Platform For AI:FM-Embedding を使用したレコメンデーションの再現率の実装

データセット

操作手順

1. Machine Learning Designer の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. 左側のナビゲーションウィンドウで、[モデルトレーニング] > [ビジュアルモデリング (Designer)] を選択します。

2. パイプラインを構築します。

   1. Designer ページで、Preset Templates タブをクリックします。

   2. テンプレートリストで、Create の下にある [作成] をクリックします。

   3. Create Pipeline ダイアログボックスで、パラメーターを設定します。すべてのパラメーターにデフォルト設定を使用できます。

      Data Storage パラメーターは、パイプラインの実行中に生成される一時データとモデルを格納するための OSS バケットパスを指定します。

   4. Confirm 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。

   5. プリセットテンプレートに基づいて、次の図に示すようにパイプラインが自動的に構築されます。

      

      セクション	説明
      ①	すべての特徴に対して One-Hot エンコーディングを実行します。One-Hot エンコーディングは、文字列データを数値データに変換します。このパイプラインでは、[One-hot Encoding-1] コンポーネントがまず完全なデータセットをエンコードし、生成されたモデルを [One-hot Encoding-2] および [One-hot Encoding-3] コンポーネントに渡します。
      ②	Factorization Machine (FM) モデルを生成します。このコンポーネントをクリックし、Parameters タブでデフォルトのパラメーターを表示できます。Dimensions の 3 番目のパラメーター (デフォルト値：1,1,10) は、生成される埋め込みのディメンションを指定します。この場合は 10 です。
      ③	ユーザー特徴量エンコーディングを生成します。[二値化列の選択] パラメーターの入力は userid、gender、age です。[追加列] パラメーターの入力は userid です。
      ④	アイテム特徴量エンコーディングを生成します。[二値化列の選択] パラメーターの入力は itemid、price、size です。[追加列] パラメーターの入力は itemid です。
      ⑤	アイテムの埋め込みを抽出します。このコンポーネントのパラメーターは次のとおりです： [Embedding Vector ID Column]：トレーニング済みの FM モデルの feature_id。 [Embedding Vector Column]：トレーニング済みの FM モデルの feature_weights。 [Weight Vector Column]：One-Hot エンコーディングからのスパースデータ列。 出力列名: 出力埋め込みのフィールド名です。

3. パイプラインを実行し、結果を表示します。

   1. キャンバスの上部にある ボタンをクリックします。

   2. パイプラインの実行が完了したら、キャンバス上の [Embedding Extraction-1] コンポーネントを右クリックし、View Data > Output を選択して、ユーザー特徴ベクトルを表示します。ユーザー特徴ベクトルテーブルには、userid (ユーザー ID)、kv (キーと値の特徴、例：10:1,7:1,37:1)、embedding (スペースで区切られた浮動小数点数で構成される高次元ベクトル) の 3 つの列が含まれます。

   3. キャンバス上の [Embedding Extraction-2] コンポーネントを右クリックし、View Data > Output を選択して、アイテム特徴ベクトルを表示します。アイテム特徴ベクトルテーブルには、itemid (アイテム識別子、例：A から J)、kv (スパース特徴量エンコーディング、例：31;1,11;1,27:1)、embedding (多次元浮動小数点ベクトル) の 3 つの列が含まれます。