[ソート方法の設定] ステップで、「精密ランキング」を見つけて、[アクション] 列の [追加] をクリックして、精密ランキングモデルを追加します。
精密ランキングモデル名: 名前に文字とアンダースコア (_) を使用できます。推奨される形式: ${シナリオ名}_${モデル名}_rank。
精密ランキングターゲット設定: 複数の精密ランキングターゲットを設定でき、ターゲットタイプには分類と回帰が含まれます。
分類
精密ランキングターゲット名: カスタム名を指定します。
精密ランキングターゲット式: ほとんどの場合、2 値分類ターゲットが必要であり、集約条件に基づいて集約が実行されます。
ターゲットタイプ: [分類] に設定します。
回帰
精密ランキングターゲット名: カスタム名を指定します。
精密ランキングターゲット式: 回帰ターゲットの場合、行動ログテーブルのイベント値を合計し、対数を取ります。
ターゲットタイプ: [回帰] に設定します。
精密ランキングターゲットの依存関係: ターゲット (x) が別のターゲット (y) に依存している場合は、[精密ランキングターゲットの依存関係] フィールドに入力します。たとえば、動画はユーザーがクリックした後にのみ再生されます。再生時間が play_time の場合、play_time ターゲットはクリックターゲットに依存できます。この例では、前のステップで登録された分類タイプのランキングターゲット is_click が使用されます。分類タイプの他のターゲットも使用できます。次の図は構成を示しています。
除外するフィールド: トレーニングする必要がない特徴、または表示前に取得できない特徴を選択します。たとえば、play_time は表示後の再生時間です。 play_time、is_click、および is_buy の特徴は、トレーニングされると特徴の漏洩につながる可能性があります。したがって、これらの特徴は除外する必要があります。
トレーニング日数: 精密ランキングモデルのトレーニングのためにデータセットが収集される日数を示します。
モデルタイプ: 単一タスクランキングの場合は、EasyRec で単一タスクモデルを選択します。マルチタスクランキングの場合は、マルチタスクモデルを選択します。この例では、マルチタスクランキングが必要です。 dbmtl を選択します。
特徴選択モード と 特徴選択のターゲット列: [特徴選択モード] パラメーターと [特徴選択のターゲット列] パラメーターを設定すると、主要な特徴がすべての特徴からフィルタリングされます。パラメーターはモデルの複雑さを増します。したがって、モデルの最初のバージョンでは、パラメーターを設定しないことをお勧めします。
増分トレーニング: 前日にトレーニングされたモデルに基づいて、当日のトレーニングを実行するかどうかを示します。値 true は、増分トレーニングが有効になっていることを示します。値 false は、完全トレーニングが有効になっていることを示します。デフォルト値: false。
非同期トレーニング: 非同期分散トレーニングがサポートされているかどうかを示します。
サンプルの重み: この機能を有効にすると、式に基づいてさまざまなサンプルの重みが取得されます。これはモデルの精度に影響します。この機能は有効にしないことをお勧めします。
サンプルフィルタリングのシナリオ: 特定のシナリオのデータを使用してモデルをトレーニングするかどうかを示します。
特徴プラットフォーム: 設定された FeatureStore を使用するかどうかを示します。このパラメーターに true を選択し、レコメンデーションソリューションの環境設定で FeatureStore が設定されている場合、FeatureStore が使用されます。
自動特徴エンジニアリング: 値 [true] は、モデルのトレーニングを容易にするために、特定のアルゴリズムに基づいて既存の特徴から新しい特徴がマイニングされることを示します。モデルの最初のバージョンではこの機能を有効にせず、モデルを微調整する必要があるときにこの機能を有効にすることをお勧めします。