Platform For AI:Peringkat

Anda dapat menggunakan Solusi yang Direkomendasikan - Peringkat untuk melatih model peringkat berdasarkan tabel fitur pengguna, tabel fitur item, dan tabel perilaku pengguna yang telah diproses melalui rekayasa fitur. Model peringkat ini kemudian dapat diterapkan sebagai layanan online. Topik ini menjelaskan cara mengimplementasikan peringkat.

Prasyarat

Alur kerja rekayasa fitur telah dijalankan dan dataset untuk peringkat telah dibuat. Untuk informasi lebih lanjut, lihat Rekayasa fitur.

• rec_sln_demo_user_table_preprocess_all_feature_v2

• rec_sln_demo_item_table_preprocess_all_feature_v2

• rec_sln_demo_behavior_table_preprocess_v2

Petunjuk

1. Buka halaman Pemodelan Visual (Designer).

   1. Masuk ke konsol Machine Learning Platform for AI (PAI).

   2. Di panel navigasi sebelah kiri, klik Workspaces. Di halaman Workspaces, klik nama workspace yang ingin Anda kelola.

   3. Di panel navigasi sebelah kiri, pilih Pelatihan Model > Pemodelan Visual (Designer). Halaman Pemodelan Visual (Machine Learning Designer) akan muncul.

2. Buat pipeline.

   1. Di halaman Pemodelan Visual (Designer), klik tab Preset Templates.

   2. Dalam daftar template, klik Create di bagian Recommended Solutions - Rank.

   3. Dalam kotak dialog Create Pipeline, atur parameter berikut. Anda dapat menggunakan nilai default mereka.

      Data Storage menggunakan jalur OSS Bucket yang sama dengan rekayasa fitur untuk menyimpan data sementara dan file model yang dihasilkan selama eksekusi alur kerja.

   4. Klik OK. Dibutuhkan sekitar 10 detik untuk membuat pipeline.

   5. Lihat komponen pipeline di kanvas, seperti yang ditunjukkan pada gambar berikut. Sistem secara otomatis membuat pipeline berdasarkan template preset.

      Nomor Komponen	Deskripsi
      1	Model sampel.
      2	Memproses model sampel menggunakan pembuatan fitur (FG) berdasarkan file fg.json.
      3	Menggunakan binning frekuensi sama dari fitur numerik untuk menetapkan batas model.
      4	Menggunakan jumlah nilai unik dari fitur enumerasi untuk menetapkan embedding_dim dan hash_bucket_size model.
      5	Mendiskritisasi data sampel 30 hari dari model rec_sln_demo_sorting untuk menghasilkan sampel pelatihan.
      6	Merangkum hasil dari tabel rec_sln_demo_rec_sln_demo_sorting_30d_binning_v2 dan tabel rec_sln_demo_rec_sln_demo_sorting_30d_count_v2 untuk menghitung informasi konfigurasi fitur dan informasi konfigurasi langkah.
      7	Menentukan file konfigurasi EasyRec berdasarkan hasil perhitungan komponen 6. Catatan Anda hanya perlu menjalankan komponen ini sekali.
      8	Anda perlu menjalankan komponen 7 untuk menghasilkan file konfigurasi EasyRec sebelum pelatihan model.