Freigeben über

Metadaten-Tagging und User Bucketing

  • Artikel

Intelligente Empfehlungen können verwendet werden, um die relevante Personalisierung für Endbenutzer zu verbessern, selbst wenn diese anonym sind. Kunden können ein personalisiertes Metadaten-Tagging-Erlebnis für ihr Schaufenster integrieren. Diese Erfahrung wird durch die Fähigkeit erreicht, Metadaten-Tags für Inhalte (wie geschriebene Artikel, Podcasts, Videos, Einzelhandelsprodukte usw.) zu identifizieren und ähnliche Tags oder Inhalte auf der Grundlage des Geschmacks/der Vorlieben des Nutzers zu empfehlen. Benutzer-Metadaten können sehr hilfreich sein, um allen Benutzern relevante Inhalte zu empfehlen, einschließlich:

  • Neue oder seltene Kunden (auch bekannt als „kalte Benutzer“).
  • Verbindung von Benutzern mit anderen Benutzern auf der Grundlage von eindeutigen Metadaten-Tags.
  • Verbindung von Benutzern mit relevanten Inhalten und Inhalten mit kurzer Vorlaufzeit.

Wenn das Metadaten-Tagging aktiviert ist, können Benutzer neue Empfehlungsszenarien erstellen, wie z.B.:

  • Metadatenkategorien, die wir für Sie kommissioniert haben
  • Andere Personen sehen sich auch diese Kategorien an
  • Aktuelle Ereignisse basierend auf Ihren letzten Aktivitäten
  • Ähnliche Produkte/Inhalte auf der Grundlage ihrer zugeordneten Metadaten-Tags
  • Kommissionierungen für Sie auf der Grundlage von Buckets für das Nutzerverhalten entnehmen

Was ist ein Tag?

Tags sind ein Deskriptor für etwas von Interesse innerhalb der Elemente/Inhalte, zu dem sich die Benutzer hingezogen fühlen, und müssen spezifisch für die Aktivität des Endbenutzers sein. In der Welt der Filme können z.B. das Genre, die Darsteller, die Stimmung usw. als Tags für einen Film betrachtet werden, aber auch etwas, das die Anwender besonders mögen oder nicht mögen. Tags können sogar prominente Spieler/Benutzer, Artikeltitel, Genre, Produktkategorien, Ereignisse und andere inhaltliche Begriffe enthalten. Das Ziel ist es, sicherzustellen, dass Anwendern relevante Inhalte empfohlen werden, die ihren Interessen/Geschmack/Präferenzen auf der Grundlage der verfügbaren Metadaten entsprechen.

Architekturübersicht

Um das Metadaten-Tagging wie im Architekturdiagramm gezeigt zu konfigurieren, gelten folgende Voraussetzungen:

  1. Maßgeblicher Speicher für Inhalte mit umfangreichen Metadaten-Tags - Katalog.
  2. Interaktionsverhalten der Benutzer (Klicks auf Inhalte/Nutzung). Die Profilinformationen des Endbenutzers können ebenfalls verwendet werden.
  3. Ein separates Konto für Intelligent Recommendations und eine Modellierungsinstanz für das Verständnis von Benutzerinteressen, die als Tags dargestellt werden.
  4. Eine Komponente zum Ranking von Inhalten auf der Grundlage personalisierter Tags mit einer Echtzeit-API-Abfrage.

Dieses Bild zeigt die Architekturskizze für die Konfiguration des Metadaten-Taggings für ein separates Konto für intelligente Empfehlungen.

Wenn der Dienst aktiviert ist, erstellt er ein Modell personalisierter „Tags“ für Benutzer, basierend auf:

  1. Historische Benutzerinteraktionen
  2. Metadaten-reiche Inhalte mit „Tags“
    1. Hierbei wird davon ausgegangen, dass die Tags bereinigt sind (keine Rechtschreibfehler und die Tags sind ein von Experten vorgegebener, rationalisierter Satz und werden nicht zufällig erstellt oder angehängt).

Datenvertrag Konfiguration

Um einen Datenvertrag so zu konfigurieren, dass er Metadaten-Tagging unterstützt, gehen Sie wie folgt vor: Achten Sie auf die Änderungen zwischen ItemId, TagId und InteractionGroupingId.

Im Abschnitt Anwendungen sehen Sie Beispiele dafür, wie die Einführung von einer TagID oder BucketId die Konfiguration des Datenvertrags ändert. Wir empfehlen ein separates Konto für Intelligent Recommendations und eine Modellierungsinstanz, wenn Sie die Metadatenkennzeichnung testen.

IR-Funktionalitäten Name KATALOG
Datenentität		 KATALOG
Felder der Datenentität		 INTERAKTIONEN
Datenentität		 INTERAKTIONEN
Felder der Datenentität
(Erforderlich für alle Antworten) Reco_ItemsAndVariants ItemId wie die TagId
Title
Fähigkeit zum Filtern
(Gilt für alle Listen)		 Reco_ItemCategories ArtikelKategorien: ItemId (oder TagId), Kategorie
Leute sehen auch Reco_Interactions InteractionGroupingId wie die UserId
ItemId wie die TagId
UserId
InteraktionsTyp: Kauf == angesehen
Zeitstempel
Auswahlen für Sie kommissioniert Reco_Interactions (Wie zuvor)

Anwendungen und Beispiele

In den folgenden Abschnitten werden zwei allgemeine Anwendungsfälle erläutert, die von Metadaten-Tagging profitieren, und es werden einige Beispiele mit Demodaten für beide Fälle gegeben.

  1. Um „die beliebtesten Elemente für Sie“ für kalte Benutzer zu erhalten. Ein Beispiel finden Sie im Abschnitt „Abrufen der beliebtesten Artikel für Sie für Cold Users“.
  2. So erstellen Sie eine Machine-Learning-Zuordnung der Metadaten-Werte von Benutzern. Ein Beispiel finden Sie im Abschnitt „Erstellen einer ML Map der Metadatenwerte von Benutzern“.

Ein allgemeines Problem in der Welt der KI-ML ist die Bereitstellung relevanter Empfehlungen für Benutzer, die neue oder seltene Kunden sind (auch bekannt als „Cold User“). Wie bereits erwähnt, besteht das Ziel hier darin, einige unterschiedliche Behälters basierend auf aussagekräftigen Kategorien und verfügbaren demografischen Informationen (d. h. Alter und Geschlecht) zu erstellen. Verwenden Sie dann alle Interaktionen, um alle Benutzer mit ihren entsprechenden demografischen Buckets zu verbinden, was wiederum die Verbindung der Buckets mit Artikeln während der Modellierungsphase ermöglicht. Während der Bereitstellungsphase kann der demografische Bereich eines Cold-Benutzers zugewiesen und dann zum Empfehlen von Artikeln verwendet werden, beispielsweise „Beliebteste Artikel nach Benutzer-Behälter“.

Die Schritte lauten wie folgt:

  1. Bereiten Sie ein Bucket von Benutzern mit ihren Metadateninformationen vor.
  2. Erstellen Sie die Verbindungen für das Modell in der „Reco_Interactions.csv“ Datenspeicherdatei.
  3. Abfrage des Modells, um „beliebteste Elemente nach Bucket des Nutzers“ API zu erhalten.

Schritt 1: Bereiten Sie ein Bucket der Benutzer mit ihren Metadateninformationen vor

Einige bewährte Verfahren für das Erstellen Ihrer Buckets:

  • Benutzer-Metadaten können als Buckets mit einer gewissen Reichweite dargestellt werden. Erwägen Sie die Verwendung der Metadaten, die für Ihre Geschäftsdomäne und Ihren Anwendungsfall sinnvoll sind. Wenn Sie zum Beispiel einen Bucket für Altersdaten erstellen möchten, könnten Sie diese Werte verwenden: Alter5Bis11, Alter30Bis40, usw.
  • Einige Benutzer-Metadaten lassen sich sogar in Buckets zusammenfassen. Erwägen Sie die Verwendung der Metadaten und Kombinationen, die für Ihre Geschäftsdomäne und Ihren Anwendungsfall sinnvoll sind. Sie könnten zum Beispiel sowohl Alters- als auch Geschlechtsdaten kombinieren, um Buckets wie dieses zu erstellen: Age20To30Male, Age20To30Female, Age30To40Male, Age30To40Female, usw.
  • Sobald Behälter erstellt wurden, müssen Sie jedem Behälter ein eindeutiges BucketId zuweisen.

Schritt 2: Erstellen Sie die Verbindungen für das Modell in der Datei „Reco_Interactions.csv“ im Speicher

Je nachdem, ob die Anzahl der Buckets über oder unter 1000 liegt, kann sich die Art und Weise, wie die Daten im Datenvertrag konfiguriert werden, ändern.

Wenn es WENIGER als 1000 Buckets gibt

Für jede Interaktionszeile legen Sie ChannelId auf BucketId fest, die dem Benutzer entspricht (oder am besten zu ihm passt). Die Interaktions-CSV-Zeile wird geändert in: InteractionGroupingID, ItemId, UserId und BucketId als ChannelId. Ein Beispiel für die Interactions CSV wird im Folgenden gezeigt:

Beispiel-CSV für WENIGER als 1000 Buckets

Interaktionen CSV-Kopfzeilen erscheinen nur der Einfachheit halber und sollten nicht Teil der eigentlichen Daten sein.

InteractionGroupingId ItemId ItemVariantId UserId InteractionType Zeitstempel Zukünftiges Attribut Zukünftiges Attribut Kanal Catalog Stärke IsPositive
InteractionGroupingID ItemId UserId BucketId
Wenn es MEHR als 1000 Buckets gibt

Wenn mehr als 1.000 Datenbereiche vorhanden sind, erstellen Sie mithilfe von BucketId weitere Interaktionszeilen. Verwandeln Sie jede ursprüngliche Interaktionszeile zwischen einem Benutzer und einem Element in zwei neue unterschiedliche Zeilen mit einer eindeutigen InteractionGroupingId, die es nur in diesen beiden Zeilen gibt. Das Beispiel zeigt:

  1. Die ursprüngliche Interaktionszeile mit UserId, ItemId und die InteractionGroupingId als UNIQUE_ID.
  2. Die zusätzliche Interaktionszeile mit der BucketId als ItemId.
Beispiel-CSV für MEHR als 1000 Buckets:

Interaktionen CSV-Kopfzeilen erscheinen nur der Einfachheit halber und sollten nicht Teil der eigentlichen Daten sein.

InteractionGroupingId ItemId ItemVariantId UserId InteractionType Zeitstempel Zukünftiges Attribut Zukünftiges Attribut Kanal Catalog Stärke IsPositive
UNIQUE_ID ItemId UserId
UNIQUE_ID BucketId UserId

Berücksichtigen Sie die zuvor besprochene Gliederung der Modellkonstruktion. Nachdem ein kalter Benutzer und sein demografischer Bereich ermittelt wurden, fragen Sie den dienenden Endpunkt mithilfe des Listentyps Nächste beste Aktion (früher CART) mit dem demografischen Schwerpunkt BucketId ab, um die beliebtesten Artikel dem Bucket zu empfehlen.

Wenn es WENIGER als 1000 Buckets gibt

Ein Beispiel für einen API-Abfrage-Link, bei dem der Parameter für ChannelId durch den Wert BucketId ersetzt wird, würde wie folgt aussehen:

<serving-endpoint>/Reco/V1.0/Popular?channelID=<BucketId>
Beispiel 1: Weniger als 1000 Buckets

Nehmen wir an, ein Benutzer mit UserId=100, dem ein angepasstes BucketId=Age30To40 zugewiesen wurde, hat kürzlich einen Artikel mit ItemId=98005 gekauft. Dieses Beispiel erstellt eine Zeile in der Datei Reco_Interactions.csv, die eine BucketId (im ChannelId Feld auf dem IR-Schema), verwendet, die am besten zum Benutzer passt (dargestellt von UserId im IR-Schema):

  • Die ursprüngliche Interaktionsinfo lautet: InteractionGroupingId=1, UserId=100, ItemId=98005
  • Beachten Sie im CSV-Beispiel, dass die relevante ChannelId, die am besten zu der UserId passt, angehängt ist. Im Beispiel wurde UserId auf die BucketId = Age30To40 abgestimmt, daher lautet die geänderte Interaktionszeile:
InteractionGroupingId ItemId ItemVariantId UserId InteractionType Zeitstempel Zukünftiges Attribut Zukünftiges Attribut Kanal Catalog Stärke IsPositive
1 98005 100 Age30To40
  • Die API-Abfrage und -Antwort geben eine Liste von ItemIds zurück, einschließlich ItemId=43218 an dritter Stelle, was bei Benutzern dieser Kategorie ein beliebter Eintrag ist.
API-Abfrage
GET <serving-endpoint>/reco/v1.0/Popular?ChannelId=Age30To40
Antworten
{
    "id": "Lists",
    "name": "Lists",
    "version": "v1.0",
    "interactionsVersion": "20220104115104",
    "items": [
        {
            "id": "65106",
            "trackingId": "00000000-0000-0000-0000-000000000003"
        },
        {
            "id": "62604",
            "trackingId": "00000000-0000-0000-0000-000000000003"
        },
        {
            "id": "43218",
            "trackingId": "00000000-0000-0000-0000-000000000003"
        },
        {
            "id": "63503",
            "trackingId": "00000000-0000-0000-0000-000000000003"
        },
        {
            "id": "62452",
            "trackingId": "00000000-0000-0000-0000-000000000003"
        }
    ],
    "title": "Popular",
    "longTitle": "Popular",
    "titleId": 5,
    "pagingInfo": {
        "totalItems": 200
    },
    "status": "Success"
}
Wenn es MEHR als 1000 Buckets gibt

Ein Beispiel für einen API Query Link, bei dem die ItemId durch die BucketId für einen kalten Benutzer ersetzt wird, würde wie folgt aussehen:

<serving-endpoint>/Reco/V1.0/Cart/<BucketId>?
Beispiel 2: Mehr als 1000 Buckets

Nehmen wir an, ein Benutzer mit UserId=100, dem ein angepasster Wert BucketId=Age30To40Female zugewiesen wurde, hat vor kurzem ein Element mit dem Wert ItemId=98005 gekauft. Jetzt können Sie die ursprünglichen Interaktionsdaten verwenden und Zeilen in der Datei „Reco_Interactions.csv“ konstruieren:

  • Die ursprüngliche Interaktionsinformation lautet: InteractionGroupingId= NEW_UNIQUE_ID, UserId=100, ItemId=98005
  • Die beiden Zeilen der konstruierten Interaktionsinformationen, die in der Datei „Reco_Interactions.csv“ enthalten sein sollten, die vom Dienst Intelligent Recommendations gelesen wird:
InteractionGroupingId ItemId ItemVariantId UserId InteractionType Zeitstempel Zukünftiges Attribut Zukünftiges Attribut Kanal Catalog Stärke IsPositive
UNIQUE_ID 98005 100
UNIQUE_ID Age30To40Female 100
  • Die API-Abfrage und -Antwort geben eine Liste von ItemIds zurück, einschließlich ItemId =43218 an dritter Stelle, was bei Benutzern dieser Kategorie ein beliebtes Produkt ist.
API-Abfrage
GET <serving-endpoint>/reco/v1.0/Cart/Age30To40Female?
Antworten
{
    "id": "Lists",
    "name": "Lists",
    "version": "v1.0",
    "interactionsVersion": "20220104115104",
    "items": [
        {
            "id": "65106",
            "trackingId": "00000000-0000-0000-0000-000000000003"
        },
        {
            "id": "62604",
            "trackingId": "00000000-0000-0000-0000-000000000003"
        },
        {
            "id": "43218",
            "trackingId": "00000000-0000-0000-0000-000000000003"
        },
        {
            "id": "63503",
            "trackingId": "00000000-0000-0000-0000-000000000003"
        },
        {
            "id": "62452",
            "trackingId": "00000000-0000-0000-0000-000000000003"
        }
    ],
    "title": "Cart",
    "longTitle": "FrequentlyBoughtTogether",
    "titleId": 5,
    "pagingInfo": {
        "totalItems": 200
    },
    "status": "Success"
}

Anwendung 2: Erstellen einer ML Map der Metadaten-Werte der Benutzer

Die Modellierung von Benutzer-Metadaten „Tags“ anstelle von direkten Benutzerinteraktionen kann eine leistungsstarke Modifikation sein, wenn das Ziel darin besteht, ein Ergebnis zu erzielen, das zeigt, wie sehr die Benutzer mit diesen Tags verbunden sind und welche Tags durch ihr Verhalten wirklich ähnlich sind. Weisen Sie jedem sinnvollen und verfügbaren Tag (z.B. demografische Daten wie Alter und Geschlecht oder andere Metadaten) einen eindeutigen Bezeichner zu, den der Dienst als TagId bezeichnet. In der Trainingsphase des Modells werden alle Interaktionsdaten verwendet, um eine Verbindung zwischen UserIds und TagIds herzustellen.

Während der Serving-Phase kann das System eine personalisierte Liste von Tags bereitstellen, indem es „Auswahlen für Sie“ mit UserId und ähnliche Tags mit „Personen mögen auch“ mit TagId aufruft.

Wie verwende ich TagIds für Empfehlungen?

  1. Bereiten Sie eine Liste von Benutzer-Metadatenwerten (Tags) vor und weisen Sie jedem von ihnen eine eindeutige TagId zu.
  2. Erstellen Sie die Verbindungen für das Modell in der Datenspeicherdatei „Reco_Interactions.csv“.
  3. Fragen Sie das Modell ab, um „personalisierte Tags nach Benutzer“ oder „ähnliche Tags“ API zu erhalten.

Schritt 1: Bereiten Sie eine Liste von Benutzer-Metadatenwerten (Tags) vor und weisen Sie jedem von ihnen eine eindeutige TagId zu

Bei der Konstruktion von Werten für Altersdaten ist die Einteilung in Buckets immer noch ein guter Ansatz: Alter5bis11, Alter12bis18, usw.

Für andere Metadatenwerte erstellen Sie jeweils eine eigene TagId. Wenn wir z.B. eine Kategorie für den Familienstand wünschen: Einzelperson, Paar, PaarmitKindern, usw.

Schritt 2: Erstellen Sie die Verbindungen für das Modell in der Datenspeicherdatei „Reco_Interactions.csv“

Verwenden Sie jede ursprüngliche Interaktion zwischen einem Benutzer und einem Element, um eine Zeile von Interaktionsdaten mit der TagId zu erstellen. [!Hinweis:]

Einige wichtige Mahnungen zu diesem Ansatz:

  1. Nur die neu erstellten Daten werden in der Datenentität Interaktionen für das Modell verwendet.
  2. Die Erstellung einer Interaktionszeile, die Benutzer mit TagIds verbindet, muss nicht unbedingt auf einer Interaktion basieren. Dieses Beispiel soll Ihnen zeigen, wie Sie eine Verbindung zwischen Benutzern und Tags im Modell erstellen können.
  3. Für die InteractionGroupingId könnte es sinnvoll sein, die ursprüngliche Interaktion wiederzuverwenden, falls vorhanden. Andernfalls versuchen Sie entweder die Gruppierung nach UserId. Während der Trainingsphase des Modells werden alle Interaktionsdaten verwendet, um eine Verbindung zwischen den verschiedenen TagIds und zwischen UserIDs und TagIds herzustellen. Wir empfehlen Ihnen, verschiedene Möglichkeiten der Gruppierung auszuprobieren und dann zu sehen, welche die besseren relevanten Ergebnisse liefert, da verschiedene Szenarien und Nutzungsmuster unterschiedlich sein können.
    1. Ursprüngliche Interaktionszeile: mit UserId, ItemId, InteractionGroupingId. Im Gegensatz zum obigen Beispiel mit BucketId, NICHT INKLUSIVIEREN Sie diese Zeile im Input Dataset.
    2. NEUE Zeile Interaktion: mit UserId, TagId als ItemId, UserId als InteractionGroupingId.

Ein Beispiel für einen Datenvertrag sieht wie folgt aus:

InteractionGroupingId ItemId ItemVariantId UserId InteractionType Zeitstempel Zukünftiges Attribut Zukünftiges Attribut Kanal Catalog Stärke IsPositive
UserId TagId UserId

Schritt 3: Abfrage des Modells, um personalisierte Tags nach Benutzer oder ähnliche Tags zu erhalten

Bei sorgfältiger Modellkonstruktion führt die Abfrage des Serving Endpunkt mithilfe der Listentypen Auswahl für Sie und Personen mögen auch zu den gewünschten Ergebnissen.

Eine „Auswahlen für Sie“ API-Abfrage, die die empfohlenen TagIds für eine gegebene UserId zurückgibt, würde so aussehen:

<serving-endpoint>Reco/v1.0/picks?userId=<UserId>

Eine „Personen mögen auch“-API-Abfrage, bei der der Parameter seed-item durch die entsprechende TagId ersetzt wird:

<serving-endpoint>/Reco/V1.0/Similar/<TagID-value>?
Beispiel für die Antwortausgabe
{
    "id": "Picks",
    "name": "Picks",
    "version": "v1.0",
    "items": [
        {
            "id": "68100",
            "trackingId": "00000000-0000-0000-0000-000000000003"
        },
        {
            "id": "62500",
            "trackingId": "00000000-0000-0000-0000-000000000003"
        },
        {
            "id": "61504",
            "trackingId": "00000000-0000-0000-0000-000000000003"
        },
        {
            "id": "65103",
            "trackingId": "00000000-0000-0000-0000-000000000003"
        },
        {
            "id": "61401",
            "trackingId": "00000000-0000-0000-0000-000000000003"
        }
    ],
    "title": "Picks for you",
    "longTitle": "Picks for you",
    "titleId": 6,
    "personalizationConfidence": 1.0,
    "pagingInfo": {
        "totalItems": 139
    },
    "status": "Success"
}

Beispiel 3: Abfrage nach tagIds mit Demo-Daten

Nehmen wir an, ein Benutzer mit UserId=100 hat angegeben, dass er auf die folgenden Tags ausgerichtet ist: 123 (was für „Fußballfan“ steht), Age30To40Female, und FamilyWithKids.

Sie können die ursprüngliche Interaktionszeile verwenden, um die folgenden Zeilen in der Datei „Reco_Interactions.csv“ zu erstellen: o Neue 3 Zeilen mit Interaktionsinformationen, eine für jeden Tag für diesen Benutzer, die in der Datei „Reco_Interactions.csv“ enthalten sein sollten, die vom Dienst für Intelligent Recommendations gelesen wird:

![Hinweis]

In diesem Beispiel haben wir uns für die Gruppierung nach UserId entschieden und die InteractionGroupingId gleich der UserId festgelegt. Beachten Sie auch, dass die ItemId für die TagId steht.

InteractionGroupingId ItemId ItemVariantId UserId InteractionType Zeitstempel Zukünftiges Attribut Zukünftiges Attribut Kanal Catalog Stärke IsPositive
100 123 100
100 Age30To40Female 100
100 FamilyWithKids 100
Abfrage und Antworten für Kommissionierungen

So sieht die konstruierte Anfrage „Kommissionierungen für Sie“ aus:

GET <serving-endpoint>/reco/v1.0/picks?UserId=100

Die Auswahl-Antwort gibt eine Liste mit 200 ItemIds (für Tags) zurück, einschließlich: TagID =FamilyWithKids an erster Stelle. 

{
    "id": "Picks",
    "name": "Picks",
    "version": "v1.0",
    "items": [
        {
            "id": "FamilyWithKids",
            "trackingId": "00000000-0000-0000-0000-000000000003"
        },
        {
            "id": "625",
            "trackingId": "00000000-0000-0000-0000-000000000003"
        },
        {
            "id": "Sports",
            "trackingId": "00000000-0000-0000-0000-000000000003"
        },
        {
            "id": "651",
            "trackingId": "00000000-0000-0000-0000-000000000003"
        },
        {
            "id": "611",
            "trackingId": "00000000-0000-0000-0000-000000000003"
        }
    ],
    "title": "Picks for you",
    "longTitle": "Picks for you",
    "titleId": 6,
    "personalizationConfidence": 1.0,
    "pagingInfo": {
        "totalItems": 139
    },
    "status": "Success"
}

Abfrage und Antwort für ähnliche

So sieht die konstruierte „Personen auch“-Anfrage unter Verwendung der Similar API aus:

GET <serving-endpoint>/Reco/V1.0/Similar/FamilyWithKids?

Die Antwort Personen mögen auch gibt eine Liste mit 200 ItemIds (für Tags) zurück, einschließlich: Alter30 bis 40 weiblich an erster Stelle und FamilieMitKindern an zweiter Stelle.


{
    "id": "Similar",
    "name": "Similar",
    "version": "v1.0",
    "items": [
        {
            "id": "Age30To40Female",
            "trackingId": "00000000-0000-0000-0000-000000000003"
        },
        {
            "id": "FamilyWithKids",
            "trackingId": "00000000-0000-0000-0000-000000000003"
        },
        {
            "id": "SportsParent",
            "trackingId": "00000000-0000-0000-0000-000000000003"
        },
        {
            "id": "651",
            "trackingId": "00000000-0000-0000-0000-000000000003"
        },
        {
            "id": "123",
            "trackingId": "00000000-0000-0000-0000-000000000003"
        }
    ],
    "title": "People also like",
    "longTitle": "People also like",
    "titleId": 6,
    "pagingInfo": {
        "totalItems": 200
    },
    "status": "Success"
}

Um mehr über unseren Dienst und die von uns unterstützten Modelle zu erfahren, lesen Sie unsere Modellierungsanleitung.

Siehe auch

QuickStart Anleitung: Ein IR-Konto erstellen
Modellierungs-Q&A
Datenvertrags-Anleitung
Muster-API-Anfragen