すべてのプロダクト
Search
ドキュメントセンター

Platform For AI:PAI-Rec 推薦アルゴリズムのカスタマイズ

最終更新日:Sep 08, 2026

パブリックデータセットを使用して PAI-Rec をすぐに開始します。特徴量エンジニアリング、リコール、詳細ランキングなどのカスタム推薦アルゴリズムの主要な機能を設定し、コードを生成して DataWorks の対応するワークフローにデプロイします。

前提条件

開始する前に、以下を完了してください:

  • PAI を有効化します。詳細については、「PAI の有効化とデフォルトワークスペースの作成」をご参照ください。

  • Virtual Private Cloud (VPC) と vSwitch を作成します。詳細については、「IPv4 CIDR ブロックを持つ VPC の作成」をご参照ください。

  • PAI-FeatureStore を有効化します。詳細については、「データソースの作成」の「前提条件」セクションをご参照ください。Hologres の有効化は不要です。データソースには FeatureDB を選択します。詳細については、「オンラインデータソースの作成:FeatureDB」をご参照ください。

  • MaxCompute を有効化し、`project_mc` という名前の MaxCompute プロジェクトを作成します。詳細については、「MaxCompute の有効化」および「MaxCompute プロジェクトの作成」をご参照ください。

  • Object Storage Service (OSS) バケットを作成します。詳細については、「バケットの作成」をご参照ください。

  • DataWorks を有効化します:

    • DataWorks ワークスペースを作成します。詳細については、「ワークスペースの作成」をご参照ください。

    • DataWorks 用のサーバーレスリソースグループを購入します。詳細については、「サーバーレスリソースグループの使用」をご参照ください。このリソースグループは、PAI-FeatureStore のデータを同期し、eascmd コマンドを実行して PAI-EAS サービスを作成および更新します。

    • DataWorks データソースを設定します:

  • FeatureStore プロジェクトと特徴量エンティティを作成します。サーバーレスリソースグループを使用する場合は、このステップをスキップしてください。DataWorks に専用リソースグループを使用する場合は、リソースグループに FeatureStore Python SDK をインストールする必要があります。詳細については、「ステップ 2:FeatureStore の作成と登録」および「FeatureStore Python SDK のインストール」をご参照ください。

  • Realtime Compute for Apache Flink を有効化します。詳細については、「Realtime Compute for Apache Flink の有効化」をご参照ください。注意:[ストレージタイプ] は [OSS バケット] に設定し、[完全マネージドストレージ] には設定しないでください。Flink の OSS バケットが PAI-Rec で設定されているものと同じであることを確認してください。Flink はリアルタイムのユーザー行動データを記録し、リアルタイムのユーザー特徴量を計算します。

  • 後で EasyRec (TensorFlow フレームワーク) を使用することを選択した場合、トレーニングはデフォルトで MaxCompute 上で実行されます。

  • 後で TorchEasyRec (PyTorch フレームワーク) を使用することを選択した場合、トレーニングはデフォルトで PAI-DLC 上で実行されます。PAI-DLC で MaxCompute データをダウンロードするには、Data Transmission Service を有効化する必要があります (「Data Transmission Service の専用リソースグループの購入と使用」をご参照ください)。

1. PAI-Rec インスタンスの作成

  1. PAI-Rec のホームページにログインし、[今すぐ購入] をクリックします。

  2. PAI-Rec インスタンス購入ページで、次のパラメーターを設定し、[今すぐ購入] をクリックします。

    パラメーター

    説明

    リージョンとアベイラビリティゾーン

    サービスがデプロイされるリージョン。

    サービスタイプ

    このソリューションでは、Standard Edition を選択し、推奨構成のカスタマイズ 機能を有効にします。

  3. PAI-Rec コンソールにログインします。左上のトップメニューバーで、リージョンを選択します。

  4. 左側のナビゲーションウィンドウで、[インスタンスリスト] を選択します。インスタンス名をクリックして、インスタンス詳細ページに移動します。

  5. 操作ガイド セクションで、クラウドプロダクトの設定 をクリックします。 システム設定 > クラウドプロダクトの設定 ページが表示されます。 編集 をクリックして以下のパラメーターを設定し、ログアウト をクリックします。

    リソース設定

    パラメーター

    説明

    モデリング

    機械学習プラットフォーム PAI ワークスペース

    デフォルトの PAI ワークスペースを入力します。

    DataWorks ワークスペース

    自動生成された DataWorks ワークスペースを入力します。

    ビッグデータコンピューティングサービス MaxCompute プロジェクト (ワークスペース)

    ご利用の MaxCompute プロジェクトを入力します。

    Object Storage Service (OSS) バケット

    ご利用の OSS バケットを選択します。

    エンジン

    リアルタイムリコールエンジン

    PAI-FeatureStore を使用するかどうか で、はい を選択します。

    リアルタイム特徴クエリ

    PAI-FeatureStore を使用するかどうか で、はい を選択します。

  6. 左側のナビゲーションウィンドウで、システム設定 > 権限管理 を選択します。サービスへのアクセス タブで、各クラウドプロダクトが正しく承認されていることを確認します。

2. パブリックデータセットのクローン

1. テーブルの同期

このソリューションは、2 つの方法で入力データを受け入れます:

  1. pai_online_project プロジェクトから固定タイムウィンドウのデータをクローンします。この方法は、定期的なスケジューリングをサポートしていません。

  2. Python スクリプトを使用してデータを生成します。DataWorks でタスクを実行して、特定の期間のこのデータを生成できます。

毎日のデータ生成とモデルトレーニングをスケジュールするには、2 番目の方法を使用します。指定された Python コードをデプロイしてデータを生成します。詳細については、[コードを使用してデータを生成] タブをご参照ください。

固定タイムウィンドウ

PAI-Rec は、公開されている pai_online_project プロジェクトで、推薦アルゴリズム用の 3 つの一般的なテーブルを提供します:

  • ユーザーテーブル: pai_online_project.rec_sln_demo_user_table

  • アイテムテーブル: pai_online_project.rec_sln_demo_item_table

  • 行動テーブル: pai_online_project.rec_sln_demo_behavior_table

データはデモンストレーション目的でランダムに生成されるため、トレーニングによる AUC などのメトリックは低くなります。DataWorks で SQL コマンドを実行して、pai_online_project プロジェクトからご利用の DataWorks プロジェクト (例:DataWorks_a) にテーブルデータを同期します。次の手順に従ってください:

  1. DataWorks コンソールにログインします。トップメニューバーで、リージョンを選択します。

  2. 左側のナビゲーションウィンドウで、データ開発と О&М > [データ開発] をクリックします。

  3. 作成した DataWorks ワークスペースを選択し、[データ開発へ移動] をクリックします。

  4. 新規作成 にカーソルを合わせ、[ノードの作成] > MaxCompute > [ODPS SQL] を選択します。次の表の説明に従ってパラメーターを設定し、OK をクリックします。

    リソース設定

    パラメーター

    説明

    エンジンインスタンス

    バインドされた MaxCompute データソースを選択します。

    ノードタイプ

    ODPS SQL を選択します。

    パス

    ノードのストレージパスを選択します。例:Business Flow/Workflow/MaxCompute。

    名称

    名前を入力します。例:Data。

  5. 新しいノードのエディターで、次のコードを貼り付けて実行し、ユーザー、アイテム、行動テーブルを pai_online_project プロジェクトからご利用の MaxCompute プロジェクト (例:project_mc) に同期します。このコードには 100 日間のデータウィンドウが必要です。このウィンドウを前日に終了するように定義するには、[スケジューリングパラメーター] セクションに移動し、[パラメーターの追加] をクリックして、値が $[yyyymmdd-1] の bizdate と、値が $[yyyymmdd-100] の bizdate_100 の 2 つのパラメーターを追加します。

CREATE TABLE IF NOT EXISTS rec_sln_demo_user_table_v1(
 user_id BIGINT COMMENT '一意のユーザー ID',
 gender STRING COMMENT '性別',
 age BIGINT COMMENT '年齢',
 city STRING COMMENT '都市',
 item_cnt BIGINT COMMENT '作成されたアイテム数',
 follow_cnt BIGINT COMMENT 'フォロー数',
 follower_cnt BIGINT COMMENT 'フォロワー数',
 register_time BIGINT COMMENT '登録時間',
 tags STRING COMMENT 'ユーザータグ'
) PARTITIONED BY (ds STRING) STORED AS ALIORC;
INSERT OVERWRITE TABLE rec_sln_demo_user_table_v1 PARTITION(ds)
SELECT *
FROM pai_online_project.rec_sln_demo_user_table
WHERE ds >= "${bizdate_100}" and ds <= "${bizdate}";
CREATE TABLE IF NOT EXISTS rec_sln_demo_item_table_v1(
 item_id BIGINT COMMENT 'アイテム ID',
 duration DOUBLE COMMENT 'ビデオの持続時間',
 title STRING COMMENT 'タイトル',
 category STRING COMMENT 'プライマリタグ',
 author BIGINT COMMENT '作成者',
 click_count BIGINT COMMENT '総クリック数',
 praise_count BIGINT COMMENT '総いいね数',
 pub_time BIGINT COMMENT '公開時間'
) PARTITIONED BY (ds STRING) STORED AS ALIORC;
INSERT OVERWRITE TABLE rec_sln_demo_item_table_v1 PARTITION(ds)
SELECT *
FROM pai_online_project.rec_sln_demo_item_table
WHERE ds >= "${bizdate_100}" and ds <= "${bizdate}";
CREATE TABLE IF NOT EXISTS rec_sln_demo_behavior_table_v1(
 request_id STRING COMMENT 'インストルメンテーション ID/リクエスト ID',
 user_id STRING COMMENT '一意のユーザー ID',
 exp_id STRING COMMENT '実験 ID',
 page STRING COMMENT 'ページ',
 net_type STRING COMMENT 'ネットワークタイプ',
 event_time BIGINT COMMENT '行動時間',
 item_id STRING COMMENT 'アイテム ID',
 event STRING COMMENT '行動タイプ',
 playtime DOUBLE COMMENT '再生/読み取り持続時間'
) PARTITIONED BY (ds STRING) STORED AS ALIORC;
INSERT OVERWRITE TABLE rec_sln_demo_behavior_table_v1 PARTITION(ds)
SELECT *
FROM pai_online_project.rec_sln_demo_behavior_table
WHERE ds >= "${bizdate_100}" and ds <= "${bizdate}";

コード生成

固定タイムウィンドウデータでは、定期的なタスクスケジューリングはサポートされていません。定期タスクを実行するには、Python スクリプトをデプロイしてデータを生成する必要があります。次の手順に従ってください:

  1. DataWorks コンソールで、PyODPS 3 ノードを作成します。詳細については、「MaxCompute ノードの作成と管理」をご参照ください。

  2. create_data.py をダウンロードし、その内容を PyODPS 3 ノードに貼り付けます。

  3. 右側の スケジューリング構成 をクリックし、次のパラメーターを設定してから、右上隅の [保存] image と [送信] image をクリックします。

    • スケジューリングパラメーターを設定します:

      • $user_table_name パラメーターを rec_sln_demo_user_table に設定します。

        $item_table_name パラメーターを rec_sln_demo_item_table に設定します。

        $behavior_table_name パラメーターを rec_sln_demo_behavior_table に設定します。

        テーブル名パラメーターに加えて、業務日付のパラメーターも追加する必要があります。

        このパラメーターの名前は bizdate です。

        その値を $[yyyymmdd-1] に設定します。

    • スケジューリングの依存関係を設定します。

  4. オペレーションセンターに移動し、定期タスクの運用保守 > 定期タスク を選択します。

  5. 対象タスクの [操作] 列で、[データバックフィル] > 現在のノードおよび子孫ノード を選択します。

  6. [データバックフィル] パネルで、営業日を設定し、[送信して実行] をクリックします。

    データバックフィルの最適な時間範囲は 60 日です。データの整合性を確保するために、業務日付を タスクスケジュール日 - 60 に設定することを推奨します。

2. 依存関係ノードの設定

コードの生成とデプロイをスムーズに行うために、DataWorks プロジェクトに 3 つの SQL コードノードを追加します。これらのノードのスケジューリング依存関係をワークスペースのルートノードに設定し、ノードを公開します。

  1. 新規作成 にカーソルを合わせ、[ノードの作成] > 全般 > [仮想ノード] を選択します。次のリソース設定で 3 つの仮想ノードを作成し、OK をクリックします。

    リソース設定

    パラメーター

    説明

    例

    ノードタイプ

    ノードタイプを選択します。

    仮想ノード

    パス

    ノードのストレージパス。

    Workflow/Workflow/General

    名称

    ノードの一意の名前。

    • rec_sln_demo_user_table_v1

    • rec_sln_demo_item_table_v1

    • rec_sln_demo_behavior_table_v1

  2. 各仮想ノードの内容を select 1; に設定します。次に、右側の スケジューリング構成 をクリックし、次の設定を構成します:

    • [時間プロパティ] セクションで、[再実行プロパティ] を [成功または失敗した場合に再実行] に設定します。

    • [スケジューリング依存関係] > [上流依存関係] セクションで、DataWorks ワークスペース名を入力し、_root サフィックスの付いたノードを選択して、追加 をクリックします。

      これらの設定を 3 つすべての仮想ノードに適用します。

  3. 各仮想ノードの横にある image アイコンをクリックして送信します。

3. データの登録

カスタム推薦ソリューションで特徴量エンジニアリング、リコール、ソートアルゴリズムを設定するには、まず DataWorks プロジェクトに同期された 3 つのテーブルを登録します。

  1. PAI-Rec コンソールにログインします。トップメニューバーで、リージョンを選択します。

  2. 左側のナビゲーションウィンドウで、[インスタンスリスト] を選択します。インスタンス名をクリックして、インスタンス詳細ページを開きます。

  3. 左側のナビゲーションウィンドウで、推奨構成のカスタマイズ > データ登録 を選択します。MaxCompute テーブル タブで、データテーブルの追加 をクリックします。次の表の説明に従って、1 つのユーザーテーブル、1 つのアイテムテーブル、1 つの行動テーブルを追加し、インポートの開始 をクリックします。

    パラメーター

    説明

    例

    MaxCompute プロジェクト

    ご利用の MaxCompute プロジェクトを選択します。

    project_mc

    MaxCompute テーブル

    DataWorks ワークスペースに同期されたデータテーブルを選択します。

    • ユーザーテーブル:rec_sln_demo_user_table_v1

    • アイテムテーブル:rec_sln_demo_item_table_v1

    • 行動テーブル:rec_sln_demo_behavior_table_v1

    データテーブル名

    カスタム名を入力します。

    • user table

    • item table

    • behavior table

4. 推薦シナリオの作成

推薦タスクを設定する前に、推薦シナリオを作成します。推薦シナリオとトラフィック ID の説明については、「基本概念」をご参照ください。

左側のナビゲーションウィンドウで、推奨シナリオ をクリックします。シナリオの作成 をクリックし、次の表に従って新しいシナリオを設定し、OK をクリックします。

リソース設定

パラメーター

説明

例

シナリオ名

カスタム名を入力します。

HomePage

シナリオの説明

詳細な説明を入力します。

なし

5. アルゴリズムソリューションの設定

実際のシナリオを完全に設定するには、次のリコールと詳細ランキングの設定を使用します:

  • グローバルホットリコール:ログデータから最も人気のある上位 k 個のアイテムを選択します。

  • グローバルホットフォールバックリコール:Redis をフォールバックとして使用し、推薦 API からの空の応答を防ぎます。

  • グループ化ホットリコール:グループ (例:都市、性別) ごとにアイテムをリコールし、より正確な人気アイテムの推薦を提供します。

  • etrec u2i リコール:etrec 協調フィルタリングアルゴリズムを使用します。

  • Swing u2i リコール (オプション):Swing アルゴリズムを使用します。

  • コールドスタートリコール (オプション):DropoutNet アルゴリズムを使用してコールドスタートシナリオを処理します。

  • 詳細ランキング:単一目的ランキングには MultiTower を、多目的ランキングには DBMTL を使用します。

ベクトルリコールや PDN リコールなどのアルゴリズムは、最初のリコールが候補のほとんどをカバーした後にのみ有効にすべきです。ベクトルリコールにはベクトルリコールエンジンが必要です。FeatureDB はベクトルリコールをサポートしていないため、この例では設定しません。

プロセスを簡略化するため、この例ではリコールにグローバルホットリコールと RECommender (eTREC、協調フィルタリングの実装) の u2i リコール戦略のみを使用し、ソートには詳細ランキングを使用します。

  1. 左側のナビゲーションウィンドウで、推奨構成のカスタマイズ > ソリューション構成 を選択します。作成したシナリオを選択し、推奨プランの作成 をクリックし、次のリソース設定を提供してから、保存してアルゴリズムプランの構成へ をクリックします。

    指定されていないパラメーターについては、デフォルト値を保持します。詳細については、「データテーブル設定」をご参照ください。

    リソース設定

    パラメーター

    説明

    ソリューション名

    カスタム名を入力します。

    シナリオ名

    作成した推薦シナリオを選択します。

    オフラインストア

    推薦シナリオに関連付けられた MaxCompute プロジェクトを選択します。

    Dataworks ワークスペース

    推薦シナリオに関連付けられた DataWorks ワークスペースを選択します。

    業務フロー名

    ソリューションスクリプトをデプロイする際に DataWorks が作成するワークフローの名前。Flow などのカスタム名を入力できます。

    StorageAPI 設定

    北京や上海などの中国本土のリージョンでは、従量課金の Data Transmission Service である「StorageAPI」を選択できます。

    中国 (香港)、シンガポール、フランクフルトなど、中国本土以外のリージョンでは、まずData Transmission Service の専用リソースグループを購入して使用する必要があります。従量課金のオプションが利用できない場合は、Data Transmission Service のサブスクリプションを購入する必要があります。その後、ページをリフレッシュし、Data Transmission Service サブスクリプションの名前を選択します。DataWorks の PAI-DLC TorchEasyRec トレーニングタスクにパラメーターを追加します。例:-odps_data_quota_name ot_xxxx_p#ot_yyyy。

    slim_mode

    購入した DataWorks エディションに移行アシスタントでインポートされるコードパッケージのサイズ制限がある場合、この機能を使用してサイズ制限を超えるコードパッケージを手動でアップロードできます。このソリューションでは、[いいえ] を選択します。

    OSS バケット

    推薦シナリオに関連付けられた OSS バケットを選択します。

    プロジェクト

    作成した FeatureStore プロジェクトを選択します。オンラインデータソースには、FeatureDB を選択します。

    ユーザーエンティティ

    FeatureStore プロジェクトのユーザーエンティティを選択します。名前は 'user' です。

    アイテムエンティティ

    FeatureStore プロジェクトのアイテムエンティティを選択します。名前は 'item' です。

  2. データテーブルの設定 ノードで、対象のデータテーブルの横にある 追加 をクリックします。次のセクションで詳述するように、行動ログテーブル、ユーザーテーブル、アイテムテーブルのパーティション、イベント、特徴量、タイムスタンプを設定します。次へ をクリックします。

    説明されていないパラメーターについては、デフォルト値を保持できます。詳細については、「データテーブル設定」をご参照ください。

    行動ログテーブル

    データに合わせて行動ログテーブルの設定を構成します。テーブルにここに示されているコアフィールドを超える豊富なデータディメンションがある場合は、特徴量エンジニアリングを簡素化するために、ユーザーとアイテムで分類します。

    パラメーター

    説明

    例

    行動テーブル名

    登録された行動テーブルを選択します。

    rec_sln_demo_behavior_table_v1

    時間パーティション

    行動テーブルのパーティションフィールド。

    ds

    yyyymmdd

    行動情報

    リクエスト ID

    ログ内の各推薦リクエストを識別する ID。通常、アプリケーションによって生成される UUID です。このフィールドはオプションです。

    request_id

    行動イベント

    ログ内の行動イベントを記録するフィールド。

    event

    行動イベント列挙値

    行動イベントの列挙値。例:インプレッション、クリック、カート追加、購入。

    expr, click, praise

    行動値

    取引価格や視聴時間など、行動の深さを示す値。

    playtime

    行動タイムスタンプ

    イベント時間。秒単位の UNIX タイムスタンプ。

    event_time

    タイムスタンプフォーマット

    行動タイムスタンプのフォーマットを指定します。

    unixtime

    行動シナリオ

    イベントシナリオを指定するフィールド。例:ホームページ、検索ページ、商品詳細ページ。

    page

    シナリオ列挙値

    データ処理に使用するシナリオ。これにより、シナリオ固有の特徴量エンジニアリングが可能になります。

    home, detail

    ユーザー情報

    ユーザー ID

    行動テーブルのユーザー ID フィールド。

    user_id

    ユーザーカテゴリカル特徴量

    行動テーブルからのユーザーカテゴリカル特徴量。例:ネットワークタイプ、オペレーティングプラットフォーム、性別。

    net_type

    アイテム情報

    アイテム ID

    行動テーブルのアイテム ID フィールド。

    item_id

    ユーザーテーブル

    パラメーター

    説明

    例

    ユーザーテーブル名

    登録されたユーザーテーブルを選択します。

    rec_sln_demo_user_table_v1

    時間パーティション

    ユーザーテーブルの時間パーティションフィールド。

    ds

    yyyymmdd

    ユーザー情報

    ユーザー ID

    ユーザーテーブルのユーザー ID フィールド。

    user_id

    登録タイムスタンプ

    ユーザーが登録した時間。

    register_time

    タイムスタンプフォーマット

    登録タイムスタンプのフォーマットを指定します。

    unixtime

    カテゴリカル特徴量

    ユーザーテーブルのカテゴリカルフィールド。例:性別、年齢層、都市。

    gender, city

    数値特徴量

    ユーザーテーブルの数値フィールド。例:作成されたアイテム数、ポイント数。

    age, item_cnt, follow_cnt, follower_cnt

    タグ特徴量

    タグ特徴量のフィールド名。

    tags

    アイテムテーブル

    パラメーター

    説明

    例

    アイテムテーブル名

    登録されたアイテムテーブルを選択します。

    rec_sln_demo_item_table_v1

    時間パーティション

    アイテムテーブルの時間パーティションフィールド。

    ds

    yyyymmdd

    アイテム情報

    アイテム ID

    アイテムテーブルのアイテム ID フィールド。

    item_id

    作成者 ID

    アイテムの作成者。

    author

    出品タイムスタンプ

    アイテムの出品タイムスタンプのフィールド。

    pub_time

    タイムスタンプフォーマット

    出品タイムスタンプのフォーマットを指定します。

    unixtime

    カテゴリカル特徴量

    アイテムテーブルのカテゴリカルフィールド。例:カテゴリ。

    category

    数値特徴量

    アイテムテーブルの数値フィールド。例:価格、総売上、いいね数。

    click_count, praise_count

  3. 特徴の設定 ノードで、次の表の説明に従ってパラメーターを設定し、特徴の生成 をクリックし、特徴量バージョンを設定してから、次へ をクリックします。

    特徴の生成 をクリックすると、システムはユーザーとアイテムのさまざまな統計的特徴量を導出します。このソリューションではデフォルトの導出特徴量を使用しますが、ビジネス要件に基づいて編集できます。詳細については、「特徴量設定」をご参照ください。

    リソース設定

    パラメーター

    説明

    例

    よく使用する統計期間

    このパラメーターはバッチ特徴量生成に使用します。特徴量が多すぎないように、統計期間を 3、7、15 日に設定します。この設定により、指定された期間にわたってユーザーとアイテムの統計が計算されます。

    ユーザー行動イベントが非常に少ない場合は、21 日を試してください。

    3,7,15

    注目すべき動作

    設定された行動イベントを選択します。推奨される順序は、expr (インプレッション)、click、praise です。

    expr, click, praise

  4. 取得設定 ノードで、対象カテゴリの横にある 追加 をクリックし、パラメーターを設定し、OK をクリックしてから、次へ をクリックします。

    すぐに開始するには、グローバルホットリコールと etrec u2i リコールを設定します。他の方法は参考として提供されています。

    リソース設定

    グローバルホットリコール

    グローバルホットリコールは、クリックイベントの統計に基づいて人気アイテムのランキングを生成します。ここで、top_n はランキング内のアイテム数を表します。人気スコアの数式やアクセスイベントを変更するには、関連するコードを生成して DataWorks にデプロイします。

    スコアリング数式は click_uv*click_uv/(expr+adj_factor)*exp(-item_publish_days/fresh_decay_denom) です。ここで:

    • click_uv:同じクリック率 (CTR) の場合、クリック数が多いほど人気が高いことを示します。

    • click_uv/(expr+adj_factor):平滑化された CTR。ここで、click_uv はクリックしたユニークユーザー数、expr はインプレッション数です。調整係数 adj_factor は、分母がゼロになるのを防ぎ、インプレッション数が少ない場合に CTR を調整するために追加されます。インプレッションが少ない場合、CTR は 1 に近づきます。adj_factor を追加すると、CTR は 1 から離れ、真の CTR に近づきます。

    • exp(-item_publish_days/fresh_decay_denom):この項は古いアイテムにペナルティを課します。item_publish_days は、アイテムが公開されてからの日数です。

    設定エディターで、[リコールモデル名] (例:global_hot)、[リコールタイムウィンドウ] (例:15 日)、[リコール数] (例:500)、[露出行動イベント]、[クリック行動イベント]、[ホットスコア数式] スイッチ、[リコールエンジン] (例:FeatureStore)、[バージョン] などのパラメーターを設定します。

    Etrec u2i リコール

    etrec はアイテムベースの協調フィルタリングアルゴリズムです。詳細については、「協調フィルタリング etrec」をご参照ください。

    [設定の編集] ダイアログボックスで、[リコールモデル名] (例:etrec) と [リコールエンジン] (例:Hologres) を設定します。[U2I 行動の重み] セクションでは、イベントとそれに対応する重みを追加できます。例えば、expr には 0、click には 1、praise には 3 の重みを設定します。

    パラメーター

    説明

    トレーニング日数

    トレーニングに使用される行動ログの日数。デフォルトは 30 です。ログの量に応じてこの値を調整できます。

    リコール数

    オフラインで生成するユーザー対アイテムの推薦数。

    U2I トリガー

    ユーザーがインタラクションしたアイテム (例:クリック、お気に入り、購入)。通常、ユーザーが閲覧しただけのアイテム (インプレッション) は除外されます。

    行動タイムウィンドウ

    収集する行動データの日数。デフォルトは 15 で、直近 15 日間のデータが含まれます。

    行動時間減衰係数

    0 から 1 の間の値。値が大きいほど、過去の行動がより急速に減衰し、trigger_item の構築における重みが小さくなることを示します。

    トリガー選択数

    etrec によって生成された I2I データとのデカルト積に使用するユーザーごとのアイテム ID の数。10 から 50 の値が推奨されます。大きな値は、過剰なリコール候補を生成する可能性があります。

    U2i 行動の重み

    露出イベントについては、重みを設定しないか、重みを 0 に設定します。ユーザーの露出データをスキップするため、露出イベントを設定しないことを推奨します。

    I2I モデル設定

    etrec パラメーター設定。詳細については、「協調フィルタリング etrec」をご参照ください。関連アイテム数に高い値を設定しないことを推奨します。I2I モデルを有効にした後、次のパラメーターを設定します:[類似度計算戦略] (sim_type) を wbcosine (オプション:asymcosine, jaccard) に設定し、[関連アイテム選択数] (top_n) を 500 に設定し、[ユーザーごとの最大行動数] (max_bhv) を 500 に設定し、[ユーザーごとの最小行動数] (min_bhv) を 2 に設定し、[計算戦略] (operator) を add (オプション:mul, min, max) に設定し、[類似度計算重み係数] (weight) を 1 に設定し、[減衰係数] (alpha) を 0.5 に設定します。設定が完了したら、[確認] をクリックします。

    グループ化ホットリコール

    都市や性別などの属性に基づいてランキングを設定し、初期のパーソナライズされたリコールを提供できます。次の例では、性別と数値特徴量のバケット ID の組み合わせをグループ化に使用します。

    [設定の編集] ページで、[リコールタイプ] を [グループ化ホットリコール] に、[リコールモデル名] を group_hot に、[リコールタイムウィンドウ] を 15 に、[リコール数] を 500 に設定します。[露出行動イベント] を expr に、[クリック行動イベント] を click に設定します。[ホットスコア数式設定] スイッチを有効にし、[ホットスコア指数調整係数] を 100 に、[ホットスコア新鮮度減衰] を true に、[ホットスコア新鮮度減衰係数] を 180 に設定します。[ユーザーグループトリガー] セクションで、[追加] をクリックして特徴量を追加します:gender (バケット境界なし) と follow_cnt (バケット境界 1,5,10,20)。[行動グループトリガー] セクションで、特徴量 net_type (バケット境界なし) を追加します。[リコールエンジン] を Hologres に、[バージョン] を 1 に設定し、[確認] をクリックします。

    Swing u2i リコール

    Swing は、User-Item-User パターンに基づいてアイテムの類似度を測定する、アイテム関連性を計算するメソッドです。[設定の編集] ダイアログボックスで、次のパラメーターを設定します:[リコールタイプ] を [swing u2i リコール] に、[リコールモデル名] を swing に、[トレーニング日数] を 30 に、[リコール数] を 500 に設定します。[リコールエンジン] を Hologres に設定し、[U2I トリガー] を無効にし、[行動タイムウィンドウ] を 15 に、[減衰係数] を 0.2 に、[トリガー選択数] を 10 に設定します。[U2I 行動の重み] セクションで、[追加] をクリックして行動の重みを追加します:expr の重みを 0 に、click を 1 に、praise を 3 に設定します。

    Swing I2I モデルのパラメーターには以下が含まれます:[関連アイテム選択数] (top_n、例:500)、[ユーザーごとの最大クリック数] (max_click_per_user、例:600)、[アイテムごとの最大ユーザー数] (max_user_per_item、例:700)、[最大タイムスパン] (max_time_span、例:1)、[調整係数] (alpha1=5, alpha2=1, beta=0.3)、[アイテム重み計算方法] (norm_method、オプション:COUNT)、[バージョン] (version)。完了したら、[確認] をクリックします。

    ベクトルリコール

    2 つのベクトルリコールメソッドが提供されています:DSSM と MIND。詳細については、以下をご参照ください:

    • リコールターゲット名:通常、アイテムがクリックされたかどうかを示します。これを is_click に設定します。

    • リコールターゲット選択:max(if(event='click', 1, 0)) に設定します。

      次のコードを参照できます:

      select max(if(event='click',1,0)) is_click ,...
      from ${behavior_table}
      where between dt=${bizdate_start} and dt=${bizdate_end}
      group by req_id,user_id,item

      ここで:

      • ${behavior_table}:行動テーブル。

      • ${bizdate_start}:行動タイムウィンドウの開始日。

      • event:${behavior_table} テーブルのイベントフィールド。特定のスキーマに基づいて値を選択します。

      • is_click:ターゲット名。

      ディメンション計算の数式は次のとおりです:

      EMB_SQRT4_STEP8: (8 + Pow(count, 0.25)) / 8) * 8
      EMB_SQRT4_STEP4: (4 + Pow(count, 0.25)) / 4) * 4
      EMB_LN_STEP8:    (8 + Log(count + 1)) / 8) * 8
      EMB_LN_STEP4:    (4 + Log(count + 1)) / 4) * 4

      ここで、count は特徴量列挙値の数です。特徴量に多数の一意の値がある場合は、Log 関数を使用します。

    [設定の編集] パネルで、[リコールモデル名] を dssm に、[モデルタイプ] を dssm に設定します。[ネガティブサンプリング戦略] を無効にします。[リコールターゲット設定] を有効にし、[ターゲットタイプ] を CLASSIFICATION に設定します。[トレーニング日数] を 30 に、[embed_dim 戦略] を EMB_SQRT4_STEP4 に設定します。[リコールエンジン] を Hologres に設定します。[増分トレーニング] には true を選択し、増分トレーニング日数を 1 に設定します。[非同期トレーニング] と [オンライン推論モード] の両方に false を選択します。[興味の数] を 1 に設定し、[サンプル重み] を有効にします。

    [サンプル重み名 (name)] を sample_weight に、[サンプル重み式 (selection)] を ln(sum(playtime) + 1) に設定します。[シーンデータフィルタリング (scene_values)] は、シーンデータフィルタリング条件を入力するために使用されます。複数の値はカンマで区切ります。[バージョン (version)] を 1 に設定します。

    コールドスタートリコール

    これは DSSM に似たデュアルタワーリコールモデルで、ユーザータワーとアイテムタワーに分かれています。DropoutNet は、ヘッド、ロングテール、さらには全く新しいユーザーやアイテムに適したリコールモデルです。

    [設定の作成] ページで、次のパラメーターを設定します:[リコールタイプ] を [コールドスタートリコール] に、[モデルタイプ] (model_type) を dropoutnet に設定します。[リコールターゲット設定] (label) を有効にし、リコールターゲット名を is_click に、リコールターゲット選択を max(if(event='click', 1, 0)) に、ターゲットタイプを CLASSIFICATION に設定します。[トレーニング日数] (train_days) を 30 に、[embed_dim 戦略] を EMB_SQRT4_STEP4 に設定します。[リコールエンジン] を Hologres に設定します。[増分トレーニング] を true に設定し、増分トレーニング日数を 1 に設定します。[非同期トレーニング] と [オンライン推論モード] の両方を false に設定します。[バージョン] を 1 に設定し、[確認] をクリックします。

    グローバルホットフォールバック

    グローバルホットフォールバックリコールは、グローバルホットリコールに似ています。その主な目的は、プライマリのグローバルホットリコールエンジンが失敗した場合に、十分な候補セットを持つフォールバックを提供することです。そのため、その出力は Redis に保存されます。この出力には 1 行のデータしか含まれません。[設定の編集] ページで、[リコールタイプ] を [グローバルホットフォールバックリコール] に設定します。[フォールバックモデル名] (model_name) を global_hot_supplement に、[リコールタイムウィンドウ] (day_interval) を 15 に、[フォールバックリコール数] (supplement_top_n) を 500 に設定します。[露出行動イベント] (exposure_event) を expr に、[クリック行動イベント] (click_event) を click に設定します。[ホットスコア数式設定] (hot_score) トグルを無効にします。[redis データソース名] (redis_datasource) を redis に、[バージョン] (version) を 1 に設定します。

    協調メトリック i2i リコール

    協調メトリック学習 i2i リコールモデルは、セッションクリックデータを使用してアイテム間の類似度を計算します。モデルパラメーターを設定します:リコールモデル名を CoMetricLearningI2I に設定します。[リコールターゲット設定] を有効にした後、リコールターゲット名を is_click に、リコールターゲット選択を max(if(event='click', 1, 0)) に、ターゲットタイプを CLASSIFICATION に設定します。残りの設定については、[トレーニング日数] を 30 に、[embed_dim 戦略] を EMB_SQRT4_STEP4 に、[リコールエンジン] を Hologres に、[増分トレーニング] を false に、[増分トレーニング日数] を 1 に、[非同期トレーニング] を false に、[バージョン] を 1 に設定します。設定が完了したら、[確認] をクリックします。

  5. ソート設定 ノードで、[詳細ランキング] の横にある 追加 をクリックし、以下のようにパラメーターを設定し、OK をクリックしてから、次へ をクリックします。

    リソース設定

    プラットフォームは複数のランキングモデルを提供しています。詳細については、「ランキングモデル」をご参照ください。次の例では、DBMTL 多目的ランキングモデルを使用します。

    ランキングパラメーター設定ページで、[ランキングタイプ] を [詳細ランキング] に設定し、[詳細ランキングモデル名 (model_name)] に dbmtl を入力し、[フィルターフィールド (exclude_field)] に playtime を入力し、[トレーニング日数 (train_days)] を 30 に設定し、[モデルタイプ選択 (model_type)] で dbmtl を選択し、[増分トレーニング (is_incremental)] で false を選択し、[増分トレーニング日数 (incremental_train_days)] を 1 に設定し、[非同期トレーニング (is_async)] で false を選択し、[バージョン (version)] を 1 に設定します。

    [リファインドランキングのターゲット設定 (ラベル)] の横にある 追加 をクリックして、次の 2 つのラベルを追加します。

    • ターゲット 1:[ターゲット名] を is_click に設定し、[ターゲット式] を max(if(event='click',1,0)) に設定し、[ターゲットタイプ] に [分類] を選択します。

    • ターゲット 2 (注意:'ln' の 'l' は小文字の L です):[ターゲット名] を ln_playtime に設定し、[ターゲット式] を ln(sum(playtime)+1) に設定し、[ターゲット依存関係] を is_click に設定し、[ターゲットタイプ] に [回帰] を選択してから、[OK] をクリックします。

  6. スクリプトの生成 ノードで、デプロイメントスクリプトの生成 をクリックします。

    重要

    デプロイスクリプトが生成されると、システムはすべてのデプロイファイルを含む OSS アドレスを提供します。後でデプロイスクリプトを手動で実行するために、このアドレスを保存できます。

  7. スクリプトが生成されたら、ダイアログボックスの OK をクリックして、推奨構成のカスタマイズ > デプロイメントレコード ページに移動します。

    スクリプトの生成に失敗した場合は、実行ログを確認してエラーを特定して修正し、スクリプトを再生成します。

6. 推薦のデプロイ

スクリプトが生成されたら、2 つの方法で DataWorks にデプロイできます。

方法 1:統合デプロイメント

  1. 対象ソリューションの右側にある デプロイメントへ をクリックします。[デプロイメントレコード] ページでは、[シナリオ] と [デプロイメントステータス] でレコードをフィルタリングできます。対象の推薦ソリューション (例:pai_rec_testdemo_v1) を見つけ、そのデプロイメントステータスが [準備完了] であることを確認します。

  2. デプロイメントのプレビュー ページの ファイル diff セクションで、デプロイするファイルを選択します。初回デプロイメントの場合は、すべて選択 をクリックし、次に Dataworksへのデプロイメント をクリックします。

    ページは デプロイメントレコード ページに戻ります。このページでは、[ホームページ] シナリオの pai_rec_testdemo_v1 レコメンデーションソリューションの [デプロイステータス] が [実行中] と表示されます。

  3. しばらく待ってから、image をクリックしてリストを更新し、デプロイメントステータスを確認します。

    • デプロイメントが失敗した場合は、操作 列の ログの表示 をクリックします。特定のエラーを分析して解決した後、スクリプトを再生成してデプロイします。

    • デプロイメントの状態 が 完了 に変更されると、このソリューション用に設定された DataWorks ワークスペース内の DataStudio に移動して、デプロイされたコードを表示できます。 詳細については、「データ開発: 開発者」をご参照ください。 DataStudio の左側のナビゲーションウィンドウで ビジネスフロー > ワークフロー > MaxCompute > データ開発 を展開すると、feature、feature_v726、rank_v1、recall_v1 (etrec_u2i_recall および global_hot_recall サブノードを含む)、および test などのデプロイされたノードフォルダを表示できます。

  4. タスクデータのバックフィルプロセスを表示します。

    1. 推奨構成のカスタマイズ > デプロイメントレコード ページで、正常にデプロイされたソリューションの 操作 列の 詳細 をクリックします。

    2. デプロイメントのプレビュー ページで [タスクデータバックフィルプロセスを表示] をクリックして、プロセスとその手順を確認します。

    3. ユーザーテーブル、アイテムテーブル、ユーザー行動テーブルのパーティションに、直近 n 日間のデータが含まれていることを確認します。ここで n は、トレーニングタイムウィンドウと最大特徴量タイムウィンドウの合計です。このトピックのデモデータを使用している場合は、最新のデータパーティションを同期します。Python スクリプトでデータを生成している場合は、DataWorks オペレーションセンターでデータバックフィルを実行して最新のパーティションを生成します。

    4. 左上隅の バックフィルジョブの作成 をクリックし、次に バックフィルタスク一覧 の下にある タスクの順次起動 をクリックします。すべてのタスクが正常に実行されることを確認します。タスクが失敗した場合は、詳細 をクリックしてログ情報を表示し、エラーを分析して解決してからタスクを再実行します。再実行が成功したら、ページ左上隅の 再開 をクリックし、すべてのタスクが成功するまで続けます。データバックフィルプロセスの DAG は、完全な特徴量エンジニアリングパイプラインを示しています:上部には 3 つのデータソーステーブル (pairec_demo.rec_sln_demo_item_table_v1、pairec_demo.rec_sln_demo_behavior_table_v1、pairec_demo.rec_sln_demo_user_table_v1) があり、これらは順に前処理、ワイドテーブル構築 (例:behavior_table_v1_wide)、集計統計 (例:item_id_30d_agg および user_id_30d_agg)、静的特徴抽出を経て、完全な特徴量テーブル (例:item_table_v1_all_feat および user_table_v1_all_feat) を生成します。最後に、PyODPS3 タイプの create_sync_onlinestore ノードがデータをオンライン特徴量ストアに同期します。各ノードカードには、開始日と終了日、データバックフィルの順序などの情報が含まれています。左上隅の [バックフィルタスクの作成] ボタンが、このデータバックフィルプロセスを開始します。

方法 2:移行アシスタント

DataWorks コンソールの移行アシスタントを使用して、スクリプトを手動でデプロイすることもできます。その他の操作については、「DataWorks インポートタスクの作成と表示」をご参照ください。

  • インポート名:コンソールのプロンプトに従って設定します。

  • アップロード方法:[OSS ファイル] を選択し、[OSS リンク] を入力して、[検証] をクリックします。

    デプロイファイルは、ステップ 5 で生成された OSS アドレスに保存されます。例:oss://examplebucket/algoconfig/plan/1723717372/package.zip。OSS コンソールにログインし、以下の手順でファイルの URL を取得できます。OSS コンソールの左側のナビゲーションウィンドウで、[バケットリスト] をクリックします。対象のバケットに移動し、[ファイルリスト] をクリックします。対象のファイル (例:package.zip) を見つけてクリックします。右側に表示される詳細パネルで、[HTTPS] トグルを有効にし、[ファイル URL のコピー] をクリックして署名付き URL を取得します。この URL を OSS リンクとして使用します。

7. ノードのフリーズ

バックフィルが完了したら、オペレーションセンターでタスク (ステップ 2.2 の 3 つのノード) をフリーズして、毎日実行されないようにします。

DataWorks のオペレーションセンターで、定期タスクの運用保守 > 定期タスク に移動します。ノード (たとえば rec_sln_demo_user_table_v1) を検索し、ノード (Workspace.node name) を選択して、[一時停止 (凍結)] を選択します。