使用FM-Embedding实现推荐召回 - 人工智能平台 PAI

在推荐业务场景中，使用Designer提供的整套FM-Embedding方案可以快速获得User和Item对应的特征向量，您只需要在召回模块对该特征向量进行乘积，即可得到User对Item的评分结果。本文为您介绍如何使用FM算法和Embedding提取算法，快速生成User和Item的特征向量。

前提条件

已创建工作空间，详情请参见创建及管理工作空间。
已将MaxCompute资源关联到工作空间，详情请参见管理工作空间计算资源。

背景信息

智能推荐包括召回和排序模块。召回模块中，通常使用向量分别表示User（用户）和Item（待推荐的内容），且通过User与Item的向量乘积判断User对Item的兴趣程度。该工作流基于真实的推荐场景数据，其完整业务流程已预置在Designer模板中，您仅通过拖拽组件即可快速生成User和Item的特征向量。

数据集

原始数据包括如下字段。

字段名	类型	描述
userid	STRING	用户ID。
age	DOUBLE	用户年龄。
gender	STRING	用户性别
itemid	STRING	商品ID。
price	DOUBLE	商品价格。
size	DOUBLE	商品大小。
label	DOUBLE	目标列，含义如下： 1.0：表示购买。 0.0：表示未购买。

实现推荐召回

进入Designer页面。
1. 登录PAI控制台。
2. 在左侧导航栏单击工作空间列表，在工作空间列表页面中单击待操作的工作空间名称，进入对应的工作空间。
3. 在工作空间页面的左侧导航栏选择模型开发与训练 > 可视化建模（Designer），进入Designer页面。

构建工作流。

在Designer页面，单击预置模板页签。
在模板列表，单击使用FM-Embedding实现推荐召回下的创建。
在新建工作流对话框，配置参数（可以全部使用默认参数）。
其中：工作流数据存储配置为OSS Bucket路径，用于存储工作流运行中产出的临时数据和模型。
单击确定。
您需要等待大约十秒钟，工作流可以创建成功。

系统根据预置的模板，自动构建工作流，如下图所示。

推荐召回实验

区域	描述
①	针对全量特征的One-Hot编码。One-hot编码可以将字符型数据转换为数值型，该FM-Embedding工作流中，onehot编码-1组件先对全量数据进行One-Hot编码，再将生成的编码模型输入至onehot编码-2和onehot编码-3组件。
②	生成FM模型。您可以单击该组件，在右侧的参数设置页签，查看系统已配置的默认参数。其中维度（默认值为1,1,10）的第三个参数（默认值中的10）表示生成的Embedding维度。
③	生成User特征编码。该组件的输入（选择二值化列）为userid、gender及age，附加列为userid。
④	生成Item特征编码。该组件的输入（选择二值化列）为itemid、price及size，附加列为itemid。
⑤	提取Item-Embedding。该组件的参数含义如下： Embedding向量的id列名：FM训练中的模型feature_id。 Embedding向量列名：FM训练中的模型feature_weights。权重向量列名：One-Hot编码对应的稀疏化数据列。输出结果列名：输出的Embedding字段名。

运行工作流并查看输出结果。
1. 单击画布上方的按钮。
2. 工作流运行结束后，右键单击画布中的Embedding提取-1，在快捷菜单，单击查看数据 > 输出，即可查看User特征向量。User特征向量表包含三列：userid（用户ID）、kv（键值对特征，格式如 10:1,7:1,37:1）和 embedding（高维嵌入向量，由空格分隔的浮点数序列组成）。
3. 右键单击画布中的Embedding提取-2，在快捷菜单，单击查看数据 > 输出，即可查看Item特征向量。输出的Item特征向量表包含三列：itemid（物品标识，如A~J）、kv（稀疏特征编码，格式如31;1,11;1,27:1）和embedding（多维浮点向量）。