Tüm Ürünler
Search
Belge Merkezi

PolarDB:BST algorithm

Son Güncelleme:Oct 07, 2026

Behavior Sequence Transformer (BST) algoritması, kullanıcı davranış dizilerini modellemek ve tahmin görevleri için örtük özellikler çıkarmak amacıyla Transformer çerçevesini kullanır. BST, sıralı verilerdeki uzun vadeli zaman serisi kalıplarını yakalamada üstün başarım gösterir; bu da onu öneri sistemleri ve kullanıcı yaşam döngüsü değeri madenciliği için ideal kılar.

Kullanım alanları

BST hem sınıflandırma hem de regresyon görevlerini destekler. Giriş verisi, bir LONGTEXT sütununda depolanan bir davranış dizisidir; bu dizi, zaman damgasına göre sıralanmış tamsayı davranış kimliklerinden oluşan sıralı bir listedir. Çıktı ise ödeme tutarı, terk etme olasılığı veya ödeme onay bayrağı gibi bir tamsayı ya da kayan noktalı tahmin değeridir.

Sınıflandırma örneği

Bir oyun operasyonu senaryosunda, oyuncunun son 14 gündeki oyun içi davranışlarını BST giriş dizisi olarak oluşturun. Model, önümüzdeki 14 gün içinde hangi ücretli kullanıcıların oyunu bırakma (churn) eğiliminde olduğunu tahmin eder. Bir kullanıcı art arda 14 gün giriş yapmazsa terk etmiş sayılır.

Regresyon örneği

Aynı oyun bağlamında, yeni kullanıcıların ilk 24 saatteki davranışlarını giriş dizisi olarak kullanın. Model, her kullanıcının sonraki 7 gün boyunca yapacağı toplam harcamayı tahmin eder.

Sınırlamalar

Sınıf dengesizliği

BST, sınıflar kabaca dengeli olduğunda en iyi performansı gösterir. Çoğunluk sınıfı, herhangi bir azınlık sınıfından 20 kat daha fazla örnek içeriyorsa, eğitim öncesi PolarDB for AI'deki K-means clustering algorithm kullanarak dengesiz sınıfları ön işlemeden geçirerek dengeli bir sınıf dağılımı sağlayın.

Dizi ve pencere boyutu kısıtlamaları

  • sequence_length değeri 3.000'i aşmamalıdır.

  • window_size, maksimum davranış kimliği değerinin 1 fazlasına eşit veya ondan büyük olmalıdır. window_size 900'ü aşıyorsa bellek sorunlarını önlemek için sequence_length değerini maksimum değerin oldukça altında tutun.

  • auto_heads=1 olduğunda, int(sqrt(window_size)) + int(sqrt(sequence_length)) + 2 ifadesinin sonucu asal sayı olmamalıdır. Sonuç asal sayı ise auto_heads=0 ayarlayın ve num_heads değerini manuel olarak belirtin.

  • Küçük bir batch_size değeri aşırı öğrenme riskini artırır. Varsayılan değer 16'dır; daha kararlı bir eğitim için daha büyük bir değer kullanın.

Veri biçimi

Model oluşturma tablosu

Sütun Zorunlu Tür Açıklama Örnek
uid Zorunlu VARCHAR Her veri girdisinin kimliği (kullanıcı kimliği veya ürün kimliği) 253460731706911258
event_list Zorunlu LONGTEXT Eğitim için kullanılan davranış dizisi. Zaman damgasına göre artan sırada sıralanmış, virgülle ayrılmış tamsayı davranış kimlikleri. "[183, 238, 153, 152]"
target Zorunlu INT, FLOAT, DOUBLE Model ölçümlerini hesaplamak için kullanılan örnek etiketi 0
val_row İsteğe bağlı INT Doğrulama bölmesi için satır düzeyi bayrağı. 0 = eğitim verisi; 1 = doğrulama verisi. Yalnızca version=1 ve val_flag=1 olduğunda etkili olur. val_flag=0 olduğunda yalnızca val_row=0 olan satırlar kullanılır. 1
other_feature İsteğe bağlı INT, FLOAT, DOUBLE, LONGTEXT Ek özellikler. LONGTEXT JSON, liste veya virgülle ayrılmış biçimi destekler. Birden fazla sütuna izin verilir (örneğin other_feature1, other_feature2). 2
val_x_cols İsteğe bağlı LONGTEXT Parametre ayarlama için kullanılan doğrulama davranış dizisi. Yalnızca version=0 olduğunda etkili olur. "[183, 238, 153, 152]"
val_y_cols İsteğe bağlı INT, FLOAT, DOUBLE Parametre ayarlama için kullanılan doğrulama etiketi. Yalnızca version=0 olduğunda etkili olur. 1

Model değerlendirme tablosu

Sütun Zorunlu Tür Açıklama Örnek
uid Zorunlu VARCHAR(255) Her veri girdisinin kimliği 123213
event_list Zorunlu LONGTEXT Davranış dizisi. Eğitim tablosundakiyle aynı biçimdedir. "[183, 238, 153, 152]"
target Zorunlu INT, FLOAT, DOUBLE Model hatalarını hesaplamak için kullanılan örnek etiketi 0
other_feature İsteğe bağlı INT, FLOAT, DOUBLE, LONGTEXT Ek özellikler, model oluşturma sırasında kullanılanlarla tutarlı olmalıdır 2

Model tahmini tablosu

Sütun Zorunlu Tür Açıklama Örnek
uid Zorunlu VARCHAR(255) Her veri girdisinin kimliği 123213
event_list Zorunlu LONGTEXT Davranış dizisi. Eğitim tablosundakiyle aynı biçimdedir. "[183, 238, 153, 152]"
other_feature İsteğe bağlı INT, FLOAT, DOUBLE, LONGTEXT Ek özellikler, model oluşturma sırasında kullanılanlarla tutarlı olmalıdır 2

Model parametreleri

Aşağıdaki parametreler, CREATE MODEL deyimindeki model_parameter değerleridir.

Parametre Varsayılan Açıklama
version 0 Model sürümü. 0 = eski sürüm; 1 = yeni sürüm (önerilen). Eski sürüm val_x_cols ve val_y_cols öğelerini destekler ancak val_row, çok sınıflı sınıflandırma veya yığınlama (stacking) özelliklerini desteklemez.
model_task_type classification Görev türü. Geçerli değerler: classification, regression, multi_classification.
num_classes 2 Çok sınıflı sınıflandırma için tahmin kategorilerinin sayısı. Örnek etiketleri 0'dan başlamalı ve farklı etiketlerin toplam sayısı bu değerden küçük olmalıdır. Örneğin, num_classes=3 olduğunda geçerli etiketler {0, 1, 2} kümesindedir.
batch_size 16 Toplu iş boyutu. Daha küçük bir değer aşırı öğrenme riskini artırır.
window_size — Davranış kimlikleri için gömme alanının boyutu. Maksimum davranış kimliği değerinin 1 fazlasına eşit veya ondan büyük olmalıdır. Aksi takdirde ayrıştırma hatası oluşur.
sequence_length — Model hesaplamalarına dahil edilen davranış olaylarının sayısı. 3.000'i aşmamalıdır.
success_id — Modelin tahmin ettiği davranış kimliği.
max_epoch 1 Maksimum eğitim yineleme sayısı.
learning_rate 0.0002 Öğrenme oranı.
loss CrossEntropyLoss Kayıp fonksiyonu. İkili sınıflandırma için CrossEntropyLoss; regresyon için mse, mae veya msle.
val_flag 0 Her epoch sonrası doğrulama yapılıp yapılmayacağını belirtir. 0 = doğrulama yok (son epoch modelini kaydeder); 1 = her epoch'ta doğrula (en iyi ölçüme sahip modeli kaydeder; val_metric ve val_row gerektirir).
val_metric loss Epoch düzeyi doğrulama için kullanılan ölçüm. Aşağıdaki tabloya bakın.
auto_data_statics off Dizideki kimlik oluşumlarını sayıp istatistiksel özellikler oluşturup oluşturmayacağını belirtir. on = say; off = atla.
auto_heads 1 Çok başlı dikkat (multi-head attention) başlık sayısının otomatik olarak ayarlanıp ayarlanmayacağını belirtir. 1 = otomatik; 0 = manuel (num_heads belirtin). 1 olarak ayarlandığında yetersiz video belleği riski oluşabilir. int(sqrt(window_size)) + int(sqrt(sequence_length)) + 2 ifadesinin asal sayı olmadığını doğrulayın.
num_heads 4 Çok başlı dikkat başlık sayısı. Yalnızca auto_heads=0 olduğunda kullanılır.
x_value_cols — Sayısal ayrık özellikler olarak kullanılacak sütun adları. Boş bırakılamaz. Değerler tamsayı veya kayan noktalı sayı olmalıdır. Örnek: 'num_events, max_level, max_viplevel'.
x_statics_cols — İstatistiksel özellikler olarak kullanılacak sütun adları. Boş bırakılamaz. Her sütun sabit uzunluklu satırlara sahip LONGTEXT olmalıdır. JSON, liste veya virgülle ayrılmış biçimi destekler. Örnek: 'stats_item_list, stats_event_list'.
x_seq_cols — Dizi özellikleri olarak kullanılacak sütun adları. Her sütun liste veya virgülle ayrılmış biçimde LONGTEXT olmalıdır. Örnek: 'event_list'.
data_normalization 0 x_value_cols ile belirtilen sütunların normalleştirilip normalleştirilmeyeceğini belirtir. 0 = kapalı; 1 = açık.
remove_seq_adjacent_duplicates off x_seq_cols ile belirtilen sütunlardaki bitişik yinelenen değerlerin kaldırılıp kaldırılmayacağını belirtir. off = yinelemeleri koru; on = kaldır.
stacking off Model birleşimi yoluyla BST algoritmasının geliştirilip geliştirilmeyeceğini belirtir. Yalnızca model_task_type='classification' olduğunda geçerlidir. off = birleşim yok; on = model birleşimi ve tekrarları kaldırma.
stacking_model 'gbdt,svc,rt' Ensemble birleşimine dahil edilecek modeller. Yalnızca stacking='on' olduğunda geçerlidir. Geçerli değerler: bst, gbdt, svc, rt. Boş bırakılamaz.

**Doğrulama ölçümleri (val_metric)**

Değer Ne ölçer Görev türü
loss Eğitim sırasında kullanılan aynı kayıp fonksiyonu Sınıflandırma, regresyon
f1score Kesinlik ve duyarlılığın harmonik ortalaması — sınıf dağılımı dengesiz olduğunda kullanışlıdır Sınıflandırma, çok sınıflı sınıflandırma
r2_score Belirlilik katsayısı — tahminlerin gerçek değerlere ne kadar uyduğunu gösterir Regresyon
mse Ortalama kare hata — tahminler ile gerçek değerler arasındaki ortalama karesel fark Regresyon
mape Ortalama mutlak yüzde hata — gerçek değerlerden ortalama yüzde sapma Regresyon
mape_plus Hatayı yalnızca pozitif etiketlerde ölçen MAPE varyantı Regresyon

Değerlendirme ölçümleri

Aşağıdakiler, EVALUATE deyimindeki metrics parametresinin geçerli değerleridir.

Değer Ne ölçer Görev türü
acc Doğruluk — doğru tahminlerin oranı Sınıflandırma, çok sınıflı sınıflandırma
auc ROC eğrisi altındaki alan — modelin pozitif ve negatif sınıfları ayırma yeteneği Sınıflandırma, çok sınıflı sınıflandırma
Fscore F1 skoru — kesinlik ve duyarlılığın harmonik ortalaması, sınıf dağılımı dengesiz olduğunda kullanışlıdır Sınıflandırma, çok sınıflı sınıflandırma
r2_score Belirlilik katsayısı Regresyon
mse Ortalama kare hata Regresyon
mape Ortalama mutlak yüzde hata Regresyon
mape_plus Yalnızca pozitif etiketler için MAPE varyantı Regresyon

Örnekler

Aşağıdaki örnekler sınıflandırma görevlerini kullanır. Diğer görev türleri için model_task_type ve ilgili loss ile metrics parametrelerini ayarlayın.

Model oluşturma

/*polar4ai*/CREATE MODEL sequential_bst WITH (
  model_class = 'bst',
  x_cols = 'event_list,other_feature1',
  y_cols = 'target',
  model_parameter = (
    batch_size = 128,
    window_size = 900,
    sequence_length = 3000,
    success_id = 900,
    max_epoch = 2,
    learning_rate = 0.0008,
    val_flag = 1,
    x_seq_cols = 'event_list',
    x_value_cols = 'other_feature1',
    val_metric = 'f1score',
    auto_data_statics = 'on',
    data_normalization = 1,
    remove_seq_adjacent_duplicates = 'on',
    version = 1
  )
) AS (SELECT * FROM seqential_train);

seqential_train, model oluşturma veri tablosudur.

Model değerlendirme

/*polar4ai*/SELECT uid, target FROM evaluate(
  MODEL sequential_bst,
  SELECT * FROM seqential_eval
) WITH (
  x_cols = 'event_list,other_feature1',
  y_cols = 'target',
  metrics = 'Fscore'
);

seqential_eval, model değerlendirme veri tablosudur.

Tahmin çalıştırma

/*polar4ai*/SELECT uid, target FROM PREDICT(
  MODEL sequential_bst,
  SELECT * FROM seqential_test
) WITH (
  x_cols = 'event_list,other_feature1',
  mode = 'async'
);

seqential_test, model tahmini veri tablosudur.