ユーザーとアイテムの特徴に基づいて製品を推奨する - Platform For AI

このトピックでは、ユーザーとアイテムの機能に基づいて製品レコメンデーションモデルを作成する方法について説明します。

前提条件

ワークスペースが作成済み。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。

背景情報

このサンプルパイプラインでは、4月と5月の実際のeコマースデータを使用してモデルをトレーニングし、6月のデータを使用してモデルを評価します。モデルのパフォーマンスが検証された後、モデルはオンラインサービスとしてElastic Algorithm Service (EAS) にデプロイされます。

重要

サンプルパイプラインは、eコマースプラットフォームからの匿名化された実データを使用します。データは商用目的ではありません。

サンプルパイプラインと関連データは、Machine Learning Designerが提供するプリセットテンプレートに含まれています。テンプレート内のコンポーネントをドラッグして、協調フィルタリングに基づいて推奨モデルを作成できます。次に、Machine Learning Designerでトレーニングしたモデルを数回クリックするだけでEASにデプロイできます。

一般的なワークフロー

MaxComputeにデータをインポートして、教師付き構造化データを生成します。
データの前処理やフィーチャの派生などのフィーチャエンジニアリング操作を実行します。機能派生は、ビジネス固有の特性をより適切にキャプチャするために、既存のデータから新しいデータを生成します。
データを2つのデータセットに分割します。 1つのデータセットを使用して、バイナリ分類モデルをトレーニングします。他のデータセットを使用して、モデルのパフォーマンスを評価します。
モデルのパフォーマンスを評価します。

データセット

サンプルパイプラインでは、Tianchi Big Data Competitionのデータセットを使用します。データセットには、4月から6月までのeコマースプラットフォームのショッピングデータが含まれています。次の表に、データセットのフィールドを示します。

項目	短い説明	データ型	完全な説明
user_id	User ID	STRING	アイテムを購入したユーザーのID。
item_id	アイテムID	STRING	購入したアイテムのID。
active_type	ショッピング行動	STRING	0: アイテムをクリックします。 1: アイテムを購入します。 2: お気に入りにアイテムを追加します。 3: ショッピングカートにアイテムを追加します。
active_date	購入日	STRING	ユーザーがアイテムを購入した日付。

次の図は、サンプルパイプラインで使用される生データを示しています。原始示例数据

手順

Machine Learning Designerページに移動します。
1. PAIコンソールにログインします。
2. 左側のナビゲーションウィンドウで、[ワークスペース] をクリックします。 [ワークスペース] ページで、管理するワークスペースの名前をクリックします。
3. ワークスペースページの左側のナビゲーションウィンドウで、モデル开発とトレーニング > ビジュアルモデリング (デザイナー)機械学習デザイナーページに移動します。

パイプラインを作成します。

Visualized Modeling (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。
[プリセットテンプレート] タブで、オブジェクト特性に基づく推奨事項をクリックし、作成.
[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。デフォルト値を使用できます。
Pipeline Data Pathパラメーターに指定された値は、パイプラインのランタイム中に生成された一時データおよびモデルのObject Storage Service (OSS) バケットパスです。
[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] タブで、ダブルクリックします。オブジェクト特性に基づく推奨事項パイプラインを開きます。

キャンバス上のパイプラインのコンポーネントを表示します。次の図は、プリセットテンプレートに基づいて自動的に作成されるパイプラインを示しています。

セクション	説明
①	このセクションのコンポーネントは、元のデータセットに基づいて次のフィーチャの新しいデータを生成するフィーチャエンジニアリングを実行します。ユーザー機能: 生成されたデータには、各ユーザーの購入数、クリック数、クリック対購入の比率が含まれます。クリック対購入の比率は、クリック数を購入数で割ることによって計算されます。この比率は、ショッピング活動におけるユーザの決定性を反映する。アイテムの特徴: 生成されたデータには、各アイテムの購入数、クリック数、購入対クリックの比率が含まれます。購入対クリックの比率は、購入数をクリック数で割ることによって計算されます。フィーチャエンジニアリング後、次の図に示すように、データセットは4フィールドから10フィールドに拡張されます。
②	このセクションのコンポーネントでは、論理回帰アルゴリズムを使用してモデルをトレーニングします。トレーニング済みモデルを保存するには、[バイナリ分類のロジスティック回帰] コンポーネントをクリックし、右側のウィンドウで [フィールド設定] タブをクリックし、[PMMLを生成するかどうか] を選択します。
③	このセクションのコンポーネントでは、モデルのトレーニングに使用されていないデータを使用して、モデルのパフォーマンスを評価します。ほとんどの場合、Confusion MatrixおよびBinary Classification Evaluationコンポーネントを使用して、推奨モデルのパフォーマンスを評価できます。

パイプラインを実行し、予測結果を表示します。
1. キャンバスの左上隅で、実行アイコンが表示されます。
2. パイプラインの実行が完了したら、バイナリ分類のロジスティック回帰キャンバス上のコンポーネントを選択し、モデルオプション > PMMLファイルへのエクスポートトレーニング済みモデルをエクスポートします。
3. を右クリックし、予測キャンバス上のコンポーネントを選択し、データの表示 > 予測結果出力モデルの予測結果を表示します。
モデルの評価結果を表示します。
1. キャンバス上のバイナリ分類評価コンポーネントを右クリックし、ビジュアル分析を選択します。
2. では、バイナリ分類評価セクションをクリックし、評価チャート受信機動作特性 (ROC) 曲線を見るためのタブ。
  青色領域は、曲線下面積 (AUC) 値を表す。青い領域が大きいほど、モデルの品質が高いことを示します。
3. キャンバス上の混乱マトリックスコンポーネントを右クリックし、ビジュアル分析を選択します。
4. では、混乱マトリックスセクションをクリックし、混乱マトリックスタブで評価結果を表示します。
モデルをデプロイします。
モデルのパフォーマンスが期待どおりの場合は、キャンバスの上部にある [モデル] をクリックして、モデルをオンラインサービスとしてデプロイします。詳細については、「オンラインサービスとしてのモデルのデプロイ」をご参照ください。