuery Graph আপনাকে ডেটা এন্টিটির (যেমন, গ্রাহক, প্রোডাক্ট ও অর্ডার) মধ্যে সম্পর্ককে গ্রাফ হিসেবে মডেল করার সুবিধা দেয়, যার ফলে গ্রাহকের আচরণ ও প্রোডাক্টের প্রতি আগ্রহ সম্পর্কে জটিল প্রশ্নের উত্তর দেওয়া সহজ হয়।

ব্যবহারিক ক্ষেত্রের ডায়াগ্রাম

আপনি কী করবেন

  • Cymbal Pets গ্রাফের জন্য BigQuery ডেটাসেট ও স্কিমা তৈরি করা
  • Cloud Storage থেকে স্যাম্পেল ডেটা (গ্রাহক, প্রোডাক্ট, অর্ডার, স্টোর) লোড করুন
  • এইসব এন্টিটি কানেক্ট করে BigQuery-তে একটি প্রপার্টি গ্রাফ তৈরি করুন
  • গ্রাফ কোয়েরি ব্যবহার করে গ্রাহকের কেনাকাটার ইতিহাস ভিজ্যুয়ালাইজ করা
  • ভেক্টর সার্চ ব্যবহার করে প্রোডাক্ট সাজেশন সিস্টেম তৈরি করুন
  • "একসাথে কেনা" গ্রাফ সম্পর্ক এবং জ্যাকার্ড সাদৃশ্য ব্যবহার করে সাজেশন উন্নত করুন

আপনার কী প্রয়োজন হবে

  • Chrome-এর মতো ওয়েব ব্রাউজার
  • বিলিং চালু করা আছে এমন একটি Google Cloud প্রোজেক্ট

এই কোডল্যাবটি নতুনদের সহ সব লেভেলের ডেভেলপারদের জন্য।

২. শুরু করার আগে

Google Cloud প্রোজেক্ট তৈরি করা

  1. Google Cloud Console-এ, Google Cloud প্রোজেক্ট বেছে নিন বা তৈরি করুন।
  2. আপনার Cloud প্রোজেক্টের জন্য বিলিং চালু করা আছে কিনা তা ভাল করে দেখে নিন।

Cloud Shell চালু করুন

  1. Google Cloud কনসোলের সবচেয়ে উপরে Cloud Shell অ্যাক্টিভেট করুন বিকল্পে ক্লিক করুন।
  2. যাচাইকরণ চেক করুন:
gcloud auth list
  1. আপনার প্রোজেক্ট কনফার্ম করুন:
gcloud config get project
  1. প্রয়োজন হলে এটি সেট করুন:
export PROJECT_ID=<YOUR_PROJECT_ID>
gcloud config set project $PROJECT_ID

API চালু করুন

প্রয়োজনীয় BigQuery API চালু করতে এই কমান্ড রান করুন:

gcloud services enable bigquery.googleapis.com

৩. স্কিমা নির্দিষ্ট করুন

প্রথমে, আপনার গ্রাফ-সম্পর্কিত টেবিল স্টোর করতে এবং আপনার নোড ও এজের জন্য স্কিমা নির্ধারণ করতে আপনাকে একটি ডেটাসেট তৈরি করতে হবে।

  1. এই কোডল্যাবের জন্য, আমরা SQL কমান্ড এক্সিকিউট করব। আপনি BigQuery Studio > SQL Editor-এ এইসব কমান্ড রান করতে অথবা Cloud Shell-এ bq query কমান্ড ব্যবহার করতে পারবেন। নতুন SQL কোয়েরিআমরা ধরে নেব যে আপনি মাল্টি-লাইন ক্রিয়েট স্টেটমেন্টের সাথে আরও ভালো অভিজ্ঞতার জন্য BigQuery SQL এডিটর ব্যবহার করছেন।
  2. cymbal_pets_demo ডেটাসেট তৈরি করুন:
CREATE SCHEMA IF NOT EXISTS cymbal_pets_demo;
  1. order_items, products, orders, stores, customers এবং co_related_products_for_angelica-এর জন্য টেবিল তৈরি করুন। এইসব টেবিল আমাদের গ্রাফের জন্য সোর্স ডেটা হিসেবে কাজ করবে।
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
);

আপনি এখন আপনার গ্রাফ ডেটার জন্য স্ট্রাকচার নির্ধারণ করেছেন।

৪. ডেটা লোড করুন

এখন, Cloud Storage থেকে স্যাম্পেল ডেটা দিয়ে টেবিলগুলি পূরণ করুন।

BigQuery SQL এডিটরে নিম্নলিখিত LOAD DATA স্টেটমেন্ট রান করুন:

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
);

প্রতিটি টেবিলে সারি লোড করা হয়েছে বলে একটি কনফার্মেশন মেসেজ দেখতে পাবেন।

৫. প্রপার্টি গ্রাফ তৈরি করুন

ডেটা লোড হয়ে গেলে, আপনি এখন প্রপার্টি গ্রাফ নির্ধারণ করতে পারবেন। এটি BigQuery-কে জানায় যে কোন টেবিল নোড (গ্রাহক, প্রোডাক্টের মতো এন্টিটি) এবং কোন টেবিল এজ ("ভিজিট করেছেন", "অর্ডার দিয়েছেন", "আছে" ইত্যাদির মতো সম্পর্ক) দেখায়।

গ্রাফ স্কিমা

নিম্নলিখিত DDL স্টেটমেন্ট রান করুন:

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
);

এটি PetsOrderGraph গ্রাফ তৈরি করে যা আমাদের GRAPH_TABLE অপারেটর ব্যবহার করে গ্রাফ ট্রাভার্সাল করতে দেয়।

৬. সব গ্রাহকের কেনাকাটার ইতিহাস ভিজ্যুয়ালাইজ করুন

এই কোডল্যাবের ভিজ্যুয়ালাইজেশন ও সাজেশন সংক্রান্ত অংশের জন্য, আমরা BigQuery Studio-তে নেটিভ গ্রাফ ভিজ্যুয়ালাইজেশন ব্যবহার করব। এটি আমাদের গ্রাফের ফলাফল সহজেই দেখতে সাহায্য করে।

এছাড়াও, আপনি IPython Magics ব্যবহার করে BigQuery গ্রাফ নোটবুকে ভিজ্যুয়ালাইজ করতে পারেন। TO_JSON ফাংশনের সাথে %%bigquery ম্যাজিক কমান্ড যোগ করে, আপনি নিম্নলিখিত বিভাগে দেখানো ফলাফল দেখতে পারবেন।

ধরা যাক, Cymbal Pets সব গ্রাহক এবং নির্দিষ্ট সময়সীমার মধ্যে তাদের করা কেনাকাটার ৩৬০ ডিগ্রি ভিজ্যুয়ালাইজেশন পেতে চায়।

নতুন BigQuery Studio ট্যাবে নিম্নলিখিত কোয়েরি রান করুন:

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

আপনার ফলাফল ভিজ্যুয়ালাইজ করতে, কোয়েরি ফলাফল প্যানে গ্রাফে ক্লিক করুন।

সব গ্রাহকের কেনাকাটার ইতিহাস

৭. অ্যাঞ্জেলিকার কেনাকাটার ইতিহাস দেখুন

ধরা যাক, Cymbal Pets, Angelica Russell নামের একজন গ্রাহকের সম্পর্কে আরও তথ্য জানতে চায়। তারা গত ৩ মাসে Angelica-এর কেনা প্রোডাক্ট এবং তার ভিজিট করা স্টোর বিশ্লেষণ করতে চায়।

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

অ্যাঞ্জেলিকার কেনাকাটার ইতিহাস

৮. ভেক্টর সার্চ ব্যবহার করে প্রোডাক্ট সাজেশন

Cymbal Pets, Angelica-কে তার সাম্প্রতিক কেনাকাটার উপর ভিত্তি করে প্রোডাক্ট সাজেস্ট করতে চায়। আমরা ভেক্টর সার্চ ব্যবহার করে তার আগে কেনা প্রোডাক্টের মতো একই ধরনের এম্বেডিং সহ প্রোডাক্ট খুঁজে পেতে পারি।

নতুন Colab সেলে নিম্নলিখিত SQL স্ক্রিপ্ট রান করুন। এই স্ক্রিপ্ট:

  1. অ্যাঞ্জেলিকা সম্প্রতি যেসব প্রোডাক্ট কিনেছে তা শনাক্ত করে।
  2. products টেবিল থেকে সেরা ৪টি একই ধরনের প্রোডাক্ট খুঁজতে VECTOR_SEARCH ব্যবহার করে।

মনে রাখবেন: এই ধাপে ধরে নেওয়া হয়েছে যে আপনি প্রোডাক্ট টেবিলে এম্বেডিং কলাম তৈরি করার জন্য আগেই AI.GENERATE_EMBEDDINGS রান করেছেন।

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;

আপনি সাজেস্ট করা প্রোডাক্টের একটি তালিকা দেখতে পাবেন যা Angelica-এর কেনা প্রোডাক্টের সাথে অর্থগতভাবে মিল আছে।

ভেক্টর সার্চ ফলাফল

৯. "একসাথে কেনা" এবং জ্যাকার্ড সিমিলারিটি ব্যবহার করে সাজেশন

সাজেশন দেওয়ার আরেকটি শক্তিশালী টেকনিক হল "কোলাবরেটিভ ফিল্টারিং" — অন্যান্য ব্যবহারকারীরা প্রায়ই একসাথে যেসব প্রোডাক্ট কেনেন সেগুলি সাজেস্ট করা।

আমরা এই প্রোডাক্টগুলি খুঁজে পেতে পারি, কোনও গ্রাহক থেকে তার কেনা প্রোডাক্ট পর্যন্ত গ্রাফটি ট্রাভার্স করে, তারপর সেই প্রোডাক্টগুলি কেনা অন্যান্য গ্রাহকদের কাছে এবং অবশেষে সেই গ্রাহকদের কেনা অন্যান্য প্রোডাক্টের কাছে।

জ্যাকার্ড সিমিলারিটির মাধ্যমে জনপ্রিয়তার পক্ষপাতিত্ব কাটিয়ে ওঠা

একসাথে কেনা প্রোডাক্টের সংখ্যা জানাটা উপযোগী হলেও, তা জনপ্রিয় প্রোডাক্টের দিকে পক্ষপাতদুষ্ট হতে পারে। খুব জনপ্রিয় প্রোডাক্ট হয়ত অনেক জিনিসের সাথে কেনা হতে পারে।

জ্যাকার্ড সিমিলারিটি একসাথে কেনাকাটার সংখ্যা স্বাভাবিক করার মাধ্যমে সাজেশনকে আরও এক ধাপ এগিয়ে নিয়ে যায়। এটি দুটি সেটের মধ্যে মিল পরিমাপ করে (এই ক্ষেত্রে, প্রতিটি প্রোডাক্ট সহ অর্ডারের সেট)।

জ্যাকার্ড সিমিলারিটির ফর্মুলা হল:

কোথায়:

  • A ইন্টারসেক্ট B হল প্রোডাক্ট A এবং প্রোডাক্ট B (একসাথে কেনাকাটার সংখ্যা) উভয়ই রয়েছে এমন অর্ডারের সংখ্যা।
  • A হল প্রোডাক্ট A আছে এমন অর্ডারের মোট সংখ্যা।
  • B হল প্রোডাক্ট B আছে এমন অর্ডারের মোট সংখ্যা।

নিম্নলিখিত উদাহরণে, সেট A = {b,c,e,f,g}, সেট B = {a,d,b,g}, তাদের ইন্টারসেকশন A⋂B = {b,g}, তাদের ইউনিয়ন A⋃B = {a,b,c,d,e,f,g}, তাই A ও B-এর মধ্যে জ্যাকার্ড সিমিলারিটি হল ২ / ৭ = ০.২৮৫৭১৪

ক্যান্ডিডেট জেনারেশন ও রি-র‍্যাংকিং

বাস্তব-জগতের সাজেশন সিস্টেমে, যা বিশাল ডেটাসেটে কাজ করে, সেখানে প্রোডাক্টের সব সম্ভাব্য পেয়ারের জন্য জটিল সাদৃশ্য স্কোর (যেমন Jaccard) গণনা করা প্রায়শই অবাস্তব। পরিবর্তে, একটি সাধারণ প্যাটার্ন হল দুই-পর্যায়ের পদ্ধতি ব্যবহার করা:

  1. ক্যান্ডিডেট জেনারেশন: সার্চ স্পেস ফিল্টার করতে এবং ম্যানেজ করা যায় এমন সংখ্যক ক্যান্ডিডেট (যেমন, সেরা ১০) খুঁজে পেতে একটি সহজ, দ্রুত মেট্রিক (যেমন, র কো-পারচেজ কাউন্ট) ব্যবহার করুন।
  2. আবার র‍্যাঙ্কিং করা: আরও সুনির্দিষ্ট, কিন্তু কম্পিউটেশনালভাবে ভারী, মেট্রিক (যেমন Jaccard Similarity) প্রয়োগ করে সেই ছোট সেট থেকে ক্যান্ডিডেটদের র‍্যাঙ্ক করা এবং চূড়ান্ত সেরা সাজেশন বেছে নেওয়া।

এই কোডল্যাবে, আমরা এই প্যাটার্ন অনুসরণ করব:

  • ধাপ ১: প্রতিটি প্রোডাক্টের জন্য একসাথে কেনা সেরা ১০টি প্রোডাক্ট খুঁজে পেতে একটি কোয়েরি চালান, যা একসাথে কেনা প্রোডাক্টের সংখ্যার উপর ভিত্তি করে এবং সেগুলি একটি টেবিলে স্টোর করুন।
  • ধাপ ২: এই ক্যান্ডিডেটদের খুঁজে পেতে গ্রাফ কোয়েরি ব্যবহার করুন, জ্যাকার্ড সিমিলারিটি অনুযায়ী তাদের র‍্যাঙ্ক করুন এবং সেরা ৩টি ক্যান্ডিডেট দেখান।

[!WARNING] অসুবিধা: প্রথম ধাপে র-কাউন্ট ফিল্টার করার ফলে, আমরা অত্যন্ত নির্দিষ্ট কিন্তু কম-ফ্রিকোয়েন্সি সহ-কেনাকাটার "রিকল" হারাতে পারি। কোনও প্রোডাক্ট যদি অন্য প্রোডাক্টের সাথে খুব বেশি মিলে যায়, কিন্তু দুটি প্রোডাক্টই খুব কম কেনা হয়, তাহলে সেটি সেরা ১০টি প্রোডাক্টের তালিকায় নাও থাকতে পারে এবং বাদ পড়ে যেতে পারে।

র-কো-পারচেজ কাউন্ট এবং জ্যাকার্ড সিমিলারিটি, দুটিই গণনা করতে নিম্নলিখিত কোয়েরি রান করুন এবং র-কাউন্ট অনুযায়ী সেরা ১০ ক্যান্ডিডেট স্টোর করুন:

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;

সাজেশন লজিক

অ্যাঞ্জেলিকার প্রতিটি কেনাকাটার জন্য সেরা ৩টি প্রোডাক্ট সাজেস্ট করতে এই কোয়েরি রান করুন, যা সরাসরি BoughtTogether এজ দিয়ে কানেক্ট করা, সহ-কেনাকাটার সংখ্যা এবং জ্যাকার্ড সিমিলারিটি, দুটিই দেখাচ্ছে:

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;

এই কোয়েরি গ্রাহক -> অর্ডার -> প্রোডাক্ট -> (BoughtTogether) -> সাজেস্ট করা প্রোডাক্ট, এই ক্রমে কাজ করে। এটি আপনাকে সম্মিলিত কেনাকাটার আচরণের উপর ভিত্তি করে সাজেশন দেখায় এবং তাদের মিলের স্কোর খুঁজে বের করে।

একসাথে কেনা হয়েছে

১০. অপ্রয়োজনীয়গুলি মুছুন

আপনার Google Cloud অ্যাকাউন্টে চার্জ করা এড়াতে, এই কোডল্যাব চলাকালীন তৈরি করা রিসোর্স মুছে দিন।

ডেটাসেট ও সব টেবিল মুছে দিন:

DROP SCHEMA IF EXISTS cymbal_pets_demo CASCADE;

আপনি যদি এই কোডল্যাবের জন্য নতুন প্রোজেক্ট তৈরি করে থাকেন, তাহলে প্রোজেক্টটি মুছেও দিতে পারেন:

gcloud projects delete $PROJECT_ID

১১. অভিনন্দন

অভিনন্দন! আপনি BigQuery Graph ব্যবহার করে কাস্টমার ৩৬০ ভিউ এবং সাজেশন ইঞ্জিন তৈরি করেছেন।

আপনি যা শিখেছেন

  • BigQuery-তে কীভাবে প্রপার্টি গ্রাফ তৈরি করতে হয়।
  • গ্রাফ নোড ও এজে কীভাবে ডেটা লোড করতে হয়।
  • GRAPH_TABLE এবং MATCH ব্যবহার করে কীভাবে গ্রাফ প্যাটার্ন কোয়েরি করতে হয়।
  • হাইব্রিড সাজেশনের জন্য ভেক্টর সার্চের সাথে গ্রাফ কোয়েরি কীভাবে একত্রিত করবেন।

পরবর্তী ধাপ