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 モジュール式アルゴリズムカスタマイズのベストプラクティス

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 で特徴量エンジニアリング、リコール、ランキングを設定し、生成されたコードを DataWorks にデプロイします。モジュール式アプローチにより、パイプラインの他の部分に影響を与えることなく、個々のコンポーネントを公開または非公開にできます。

レコメンデーションソリューションのカスタマイズをモジュール化する理由:

  • 特徴量グループにより、モデルの反復が簡素化されます。

  • ワンクリック公開により、コードがデプロイされ、データバックフィルが自動的に開始されます。

  • ランキングモジュールのみが、必要なすべてのコンポーネント (特徴量グループ、サンプル、特徴量生成モジュール) を完全にバックフィルするため、特徴量エンジニアリングのエラーによる手戻りを削減します。

前提条件

以下の準備を完了してください:

1. PAI-Rec インスタンスの作成とサービスの初期化

  1. レコメンデーションシステム開発プラットフォーム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、次の主要な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

    リージョンとゾーン

    クラウドサービスがデプロイされているリージョン。

    サービスタイプ

    [Standard Edition とレコメンデーションソリューションのカスタマイズを有効にする] を選択します。

  3. PAI-Rec 管理コンソールにログインします。トップメニューバーの左上隅で、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] を選択し、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。

  5. 操作ガイド セクションで クラウドプロダクトの設定 をクリックして、システム設定 > クラウドプロダクトの設定 ページを開きます。編集 をクリックし、「リソース設定」テーブルに示すようにパラメーターを設定してから、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

    作成したデフォルトの PAI ワークスペースを入力します。

    DataWorks ワークスペース

    自動的に生成された DataWorks ワークスペースに入ります。

    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)

    作成した MaxCompute プロジェクトを入力します。

    Object Storage Service (OSS) バケット

    作成した 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 オプションで、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 オプションで、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、各クラウドサービスの権限付与ステータスを確認します。

2. パブリックデータセットのクローン

1. データテーブルの同期

2 つのデータ入力オプションが利用可能です:

  1. 固定タイムウィンドウ内で pai_online_project からデータをクローンします。このオプションは定期タスク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、指定した時間範囲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定期的に行うには、代わりに Python スクリプトをデプロイします。「コードを使用したデータ生成」タブをご参照ください。

固定タイムウィンドウ

PAI-Rec は、パブリックプロジェクト pai_online_project に 3 つのテーブルを用意しています:

  • 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

  • 動作テーブル:pai_online_project.rec_sln_demo_behavior_table

以下の操作では、これら 3 つのテーブルを使用します。データはシミュレーションのためにランダムに生成されるため、AUC などのトレーニングメトリックが低くなる可能性があります。DataWorks で SQL コマンドを実行して、テーブルデータを pai_online_project からご利用の DataWorks プロジェクト (例:DataWorks_a) に同期します:

  1. DataWorks コンソールにログインし、トップメニューバーの左上隅から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] をクリックします。

  4. 新規作成 にカーソルを合わせ、[新しいノード] > MaxCompute > [ODPS SQL] を選択します。以下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

    バインドした MaxCompute データソースを選択します。

    ノードタイプ

    ODPS SQL ノードタイプを選択します。

    パス

    現在のノードのパスを選択します。例:Business Flow/Workflow/MaxCompute。

    名称

    カスタム名を入力します。例:Data。

  5. 新しいノードエディターで、次のコードをコピーして実行し、ユーザー、アイテム、および動作テーブルを 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。コードを実行する前に、bizdate で終わる 100 日間のデータウィンドウを指定する変数を設定します。通常、bizdate は前日に設定する必要があります。[スケジューリングパラメーター] エリアで [パラメーターの追加] をクリックし、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。次のコードを実行すると、パブリックの pai_online_project プロジェクトからご利用のプロジェクトにデータが同期されます:

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 '公開アイテム数',
 follow_cnt BIGINT COMMENT 'フォローアカウント数',
 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 '動画の持続時間',
 title STRING COMMENT 'タイトル',
 category STRING COMMENT 'プライマリカテゴリ',
 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 '追跡 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 'イベント時間',
 item_id STRING COMMENT 'アイテム ID',
 event STRING COMMENT 'イベントタイプ',
 playtime DOUBLE COMMENT '再生/閲覧時間'
) 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は定期タスクをサポートしていません。タスクをスケジュール通りに実行するには、Python スクリプトをデプロイしてデータを生成します:

  1. DataWorks コンソールで、PyODPS 3 ノードを作成します (MaxCompute ノードの作成と管理)。

  2. create_data.py をダウンロードし、ファイルの内容を PyODPS 3 ノードエディターに貼り付けます。

  3. エディターの右側で スケジューリング構成 をクリックし、パラメーターを設定します。次に、右上隅にある保存アイコン image と送信アイコン image をクリックします。

    • スケジューリングパラメーターの設定:

      • 変数の置換に関する注意:

        スケジューリングパラメーターで、$user_table_name 引数を rec_sln_demo_user_table に設定します。

        $item_table_name 引数を rec_sln_demo_item_table に設定します。

        $behavior_table_name 引数を rec_sln_demo_behavior_table に設定します。

        3 つのテーブル名引数に加えて、スクリプトは bizdate スケジューリングパラメーターも使用し、これは $bizdate 変数として渡されます。

        パラメーター設定:

        bizdate という名前のパラメーターを追加し、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をクリックし、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 をクリックします。

  6. [データバックフィル] パネルでデータタイムスタンプを設定し、[送信して移動] をクリックします。

    最適な 60 日間のデータバックフィル期間を確保するため、データタイムスタンプを Scheduled Task Date - 60 に設定して、データの整合性を確保します。

2. 依存ノードの設定

DataWorks プロジェクトに 3 つの仮想ノードを追加し、ルートノードにスケジューリングの依存関係を設定してから、それらを公開します:

  1. 新規作成 にカーソルを合わせ、[新しいノード] > 全般 > [仮想ノード] を選択します。以下のリソース設定を使用して 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

    デフォルト例

    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

    現在のノードのパスを選択します。

    Business Flow/Workflow/General

    名称

    対応する同期データテーブルの名前を入力します。

    • rec_sln_demo_user_table_v1

    • rec_sln_demo_item_table_v1

    • rec_sln_demo_behavior_table_v1

  2. 各ノードを選択し、その内容を 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、次の設定を完了します:

    • [時間属性] セクションで、[再実行属性] を [成功または失敗後にノードを再実行] に設定します。

    • [スケジューリングの依存関係] > [祖先ノード] セクションで、DataWorks ワークスペース名を入力し、_root サフィックスを持つノードを選択して、追加 をクリックします。

      この依存関係設定を 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 image アイコンをクリックしてノードを送信します。

3. データの登録

特徴量エンジニアリング、リコール、ランキングを設定する前に、PAI-Rec に 3 つの同期済みテーブルを登録します:

  1. PAI-Rec 管理コンソールにログインし、左上隅から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] をクリックし、インスタンスの名前をクリックして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 に移動します。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。以下の表の設定を使用して、ユーザーテーブル、アイテムテーブル、動作テーブルを追加します。次に、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

    作成した 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

    • 動作テーブル: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。

    • ユーザーテーブル

    • アイテムテーブル

    • 動作テーブル

4. レコメンデーションシナリオの作成

レコメンデーションタスクを設定する前に、レコメンデーションシナリオを作成します。基本概念とトラフィックエンコーディングについては、「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、次に シナリオの作成 をクリックします。以下のリソース設定でレコメンデーションシナリオを設定し、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

シナリオのカスタム名。

ホームページ

シナリオの説明

シナリオのオプションの説明。

なし

5. アルゴリズムの設定

完全な本番環境の設定には、次のリコールとランキングの設定が含まれます:

  • グローバルホットリコール:ログデータに基づいて、最も人気のある上位 K 個のアイテムを取得します。

  • グループ化ホットリコール:都市や性別などの特定のグループから人気のあるアイテム候補を取得し、関連性を向上させます。

  • 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。

  • ベクトルリコール (オプション):高度構造化セマンティックモデル (DSSM) を使用して候補を生成します。

  • 詳細ランキング:単一目的のランキングには MultiTower モデルを使用し、多目的のランキングには DBMTL モデルを使用します。

以下の手順では、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) からの etrec u2i リコール、さらに詳細ランキングについて説明します。手順:

  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 を選択します。作成したシナリオを選択し、モジュラーレコメンデーションソリューションの作成 をクリックします。以下のリソース設定でソリューションを作成し、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はデフォルト値のままにします。データテーブル設定。

    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

    作成したレコメンデーションシナリオを選択します。

    オフラインストア

    レコメンデーション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。

    アルゴリズムフレームワーク

    PyTorch を選択します。好みに応じて別のアルゴリズムフレームワークを選択できます。

    Dataworks ワークスペース

    レコメンデーション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

    レコメンデーションソリューションスクリプトがデプロイされるときに DataWorks で作成されるビジネスフローの名前。Flow などのカスタム名を入力できます。

    StorageAPI 設定

    中国本土:中国 (北京) や中国 (上海) などのリージョンでは、従量課金のデータ転送サービスである「StorageAPI」を選択できます。

    その他のリージョン:中国 (香港)、シンガポール、ドイツ (フランクフルト) などのリージョンでは、まず専用の Data Transmission Service リソースグループを購入して使用する必要があります。従量課金オプションが利用できない場合は、サブスクリプションベースのデータ転送サービスを購入する必要があります。購入後、ページをリフレッシュし、サブスクリプションベースのサービスの名前を選択します。DataWorks の PAI-DLC TorchEasyRec トレーニングジョブで、次のような形式のパラメーターを追加します:-odps_data_quota_name ot_xxxx_p#ot_yyyy。

    slim_mode

    DataWorks のバージョンがインポートされるコードパッケージのサイズを制限している場合にこれを有効にします。その後、制限を超えるパッケージを手動でアップロードする必要があります。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

    レコメンデーション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、オンラインデータソースとして FeatureDB を選択します。

    ユーザーエンティティ

    FeatureStore プロジェクトから user 特徴量エンティティを選択します。

    アイテムエンティティ

    FeatureStore プロジェクトから item 特徴量エンティティを選択します。

  2. データテーブルの設定 タブで、データテーブルの横にある 追加 をクリックします。動作ログテーブル、ユーザーテーブル、アイテムテーブルの対応するパーティション、イベント、特徴量、タイムスタンプフィールドを設定し、次へ をクリックします。

    指定されていないパラメーターはデフォルト値のままにします。データテーブル設定。

    動作ログテーブルのリソース設定

    実際データに基づいて設定を調整してください。このチュートリアルでは、動作ログにはリクエスト ID、一意のユーザー識別子、ページ、イベントタイムスタンプ、イベントタイプが含まれます。テーブルに追加のディメンションが含まれている場合は、特徴量エンジニアリングを簡素化するために、それらをユーザーまたはアイテム情報として分類します。

    パラメーター

    説明

    デフォルト例

    動作テーブル名

    登録済みの動作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

    動作テーブルのパーティションフィールド。

    ds

    yyyymmdd

    動作情報の設定

    リクエスト ID

    ログ内の各レコメンデーションリクエストを識別する ID で、通常はプログラムで生成された UUID です。オプション。

    request_id

    動作イベント

    ログに動作イベントを記録するフィールド。

    event

    動作イベントの列挙値

    露出、クリック、カートに追加、購入などの動作イベントの列挙値。

    expr,click,praise

    動作値

    トランザクション価格や視聴時間など、動作の深さを表すフィールド。

    playtime

    動作タイムスタンプ

    ログイベントが発生した時間。秒単位のタイムスタンプとして。

    event_time

    タイムスタンプフォーマット

    動作タイムスタンプと組み合わせて使用されます。

    unixtime

    動作シナリオ

    ログが生成されたシナリオ。ホームページ、検索ページ、商品詳細ページなど。

    page

    シナリオの列挙値

    どのシナリオのデータを使用するかを指定し、特徴量エンジニアリングでシナリオごとの特徴量統計を可能にします。

    home,detail

    ユーザー情報の設定

    ユーザー ID

    動作テーブルのユーザー ID のフィールド。

    user_id

    ユーザーのカテゴリカル特徴量

    動作テーブルのカテゴリカルなユーザー特徴量。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、性別など。

    net_type

    アイテム情報の設定

    アイテム ID

    動作テーブルのアイテム ID のフィールド。

    item_id

    ユーザーテーブルのリソース設定

    パラメーター

    説明

    デフォルト例

    ユーザーテーブル名

    登録済みの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

    ユーザー情報の設定

    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と組み合わせて使用されます。

    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。性別、年齢層、都市など。

    gender,city

    数値特徴量

    ユーザーテーブルの数値フィールド。作成したアイテム数やポイントなど。

    age,item_cnt,follow_cnt,follower_cnt

    タグ機能

    タグ特徴量フィールドの名前。

    tags

    アイテムテーブルのリソース設定

    パラメーター

    説明

    デフォルト例

    アイテムテーブル名

    登録済みの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

    アイテム情報の設定

    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

    アイテム出品タイムスタンプフィールドの名前。

    pub_time

    タイムスタンプフォーマット

    出品タイムスタンプと組み合わせて使用されます。

    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。カテゴリなど。

    category

    数値特徴量

    アイテムテーブルの数値フィールド。価格、累計販売数、いいね数など。

    click_count,praise_count

  3. 特徴グループ構成 で 追加 をクリックします。以下の表に示すようにパラメーターを設定します。特徴量モジュール名とバージョンを設定し、データテーブルの設定 タブで設定したユーザーテーブル、アイテムテーブル、動作ログテーブルを選択します。

    リソース設定

    パラメーター

    説明

    デフォルト例

    よく使用する統計期間

    バッチ特徴量生成に使用されます。特徴量の数を制限するために、統計期間を 3、7、15 日に設定します。これらの期間は、対応するタイムウィンドウにわたるユーザーとアイテムの統計的特徴量を計算します。

    ユーザーの行動がまばらな場合は、21 日間の期間を使用することを検討してください。

    3,7,15

    注目すべき動作

    設定した動作イベントを選択します。次の順序で追加することを推奨します:expr (露出)、click、praise。

    expr,click,praise

    OK をクリックします。この操作により、ユーザーとアイテムの両方に対してさまざまな統計的特徴量が生成されます。この特徴量グループの 特徴の設定 をクリックして、検証特徴量を確認します。このソリューションでは、派生特徴量を編集せず、デフォルト設定を維持します。ビジネスニーズに合わせて派生特徴量を編集できます (特徴量設定)。この特徴量グループの 公開 をクリックし、最新のデータパーティション日付をタスク実行日として選択し、最大タスク並列度を 10 に設定し、その他の設定はデフォルトのままにします。次に、OK をクリックします。この操作により、ノードが生成され、DataWorks にデプロイされ、日付ごとにデータがバックフィルされます。次のステップに進む前に、モジュールのステータスが 公開済み に変わるのを待ちます。公開の詳細 をクリックして、モジュールの詳細情報を表示します。バックフィルタスク一覧 で、各タスクの実行ステータスを確認できます。タスクが失敗した場合は、タスクノードの表示 をクリックして DataWorks に移動し、詳細なエラー情報を表示します。問題を修正した後、バックフィルタスク一覧 でノードを見つけ、再実行 をクリックします。タスクが成功したら、次に進むことができます。

  4. ラベルテーブル設定 では、このモジュールは動作テーブルからサンプルターゲットを構築します。追加 をクリックし、モジュールタイプとして [ラベルモジュール] を選択し、ラベルモジュールの名前を入力し、前のステップで設定した特徴量モジュールを選択します。[詳細ランキングターゲット設定 (ラベル)] の横にある 追加 をクリックし、次の 2 つのラベルを追加します:

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

    • ターゲット 2 (「ln」の「l」は小文字であることに注意):[詳細ランキングターゲット名] を ln_playtime に、[詳細ランキングターゲット式] を ln(sum(playtime)+1) に、[詳細ランキング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 [REGRESSION] を選択します。次に、[OK] をクリックします。

    • OK をクリックした後、特徴量モジュールを公開したのと同じ方法でモジュールを公開します。次のステップに進む前に、ステータスが 公開済み に変わるのを待ちます。

  5. サンプル設定 では、このモジュールはサンプルターゲットテーブルを特徴量と関連付け、FeatureStore にモデル特徴量を生成します。追加 をクリックし、モジュールタイプとして [サンプルモジュール] を選択し、モデル特徴量の名前を付け、前のステップの特徴量およびラベルモジュールを選択します。モジュールを公開し、次のステップに進む前にステータスが 公開済み に変わるのを待ちます。

  6. 特徴生成設定 では、このモジュールはサンプルテーブルのすべての特徴量から追加の特徴量を派生させます。現在、カスタム設定はサポートされていません。追加 をクリックし、モジュールタイプとして [特徴量生成] を選択し、特徴量生成タイプとして [ランキング] を選択し、前のサンプル設定ステップのモデル特徴量モジュールを選択します。次のステップに進む前に、ステータスが 公開済み に変わるのを待ちます。

  7. ソート設定 で、詳細ランキングセクションの 追加 をクリックします。特徴量モジュールの出力には、前のステップの特徴量生成モジュールを選択します。他のオプションはデフォルト値のままにして、OK をクリックします。次に、モジュールを公開します。ステータスが 公開済み に変わると、モデルサービスは PAI-EAS にデプロイされます。

  8. 取得設定 で、ターゲット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、設定を 公開 します。このドキュメントには、いくつかのリコール設定メソッドが含まれています。デプロイを迅速に完了させるには、[グローバルホットリコール] と [etrec u2i リコール] のみを設定する必要があります。ベクトルリコールや協調メトリックリコールなどの他のメソッドは参考用です。

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、クリックイベントに基づいて人気アイテムをランキングします。ここで、top_n はランキング内のアイテム数です。スコアリング数式やイベントを変更するには、コードを生成し、DataWorks にデプロイしてそこで変更を加えます。

スコアリング数式は click_uv*click_uv/(expr+adj_factor)*exp(-item_publish_days/fresh_decay_denom) で、各項目の意味は次のとおりです:

  • click_uv:同じクリック率 (CTR) の場合、ユニークユーザークリック数が多いほど、アイテムの人気が高いことを示します。

  • click_uv/(expr+adj_factor):これは平滑化クリック率 (CTR) です。ここで、click_uv はクリックしたユニークユーザー数、expr は露出数です。調整係数 adj_factor はゼロ除算を防ぎます。また、露出数が少ない場合に CTR が 1 に近づくのを防ぎ、計算された CTR が真の CTR に近くなるようにします。

  • exp(-item_publish_days/fresh_decay_denom):これは古いアイテムにペナルティを課します。item_publish_days は、公開日から現在までの日数です。

設定編集ページで、パラメーターを次のように設定します:[リコールモデル名] を global_hot に、[バージョン] を 1 に設定します。[動作ログテーブル] には rec_sln_demo_behavior_table_v1 を選択します。[アイテムテーブル] には rec_sln_demo_item_table_v1 を選択します。[リコールタイムウィンドウ] を 15 日に、[リコール数] を 500 に設定します。[露出動作イベント] には expr を、[クリック動作イベント] には click を選択します。[ホットスコア数式] スイッチはオフのままにします。[リコールエンジン] には FeatureStore を選択します。

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 (etrec 協調フィルタリング)。

etrec u2i リコールフォームを設定します:[リコールモデル名] (例:etrec) と [バージョン] (例:1) を入力します。[動作ログテーブル] (例:rec_sln_demo_behavior_table_v1) を選択します。[リアルタイム u2i を使用するかどうか] を [false] に設定し、[リコールエンジン] には [FeatureStore] を選択します。[u2i 動作の重み] セクションでは、イベントと重みを追加できます。例えば、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する動作ログの日数。デフォルト:30。ログのボリュームに応じて調整します。

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レコメンデーション数。

U2ITrigger

ユーザーがクリック、お気に入り登録、購入など、インタラクションしたアイテム。通常、露出のみのアイテムは除外されます。

動作タイムウィンドウ

収集する最近の動作データの日数。デフォルト:15。

動作時間減衰係数

通常 0 から 1 の間。値が高いほど、古い動作は速く減衰し、trigger_item を構築する際の重みが小さくなります。

トリガー選択数

etrec で生成された i2i データとのデカルト積のために、ユーザーごとに取得するアイテム ID の数。推奨:10 から 50。値が大きすぎると、リコール候補が過剰に生成されます。

u2i 動作の重み

露出イベントについては、省略するか、重みを 0 に設定します。露出イベントを省略すると、ユーザーの露出データの処理がスキップされます。

I2I モデル設定

etrec のパラメーター設定 (etrec 協調フィルタリング)。関連アイテムの数は多すぎないようにしてください。スイッチを有効にした後、次のパラメーターを設定します:[類似度計算戦略] (sim_type) には、wbcosine、asymcosine、jaccard などのオプションを選択します (例では wbcosine を使用)。[関連アイテム数] (top_n) を 500 に設定。[ユーザーあたりの最大動作数] (max_bhv) を 500 に設定。[ユーザーあたりの最小動作数] (min_bhv) を 2 に設定。[計算ポリシー] (operator) には、add、mul、min、max などのオプションを選択します (例では add を使用)。[類似度計算重み係数] (weight) を 1 に設定。[減衰係数] (alpha) を 0.5 に設定。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、基本的なパーソナライズリコールを実現します。この例では、グループ化キーは性別と数値特徴量のバケット番号を組み合わせたものです。

パラメーターを設定します:[リコールタイプ] を [ユーザー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、[バージョン] を 1 に、[動作ログテーブル] を rec_sln_demo_behavior_table_v1 に、[アイテムテーブル] を rec_sln_demo_item_table_v1 に、[ユーザーテーブル] を rec_sln_demo_user_table_v1 に、[特徴量モジュール] を ft に、[リコールタイムウィンドウ] を 15 に、[リコール数] を 500 に、[露出動作イベント] を expr に、[クリック動作イベント] を click に設定します。

[ユーザーグループトリガー] セクションで、特徴量 gender (バケット境界なし) と follow_cnt (バケット境界:1,5,10,20) を追加します。[動作グループトリガー] 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] には FeatureStore を選択します。

Swing u2i リコール

Swing は、ユーザー-アイテム-ユーザーの共起パターンに基づいてアイテムの類似度を測定します。

Swing u2i リコールモデル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、[バージョン] を 1 に、[動作ログテーブル] を rec_sln_demo_behavior_table_v1 に、[リアルタイム u2i を使用] を false 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] には [FeatureStore] を選択し、[U2I トリガー (weighted_behavior_u2i)] スイッチを有効にします。

U2I トリガーのパラメーターを設定します:[動作タイムウィンドウ] 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 動作の重み] セクションで、[追加] をクリックして動作イベントを追加します:名前が click で重みが 1 のイベントと、名前が praise で重みが 3 のイベント。

[I2I モデル設定] スイッチを有効にし、パラメーターを設定します:[関連アイテム数 (top_n)] を 500 に、[ユーザーあたりの最大クリック数 (max_click_per_user)] を 600 に、[アイテムあたりの最大ユーザー数 (max_user_per_item)] を 700 に、[最大タイムスパン (max_time_span)] を 1 に、[調整係数 (alpha1)] を 5 に、[調整係数 (alpha2)] を 1 に、[調整係数 (beta)] を 0.3 に設定します。[アイテム重み計算メソッド (norm_method)] には COUNT を選択します。

ベクトルリコール

このソリューションでは、DSSM ベクトルリコールメソッドを使用します。設定は次のとおりです:

  • リコールターゲット名:これは通常、クリックが発生し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:これを max(if(event='click', 1, 0)) に設定します。

    以下のコードは例です:

    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

    このコードでは:

    • ${behavior_table}:動作テーブル。

    • ${bizdate_start}:動作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。テーブルの実際のイベントフィールド名を使用します。

    • 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 は列挙された特徴量値の数です。値の数が多い特徴量には Log 関数を使用します。

リコールモデルのパラメーターを設定します:[リコールタイプ] を ベクトルリコール に、[リコールモデル名] を dssm に、[バージョン] を 1 に、[特徴量モジュール] を ft 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] スイッチを有効にし、[サンプリングタイプ] を negative_sampler に、[ネガティブサンプル数] を 1024 に設定します。

[ターゲットタイプ] を CLASSIFICATION に、[トレーニング日数] を 30 に設定します。[埋め込み共有] を true に設定します。[サンプル重み] スイッチはオフのままにします。[増分トレーニング] を true に、[増分トレーニング日数] を 1 に設定します。