OpenSearch:Buat model pengurutan kustom

Ikhtisar

OpenSearch mendukung model pengurutan kustom untuk meningkatkan pengalaman pengguna dalam mengurutkan hasil pencarian. Anda dapat menambahkan data fitur kustom sesuai skenario bisnis, melatih model pengurutan, serta membuat deskripsi model menggunakan skrip Python atau TensorFlow kustom. Dengan pendekatan ini, hasil pencarian dapat diurutkan secara fleksibel dan dipersonalisasi.

Prosedur

Sebelum membuat model pengurutan kustom, Anda harus membuat deskripsi fitur dan deskripsi model.

Buat deskripsi fitur

1. Setelah membuat instance OpenSearch Industry Algorithm Edition tipe Exclusive Cluster, masuk ke Konsol OpenSearch Industry Algorithm Edition. Di panel navigasi sebelah kiri, pilih Pusat Algoritma Pencarian > Konfigurasi Pengurutan. Di panel kiri halaman Konfigurasi Pengurutan, klik Model Pengurutan Kustom. Pada tab Deskripsi Fitur, klik Buat.

2. Di halaman yang muncul, masukkan nama deskripsi fitur dan tambahkan fitur model pengurutan. Untuk menambahkan fitur, tentukan nama fitur, pilih tipe fitur, lalu pilih fitur tersebut.

Buat deskripsi model

1. Setelah membuat instance OpenSearch Industry Algorithm Edition tipe Exclusive Cluster, masuk ke Konsol OpenSearch Industry Algorithm Edition. Di panel navigasi sebelah kiri, pilih Pusat Algoritma Pencarian > Konfigurasi Pengurutan. Di panel kiri halaman Konfigurasi Pengurutan, klik Model Pengurutan Kustom. Pada tab Deskripsi Model, klik Buat.

2. Di halaman yang muncul, masukkan nama deskripsi model, tulis skrip Python, lalu klik Kirim.

Untuk informasi lebih lanjut tentang kode contoh, lihat Panduan Pengembang untuk Model Pengurutan Kustom.

Buat model pengurutan kustom

1. Masuk ke Konsol OpenSearch Industry Algorithm Edition. Di panel navigasi sebelah kiri, pilih Pusat Algoritma Pencarian > Konfigurasi Pengurutan. Di panel kiri halaman Konfigurasi Pengurutan, klik Model Pengurutan Kustom. Pada tab Model Pengurutan, klik Buat.

2. Di halaman yang muncul, masukkan nama model dan pilih tipe model. Secara default, Model Pengurutan Kustom dipilih sebagai Tipe Model. Aktifkan Pelatihan Terjadwal sesuai kebutuhan bisnis Anda. Pilih deskripsi fitur dan deskripsi model yang telah dibuat, lalu klik Kirim.

3. Setelah model dibuat, temukan model pada tab Model Pengurutan dan klik Latih di kolom Aksi.

4. Setelah pelatihan dimulai, lihat kemajuan pelatihan di halaman detail model.

5. Setelah pelatihan selesai dan model berstatus Tersedia, gunakan model tersebut. Jika model masih berstatus Tidak Tersedia, sesuaikan model berdasarkan kondisi di bagian Verifikasi Data halaman detail model. Setelah penyesuaian selesai, latih model keesokan harinya. Jika Anda memiliki pertanyaan, ajukan tiket untuk menghubungi dukungan teknis.

Buat kebijakan pengurutan berbasis Cava

1. Di panel navigasi sebelah kiri, pilih Pusat Algoritma Pencarian > Konfigurasi Pengurutan. Di panel kiri halaman Konfigurasi Pengurutan, klik Manajemen Kebijakan. Di halaman Manajemen Kebijakan, klik Buat.

2. Di halaman yang muncul, masukkan nama kebijakan, pilih Pengurutan Halus dari daftar drop-down Ruang Lingkup, pilih Skrip Cava dari daftar drop-down Tipe, lalu klik Berikutnya.

3. Klik Tambah File Skrip dan salin skrip Cava contoh ke editor skrip. Klik Kompilasi. Jika kompilasi berhasil, klik Simpan dan Publikasikan. Lalu, Anda dapat melakukan uji pencarian.

4. Contoh skrip Cava:

package users.scorer;
import com.aliyun.opensearch.cava.framework.OpsScoreParams;
import com.aliyun.opensearch.cava.framework.OpsScorerInitParams;
import com.aliyun.opensearch.cava.framework.OpsDoc;
import com.aliyun.opensearch.cava.features.algo.AlgoModel;

class BasicSimilarityScorer {
    // Anda dapat mendefinisikan variabel anggota.
    boolean init(OpsScorerInitParams params) {
        // Implementasikan kode Anda dan inisialisasi variabel terkait permintaan pencarian, seperti variabel anggota kelas.
        return true;
    }
    double score(OpsScoreParams params) {
        OpsDoc doc = params.getDoc();
        double score = 10;
        // Implementasikan kode Anda dan tetapkan hasil skor ke parameter skor.
        doc.trace("nilai ganda:", score);
        return score;
    }
};

class IntelligenceAlgorithmScorer {
    AlgoModel _algoModel;

    boolean init(OpsScorerInitParams params) {
      // Parameter tf_checkpoint adalah parameter tetap.
        _algoModel = AlgoModel.create(params, "tf_checkpoint","rank", "Nama model pengurutan kustom Anda"); 
        return true;
    }

    double score(OpsScoreParams params) {
        OpsDoc doc = params.getDoc();
        double modelScore = _algoModel.evaluate(params);
        doc.trace("rankModelScore: ", modelScore);
        
        double score = modelScore + 700;
        return score;
    }
};

Lihat hasil uji pencarian

Di panel navigasi sebelah kiri, pilih Ekstensi Fitur > Uji Pencarian. Di halaman Uji Pencarian, tentukan kondisi pencarian.

Catatan:

• Parameter query, second_rank_type, second_rank_name, dan raw_query wajib disertakan dalam permintaan pencarian.

Catatan penggunaan

• Model pengurutan kustom hanya dapat digunakan di plugin berbasis Cava.

• Model pengurutan kustom hanya tersedia untuk instance OpenSearch Industry Algorithm Edition tipe Exclusive Cluster.

• Setiap instance mendukung hingga tiga model pengurutan kustom.

• Parameter raw_query dalam kondisi peningkatan adalah parameter wajib dalam permintaan pencarian. Nilai parameter tersebut harus berupa kueri pencarian unik dan independen yang memiliki hasil pencarian. Untuk informasi lebih lanjut, lihat Kode Demo untuk Mengimplementasikan Fitur Pencarian.

• Untuk informasi lebih lanjut tentang operasi API dan SDK terkait, lihat Algoritma.

• Biaya terpisah dikenakan untuk pelatihan model pengurutan kustom. Untuk informasi lebih lanjut, lihat Ikhtisar Penagihan.

• Untuk informasi lebih lanjut tentang praktik terbaik, lihat Buat Model Pengurutan Kustom.