:Configuração de ordenação

Nesta etapa, adicione e configure um modelo de ordenação fina.

Neste exemplo, defina Fine Ranking Model Name como acc_rank. As Fine Ranking Target Settings incluem dois alvos: is_click com a expressão max(if(event='click', 1, 0)) e is_praise com a expressão max(if(event='praise', 1, 0)). Em Fields to Exclude, selecione campos como age. Defina Number of Training Days como 30. Para Model Type, selecione dbmtl e, para embed_dim strategy, escolha EMB_SQRT4_STEP4.

• Fine Ranking Model Name: string composta apenas por letras e underscores (_). O formato recomendado é ${scenario_name}_${model_name}_rank.

• Fine Ranking Target Settings: permite definir um ou mais alvos de classificação ou regressão.

Alvos de classificação

Especifique um nome personalizado para o alvo de ordenação fina. Na expressão do alvo, defina geralmente um alvo de classificação binária usando uma função de agregação. O tipo do alvo é classificação.

Por exemplo, defina Fine Ranking Target Name como is_click e Fine Ranking Target Expression como max(if(event='click', 1, 0)). O campo Fine Ranking Target Dependency (depends) é opcional. Se houver múltiplas dependências, separe-as por vírgulas.

Alvos de regressão

Defina um nome personalizado para o alvo de ordenação fina.

Para alvos de regressão, a expressão deve somar os valores numéricos do alvo na tabela de log de comportamento e aplicar uma transformação logarítmica ao resultado.

Em Target Type, selecione regression.

Use a configuração Fine Ranking Target Dependency quando um alvo (X) só puder ocorrer após outro alvo (Y). Em um cenário de vídeo, por exemplo, a reprodução acontece somente depois de um clique. Assim, o alvo play_time pode depender do alvo is_click, em que is_click é o nome da tarefa de classificação definida anteriormente. Esse princípio também se aplica a outras tarefas de classificação.

• Fields to Exclude: selecione features a excluir do treinamento. Exclua qualquer feature indisponível antes de uma exposição ou que possa causar vazamento de features. Evite incluir campos como play_time (tempo de visualização do usuário após a exposição) ou outros dados pós-interação, como status de clique ou pagamento, pois isso pode resultar em vazamento de features.

• Number of Training Days: especifique quantos dias de dados do conjunto usar no treinamento do modelo de ordenação fina.

• Model Type: escolha um modelo de tarefa única no EasyRec se houver apenas um alvo. Para múltiplos alvos, opte por um modelo multitarefa. Neste exemplo, como há várias tarefas, selecione dbmtl.

• Feature Selection Mode e Target Column for Feature Selection: quando ativada, essa opção filtra as features disponíveis para selecionar apenas as mais importantes para o treinamento. A coluna alvo trabalha em conjunto com o modo escolhido para realizar essa seleção. Como esse recurso pode tornar a configuração inicial mais complexa, recomendamos não utilizá-lo no primeiro modelo.

• Incremental Training: defina como false para treinamento completo, que é o padrão recomendado. Ao definir como true, você ativa o treinamento incremental, em que o job do dia seguinte continua a partir do checkpoint do modelo do dia anterior.

• Asynchronous Training: indique se deseja usar treinamento assíncrono em um ambiente de treinamento distribuído.

• Sample Weight: quando configurado, este parâmetro atribui pesos às amostras com base em uma expressão, o que pode afetar a precisão do modelo. Geralmente, esse recurso não é utilizado.

• Scenarios for Sample Filtering: determine se os dados de um cenário específico devem ser usados no treinamento.

• Feature Platform: indica se um FeatureStore configurado será utilizado. Essa opção fica habilitada caso você tenha configurado um FeatureStore nas definições de ambiente da sua solução de recomendação.

• Automatic Feature Engineering: este recurso usa algoritmos para gerar features mais eficazes a partir das existentes para o treinamento. Recomendamos não usar a engenharia de features automática (autofe) no seu primeiro modelo. Ative-a posteriormente para melhorar o desempenho do modelo.