Platform For AI:Ranking

A Recommendation Solution - Rank utiliza tabelas de features de usuário, features de item e comportamento do usuário processadas por engenharia de features. A solução gera um modelo de ranking para implantação. Este tópico descreve como implementar essa solução.

Pré-requisitos

Os conjuntos de dados necessários para o ranking são gerados ao executar o modelo de workflow Recommendation Solution - Feature Engineering. Para mais informações, consulte Feature engineering.

• 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

Implementar o ranking

1. Acesse a página Machine Learning Designer.

   1. Faça login no PAI console.

   2. No painel de navegação à esquerda, clique em Workspaces. Na página Workspaces, clique no nome do workspace que você deseja gerenciar.

   3. No painel de navegação à esquerda, escolha Model Training > Visualized Modeling (Designer).

2. Construa o workflow.

   1. Na página Machine Learning Designer, clique na aba Preset Templates.

   2. Na lista de modelos, clique em Create abaixo de Recommendation Solution - Rank.

   3. Na caixa de diálogo Create Workflow, configure os parâmetros. É possível utilizar os valores padrão.

      Defina Workflow Data Storage como um caminho de Bucket OSS, usado para armazenar dados temporários e arquivos de modelo gerados pelo workflow. Esse caminho deve ser idêntico ao utilizado na engenharia de features.

   4. Clique em OK. A criação do workflow leva cerca de dez segundos.

   5. O sistema constrói automaticamente o workflow com base no modelo predefinido, conforme ilustrado na figura a seguir.

      Número do Componente	Descrição
      1	Amostra para o modelo de ranking.
      2	Executa operações de geração de features (FG) na amostra com base no arquivo fg.json. Anexos: fg_on_odps-1.3.59-jar-with-dependencies.jar, rec_sln_demo_rec_sln_demo_sorting_fg_v1.json
      3	Realiza binning de frequência igual para features numéricas. Os boundaries são utilizados na discretização dessas features.
      4	Conta o número de valores únicos para features de enumeração. Essa contagem define o embedding_dim e o hash_bucket_size do modelo.
      5	Embaralha os dados de amostra de 30 dias do modelo rec_sln_demo_sorting para formar as amostras de treinamento.
      6	Agrega os resultados das tabelas rec_sln_demo_rec_sln_demo_sorting_30d_binning_v2 e rec_sln_demo_rec_sln_demo_sorting_30d_count_v2 para calcular as informações de configuração de features e etapas.
      7	Preenche as informações de configuração no arquivo do EasyRec com base nos resultados de cálculo do componente 6. Anexo: rec_sln_demo_rec_sln_demo_sorting_v1_template.config Nota Este nó precisa ser executado apenas uma vez.
      8	Para treinar o modelo, execute primeiro o componente 7 para gerar o arquivo de configuração do EasyRec. Anexo: fg.json

Instruções

1. Leia o conteúdo em inglês para compreender O QUE precisa ser comunicado

2. Escreva o português brasileiro DO ZERO — esqueça a estrutura das frases em inglês

3. Preserve toda a formatação markdown, blocos de código, links e imagens exatamente como estão

4. Copie os placeholders xref ({XREF_N}) literalmente, sem traduzir ou modificar

5. Aplique rigorosamente todas as regras específicas do idioma

6. Aplique as regras de stopwords com tolerância zero

7. Utilize o modo imperativo em passos numerados e listas procedimentais

8. Garanta consistência terminológica — o mesmo termo deve ter a mesma tradução em todo o documento

9. Varie os inícios de frase em listas e tabelas — nenhum início deve se repetir 3 vezes ou mais

10. Retorne APENAS o documento markdown em português brasileiro, sem explicações