すべてのプロダクト
Search
ドキュメントセンター

Platform For AI:DSSM ベクトルリコール

最終更新日:Sep 12, 2026

このチュートリアルでは、Machine Learning Platform for AI (PAI) のビジュアルモデリング (Designer) を使用して、深層構造化意味モデル (DSSM) の Two-Tower ベクトルリコールパイプラインを構築する方法を説明します。このチュートリアルを完了すると、次のことができるようになります。

  • プリセットテンプレートからの DSSM リコールパイプラインの作成

  • 30 日間の行動データに対するネガティブサンプリングを使用したモデルのトレーニング

  • リコール用のユーザーベクトルとアイテムベクトルの生成

  • hit_rate@top200 を使用したリコール品質の評価

前提条件

開始する前に、特徴量エンジニアリングワークフローを完了して、次のデータセットを生成してください。

  • 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

Machine Learning Designer の起動

  1. PAI コンソールにログオンします。

  2. 左側のナビゲーションペインで、[ワークスペース] をクリックし、使用するワークスペースの名前をクリックします。

  3. 左側のナビゲーションペインで、[モデル開発とトレーニング > 可視化モデリング (Designer)] を選択します。

パイプラインの作成

  1. 可視化モデリング (Designer) ページで、[プリセットテンプレート] タブをクリックします。

  2. [推奨ソリューション - ベクトルリコール] セクションで、[作成] をクリックします。

  3. [パイプラインの作成] ダイアログボックスで、パラメーターを設定します。デフォルト値のままでかまいません。

    [パイプラインデータパス] パラメーターは、パイプラインの実行時に一時データとモデルアーティファクトを格納する Object Storage Service (OSS) バケットのパスを指定します。

  4. [OK] をクリックします。

    パイプラインの作成には約 10 秒かかります。パイプラインリストに [Recommended Solution - Vector Recall] が表示されたら、パイプラインの準備は完了です。

  5. [推奨ソリューション - ベクトルリコール] をダブルクリックして、キャンバスにパイプラインを開きます。

パイプラインコンポーネントの理解

プリセットテンプレートを使用すると、完全な DSSM リコールパイプラインが作成されます。コンポーネントは次の順序で実行されます。

Pipeline canvas showing components 1 through 18
コンポーネント 実行内容
1 ベクトルリコール用のサンプルモデル DSSM_Recall
2 サンプルモデルへの特徴量生成 (FG) の適用
3 ポジティブサンプルテーブルを作成し、ネガティブサンプリングトレーニングに使用
4 数値特徴に等頻度ビニングを適用して、モデルの boundaries パラメーターを設定
5 列挙型特徴の一意な値をカウントして、モデルの embedding_dim および hash_bucket_size パラメーターを設定
6 アイテム特徴への FG の適用
7 ユーザー特徴への FG の適用
8 rec_sln_demo_dssm_recall_30d_binning_v1 と rec_sln_demo_dssm_recall_30d_count_v1 の結果を集約して、特徴設定とステップ設定を計算
9 ネガティブサンプリング用のアイテムテーブルを作成
10 DSSM_Recall モデルの 30 日間のサンプルデータを離散化して、トレーニングサンプルを生成
11 コンポーネント 8 の出力に基づいて EasyRec 設定ファイルを指定
12 モデルトレーニングを実行
13 rec_sln_demo_dssm_recall_item_feature_fg_encoded_v1 で分割されたアイテムモデルを使用して推論を実行し、アイテムベクトルを生成
14 rec_sln_demo_dssm_recall_user_feature_fg_encoded_v1 で分割されたユーザーモデルを使用して推論を実行し、ユーザーベクトルを生成
15 シーケンステーブルを作成し、hit_rate を使用してリコール品質を評価
18 最終的な評価指標である hit_rate@top200 を計算
説明

コンポーネント 12 では、モデルトレーニングを開始する前に EasyRec 設定ファイルが存在している必要があるため、コンポーネント 11 を先に完了する必要があります。

説明

コンポーネント 15 および 18 の hit_rate 評価では、評価日に出現した新規ユーザーと新規アイテムは除外されます。これは、これらの新規ユーザーやアイテムにはリコールするための履歴データが存在しないためです。

パイプラインの実行と結果の表示

  1. キャンバスの上部ツールバーで、[実行] をクリックします。

    パイプラインは、依存関係に従ってすべてのコンポーネントを実行します。キャンバス上で各コンポーネントのステータスを監視し、進行状況を確認してください。すべてのコンポーネントに完了ステータスが表示されたら、パイプラインは完了です。

  2. コンポーネント 18 (18_rec_sln_demo_recall_total_hit_rate_v1_2) を右クリックし、[データ表示] > [hit_rate_detail] を選択すると、セグメント別のリコールヒット率を確認できます。

    hit_rate_detail view

  3. コンポーネント 18 を右クリックし、[データを表示] > [total_hit_rate] を選択すると、全体のリコールヒット率を確認できます。

    total_hit_rate view