Artificial Intelligence Recommendation：查看特徵是否生效

步驟一：捕獲線上請求的特徵資料

1. 向Recommendation Engine服務發送Debug請求。登入PAI-Rec控制台，左側菜單單擊排查工具 > 推薦結果診斷，選擇相應環境，開啟偵錯模式，單擊診斷發送請求。

   請確保該請求能夠路由到您要驗證的模型服務（例如，通過使用者白名單或設定為100%流量）。當模型服務接收到Debug請求時，它會自動將引擎傳入的特徵資料以Protobuf（PB）格式儲存到服務的掛載目錄中。

   

2. 定位並下載特徵檔案。進入PAI-EAS 控制台，找到對應的模型服務執行個體。

   1. 在EAS控制台查看請求。開啟使用的EAS模型服務，在日誌頁面根據requestid搜尋Debug請求，並可看到對應的特徵名稱。

      

   2. 下載特徵檔案。如果根據requestid的尋找不能滿足分析需求，則可以查看模型掛載路徑下載pb格式的特徵檔案。

      

      

步驟二：本地分析與對照實驗

使用以下 Python 指令碼來解析下載的 pd 檔案、修改特徵並重新請求模型，以觀察內部資料變化。

1. 執行如下分析指令碼。

   ## pip install -U eas-prediction --user 安裝eas_prediction的包
   from eas_prediction import PredictClient
   from eas_prediction.torchrec_request import TorchRecRequest
   from eas_prediction.torchrec_predict_pb2 import PBRequest
   from google.protobuf import text_format
   
   def read_pb_and_request_and_save(path, str_path, client, req):
       with open(path, 'rb') as f:
           pb_data = f.read()
       pb_req = PBRequest()
       pb_req.ParseFromString(pb_data)
       req.request_data = pb_req
       resp = client.predict(req)
       print(resp)
       with open(str_path,'w',encoding='utf-8') as f:
           f.write(str(pb_req))
   
   def predict_new_pb(str_path,debug_feature_path,client,req):
       with open(str_path, 'r', encoding='utf-8') as f:
           pb_data = f.read()
       pb_req = PBRequest()
       text_format.Merge(pb_data, pb_req)
       req.request_data = pb_req
       req.set_debug_level(2)
       resp = client.predict(req)
       with open(debug_feature_path, 'w', encoding='utf-8') as f:
           f.write(str(resp))
   
   if __name__ == '__main__':
       path = 'torch_req/on_line.pb'  # 下載的本地pb路徑
       str_path = 'torch_req/on_line.txt'  # 本地解析pb為字串要儲存的路徑
       debug_feature_path = 'torch_req/on_score.txt' # 請求儲存下來的raw feature(fg前的所有特徵)和generate(fg後的所有特徵)
       # 模型url配置
       client = PredictClient('173xxxx.cn-beijing.pai-eas.aliyuncs.com', '{model_name}')
       # 模型token
       client.set_token('eas_token==')
       client.init()
       req = TorchRecRequest()
       # 1.先調用read_pb_and_request_and_save，發送一次請求並儲存pb成字串
       # 2.修改要變化的特徵
       # 3.注釋調read_pb_and_request_and_save，運行predict_new_pb
       read_pb_and_request_and_save(path,str_path,client,req)
       # predict_new_pb(str_path,debug_feature_path,client,req)
   

   1. 產生可讀的特徵檔案on_line.txt。配置path，str_path調用read_pb_and_request_and_save。這會產生一個 on_line.txt 檔案，其中包含了所有請求特徵，格式清晰可讀。

   2. 修改特徵並進行對照實驗。開啟 on_line.txt 檔案，找到您關心的特徵，手動修改其值。例如，將一個數值特徵從 0.1 改為 0.9，或將一個 ID 特徵替換為另一個值。召回的集合通常條目數量較多，您可以減少集合數量，只修改其中幾條的特徵。

   3. 擷取Debug輸出。儲存修改後的 on_line.txt，然後運行指令碼中的 predict_new_pb 函數（注意注釋掉read_pb_and_request_and_save）。該函數會用您修改後的特徵重新請求模型，並將詳細的調試資訊（包含 raw_features 和 generate_features）儲存到 on_score.txt

2. 結果驗證。開啟 on_score.txt 檔案，可以看到兩組關鍵資訊：

   • raw_features：模型服務收到的、經過特徵預先處理（如查表、拼接）但未經過 FG (Feature Generation) 運算元編碼的原始特徵。

   • generate_features：經過 FG 運算元編碼後，最終輸入模型進行打分的特徵。

   通過以下檢查來確認特徵是否生效：

   • 檢查 raw_features：確認您修改的特徵及其新值是否正確出現在 raw_features 中。這證明特徵已成功傳遞到模型服務。

   • 檢查 generate_features：觀察該特徵經過 FG 編碼後，在 generate_features 中的表現。如果您的修改（例如，從 0.1 到 0.9）導致了 generate_features 中對應 Embedding ID 或數值的變化，那麼證明特徵的線上處理邏輯是生效的。