Dalam PAI-Rec, setiap layanan dan eksperimen harus dikaitkan dengan skenario rekomendasi, seperti rekomendasi waterfall di halaman utama, rekomendasi dalam keranjang yang mungkin Anda sukai, atau rekomendasi terkait di halaman detail. Bagian berikut menjelaskan istilah terkait.
Skenario rekomendasi
Ketika membuat skenario rekomendasi, disarankan untuk menggunakan nama yang mencerminkan lokasi halaman dari skenario tersebut. Sebagai contoh, pada deskripsi "rekomendasi waterfall di halaman utama", kata "halaman utama" menunjukkan lokasi skenario, sedangkan "waterfall" mengindikasikan bahwa pengguna dapat menggulir ke bawah halaman utama untuk melihat rekomendasi.
Kolom Kode Trafik digunakan untuk permintaan rekomendasi yang tidak dialihkan ke sistem PAI-Rec. Ini merupakan skenario umum. Jika Anda memiliki sistem rekomendasi yang dikelola sendiri, Anda dapat mulai dengan mengalihkan 10% hingga 20% trafik rekomendasi dari skenario yang dibuat ke sistem PAI-Rec. Setelah sistem PAI-Rec mencapai hasil yang diinginkan, Anda dapat secara bertahap meningkatkan alokasi trafik ke sistem tersebut. Dalam contoh berikut, trafik dari skenario HomePageRec diarahkan ke sistem PAI-Rec secara default. Nilai selfhold pada kolom Kode Trafik menunjukkan trafik yang dialihkan ke sistem rekomendasi yang dikelola sendiri, sedangkan nilai thirdparty menunjukkan trafik yang dialihkan ke sistem rekomendasi pihak ketiga.
Gambar berikut menunjukkan konfigurasi trafik untuk enam pengguna. Berdasarkan logika alokasi trafik yang ditentukan pengguna, kolom Kode Trafik diatur ke selfhold untuk Pengguna a dan Pengguna b, yang berarti hasil rekomendasi mereka diperoleh dari sistem rekomendasi yang dikelola sendiri. Kolom Kode Trafik diatur ke PAI-REC untuk Pengguna c dan Pengguna d, yang berarti hasil rekomendasi mereka diperoleh dari sistem PAI-Rec. Kolom Kode Trafik diatur ke thirdparty untuk Pengguna e dan Pengguna f, yang berarti hasil rekomendasi mereka diperoleh dari sistem rekomendasi pihak ketiga.
Laboratorium dan lapisan eksperimen
Setelah permintaan rekomendasi pengguna dialihkan ke sistem PAI-Rec, sistem membagi permintaan tersebut ke dalam bucket. Tim PAI dari Alibaba Cloud merancang laboratorium, lapisan eksperimen, kelompok eksperimen, dan eksperimen berdasarkan skema pengujian A/B yang umum di industri. Laboratorium mencakup lapisan eksperimen, lapisan eksperimen mencakup kelompok eksperimen, dan kelompok eksperimen mencakup eksperimen.
Laboratorium adalah kumpulan trafik. Anda dapat membuat satu atau lebih laboratorium, dengan laboratorium dasar sebagai kebutuhan wajib. Jika hanya satu laboratorium yang dibuat, laboratorium tersebut harus digunakan sebagai laboratorium dasar untuk fallback. Trafik diprioritaskan untuk dicocokkan dan diarahkan ke laboratorium non-dasar. Jika tidak ada laboratorium yang cocok, trafik akan diarahkan ke laboratorium dasar. Oleh karena itu, Anda hanya perlu membuat satu laboratorium untuk fallback.
Anda dapat membuat laboratorium fallback dengan logika recall dan perangkingan yang relatif sederhana, serta laboratorium non-dasar dengan logika recall dan perangkingan kompleks yang biasa digunakan. Dengan cara ini, saat terjadi lonjakan trafik, sebagian trafik dapat diarahkan ke laboratorium dasar untuk memastikan stabilitas sistem rekomendasi.
Gambar di atas menunjukkan konfigurasi laboratorium dasar. Berikut adalah penjelasan parameter:
Nama Lab: Nama lab yang dapat disesuaikan.
Deskripsi: Deskripsi rinci tentang lab.
Tipe Lab:
Laboratorium Dasar: Laboratorium dasar wajib, sedangkan laboratorium non-dasar bersifat opsional.
Laboratorium Non-dasar: Trafik diprioritaskan untuk dicocokkan dan diarahkan ke laboratorium non-dasar. Jika model laboratorium dasar sederhana tetapi model laboratorium non-dasar kompleks, Anda dapat membuat dua laboratorium. Laboratorium dasar juga dapat diimplementasikan menggunakan logika fallback populer dan acak.
Lingkungan Runtime: Lingkungan runtime mesin rekomendasi. Nilai valid: Daily, Staging, dan Production.
Metode Bucketing:
Bucketing Berbasis UID: Bucketing dilakukan berdasarkan digit terakhir UID.
Bucketing Berbasis UID Ter-hash: Bucketing dilakukan berdasarkan nilai hash UID.
Bucketing Berbasis Kondisi: Bucketing dilakukan berdasarkan ekspresi key-value, seperti gender=pria.
Bucket: Jumlah bucket dalam lab ini. Nilainya adalah 100 dalam contoh ini.
Alokasi Trafik: Jumlah bucket yang dialokasikan ke lab ini, yang dapat diatur menjadi 0-99.
Pelapisan: Lapisan eksperimen. Dalam kebanyakan kasus, lapisan berikut dikonfigurasikan: recall, filter, coarse_rank, dan rank.
Pengguna Uji: Trafik pengguna uji dapat langsung diarahkan ke lab ini tanpa pencocokan.
Masukkan Manual: Anda dapat memasukkan beberapa ID pengguna dan memisahkannya dengan koma (,).
ID Grup Pengguna: Pilih grup pengguna yang dibuat di halaman Manajemen Grup Pengguna.
Kelompok eksperimen dan eksperimen
Anda dapat membuat beberapa kelompok eksperimen untuk setiap lapisan eksperimen, serta beberapa eksperimen untuk setiap kelompok eksperimen. Jika beberapa insinyur algoritma perlu melakukan eksperimen recall atau perangkingan, Anda dapat membuat beberapa kelompok eksperimen untuk memisahkan eksperimen-eksperimen tersebut.
Dalam kebanyakan kasus, kelompok eksperimen mencakup beberapa eksperimen. Dalam contoh yang ditunjukkan pada gambar berikut, dua eksperimen swing dan etrec dikonfigurasikan, serta eksperimen dssm yang sedang diuji. Proporsi trafik dssm diatur ke 0%, dan eksperimen ini berada dalam keadaan online. Konfigurasi ini membantu mendapatkan efek rekomendasi menggunakan daftar putih yang telah dikonfigurasi.
