:ソート設定

このステップでは、詳細ランキングモデルを追加して設定します。

この例では、詳細ランキングモデル名 を acc_rank に設定します。詳細ランキングのターゲット設定 には、式 max(if(event='click', 1, 0)) を持つ is_click と、式 max(if(event='praise', 1, 0)) を持つ is_praise の 2 つのターゲットが含まれます。除外するフィールド では、 age などのフィールドを選択します。トレーニング日数 を 30 に設定します。モデルタイプ では dbmtl を選択し、embed_dim strategy では EMB_SQRT4_STEP4 を選択します。

• 詳細ランキングモデル名：英字とアンダースコア (_) のみを含む文字列です。推奨される形式は ${scenario_name}_${model_name}_rank です。

• 詳細ランキングのターゲット設定：1 つ以上の分類ターゲットまたは回帰ターゲットを定義できます。

分類ターゲット

詳細ランキングのターゲットにカスタム名を指定できます。詳細ランキングのターゲット式では、通常、集計関数を使用して二値分類ターゲットを定義します。ターゲットタイプは分類です。

たとえば、詳細ランキングのターゲット名 を is_click に設定し、詳細ランキングのターゲット式 を max(if(event='click', 1, 0)) に設定します。詳細ランキングのターゲット依存関係 (depends) はオプションです。複数の依存関係がある場合は、カンマで区切ります。

回帰ターゲット

詳細ランキングのターゲットにカスタム名を指定できます。

回帰ターゲットの場合、式では、行動ログテーブルからターゲットの数値を合計し、その結果に対数変換を適用する必要があります。

ターゲットタイプでは、回帰を選択します。

詳細ランキングのターゲット依存関係 設定は、あるターゲット (X) が別のターゲット (Y) の後にのみ発生する場合に使用します。たとえば、動画シナリオでは、再生はクリックの後にのみ発生します。したがって、 play_time ターゲットを is_click ターゲットに依存させることができます。ここで、 is_click は以前に定義された分類タスクの名前です。この原則は、他の分類タスクにも適用されます。

• 除外するフィールド：トレーニングから除外する特徴量を選択します。エクスポージャー前に利用できない特徴量、または特徴量リークを引き起こす可能性のある特徴量を除外します。たとえば、 play_time (エクスポージャー後のユーザーの視聴時間) や、クリックまたは支払いステータスなどのインタラクション後のデータなどのフィールドを含めないようにしてください。これらは特徴量リークを引き起こす可能性があります。

• トレーニング日数：詳細ランキングモデルのトレーニングに使用するデータセットからのデータの日数を指定します。

• モデルタイプ：単一のターゲットがある場合は、EasyRec からシングルタスクモデルを選択します。複数のターゲットがある場合は、マルチタスクモデルを選択します。この例では、複数のタスクがあるため、dbmtl を選択します。

• 特徴量選択モード と 特徴量選択のターゲット列：有効にすると、このオプションによって利用可能な特徴量がフィルタリングされ、トレーニングに最も重要な特徴量のみが選択されます。ターゲット列は、選択されたモードと連携してこれらの特徴量を選択するために使用されます。この機能は初期セットアップを複雑にする可能性があるため、最初のモデルでは使用しないことを推奨します。

• 増分トレーニング：完全トレーニングの場合は false に設定します。これが推奨されるデフォルトです。これを true に設定すると増分トレーニングが有効になり、翌日のトレーニングジョブは前日のモデルチェックポイントから続行されます。

• 非同期トレーニング：分散トレーニング環境で非同期トレーニングを使用するかどうかを指定します。

• サンプル重み：設定すると、式に基づいてサンプルに重みが割り当てられます。これはモデル精度に影響を与える可能性があります。この機能は一般的には使用されません。

• サンプルフィルタリングのシナリオ：トレーニングに特定のシナリオからのデータを使用するかどうかを指定します。

• 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指定します。このオプションは、レコメンデーションソリューションの環境設定で FeatureStore を設定している場合に利用可能になります。

• 自動特徴量エンジニアリング：この機能では、アルゴリズムを使用して既存の特徴量からトレーニング用のより効果的な特徴量を生成します。最初のモデルでは自動特徴量エンジニアリング (autofe) を使用しないことを推奨します。後でこれを有効にすることで、モデル性能を向上させることができます。