Platform For AI:FMアルゴリズムを使用してAlinkベースのレコメンデーションモデルを作成する

手順

1. Machine Learning Designerページに移動します。

   1. PAIコンソールにログインします。

   2. 左側のナビゲーションウィンドウで、[ワークスペース] をクリックします。 [ワークスペース] ページで、管理するワークスペースの名前をクリックします。

   3. ワークスペースページの左側のナビゲーションウィンドウで、モデル开発とトレーニング > ビジュアルモデリング (デザイナー)機械学習デザイナーページに移動します。

2. パイプラインを作成します。

   1. 可视化モデリング (デザイナー)ページでプリセットテンプレートタブをクリックします。

   2. このタブで、[Alink]FM-Embedding for Rec-Systemテンプレートを見つけ、[作成] をクリックします。

   3. [パイプラインの作成] ダイアログボックスで、パラメーターを設定します。 デフォルト値を使用できます。

      Pipeline Data Pathパラメーターに指定された値は、パイプラインのランタイム中に生成された一時データおよびモデルのObject Storage Service (OSS) バケットパスです。

   4. [OK] をクリックします。

      パイプラインの作成には約10秒かかります。

   5. [パイプライン] タブで、作成したパイプラインをクリックします。 右側の [基本情報] セクションで、[開く] をクリックします。

      次の図に示すように、作成したパイプラインをキャンバスで表示できます。

      このテンプレートは、FMトレーニングと予測にAlinkを使用する2つの方法を提供します。

      • 方法1: カプセル化Alinkコンポーネントの使用

        Alinkは、FMトレーニングと予測用のカプセル化されたコンポーネントを提供します。これらはパイプラインで紫色のドットでマークされます。 Alinkコンポーネントはグループで実行できます。 Alinkコンポーネントをグループで実行する方法とその利点と欠点については、「高度な機能: Alinkコンポーネントをグループで実行」をご参照ください。

      • 方法2: カスタムPyAlinkコンポーネントを使用する

        カスタムPyAlinkコンポーネントを使用して、Pythonコードを使用してFMトレーニングと予測を実行できます。 このメソッドは、メソッド1と同じ機能を実装しています。

3. FMトレーニング-1コンポーネントのパラメータを設定します。

   1. をクリックし、FMトレーニング-1キャンバス上のコンポーネント。

   2. 右側のウィンドウのフィールドの設定タブで、次の表に示すフィールドを設定します。

      項目	説明
      フィーチャー列	key:value形式のフィーチャ列の名前。 複数のキーと値のペアはコンマ (,) で区切ります。
      ラベル列	ラベル列の名前。 label列はDOUBLEデータ型である必要があります。

      Machine Learning Designerが提供するFMアルゴリズムには、LIBSVM形式のデータが必要です。 データを他の形式からLIBSVMに変換するには、次の図に示すように、ワンホットエンコードコンポーネントを使用し、入力データにフィーチャ列とラベル列が含まれていることを確認します。

   3. 右側のパラメーター設定とチューニングで、トレーニングパラメータを設定します。

      たとえば、パイプラインに120万件のサンプルデータレコードと1.3万件のフィーチャデータレコードが含まれる場合、トレーニングパラメーターを次の表の推奨値に設定し、他のパラメーターにはデフォルト値を使用することを推奨します。 関連するデータ量に基づいて、トレーニングパラメーターの値を変更できます。

      タブ	項目	説明
      パラメーター設定	学習率	学習率。 推奨値: 0.005。 トレーニングが発散している場合は、このパラメーターを小さい値に設定します。
      	寸法	3要素配列で指定されたフィーチャの寸法。 推奨値: 1,1,16
      	ブロックサイズ	ブロックのサイズ。 関係するフィーチャデータレコードが200万未満の場合は、このパラメーターを1000000に設定することを推奨します。 2百万以上のフィーチャデータレコードが含まれる場合、このパラメーターを設定する必要はありません。
      チューニング	数の労働者	使用するワーカーの数。 推奨値: 32。 大量のデータが含まれる場合は、このパラメーターを大きい値に設定します。
      	ノードあたりのメモリサイズ (MB)	各ノードに割り当てられるメモリサイズ。 推奨値: 16384。 単位：MB。

4. PyAlink-FM TrainingおよびPyAlink-FM Predictionコンポーネントにコードを追加します。

   • PyAlink-FMトレーニングコンポーネントをクリックし、次のコードをコードエディターに貼り付けます。

     from pyalink.alink import *
     
     def main(sources, sinks, parameter):
         print('start')
         # Method 1 
         # train = HugeFmTrainBatchOp().setVectorCol('features').setLabelCol('label').linkFrom(sources[0])
         # Method 2 
         train = HugeFmTrainBatchOp(
             vectorCol='features',
             labelCol='label',
             task='binary_classification',
             numEpochs=10)
         # Obtain the training data from input port 0. The trained model is generated from output port 0 and passed downstream. 
         sources[0].link(train).link(sinks[0])
         BatchOperator.execute()
         print('end')
                                 

   • PyAlink-FM Predictionコンポーネントをクリックし、次のコードをコードエディタに貼り付けます。

     from pyalink.alink import *
     
     def main(sources, sinks, parameter):
         predictor = HugeFmPredictBatchOp().setPredictionCol("prediction_result")\
         .setPredictionDetailCol("prediction_detail").setReservedCols(["label"])
         output = predictor.linkFrom(sources[0], sources[1])
         # The prediction result is generated from the first output port and passed downstream. 
         output.link(sinks[0])
         BatchOperator.execute()
         print('predict end')
                                 

5. アルゴリズムの実行に使用するコンピューティングリソースを設定します。

   1. キャンバス上の空白の領域をクリックします。 右側のウィンドウの [パイプライン属性] タブで、[AlinkまたはFlinkMLが優先するデフォルトリソース] ドロップダウンリストから [Flink] を選択します。

   2. キャンバスで、PyAlink-FM TrainingコンポーネントとPyAlink-FM Predictionコンポーネントをそれぞれクリックし、右側のウィンドウの [チューニング] タブで次のパラメーターを変更します。

      1. [実行モード]: [Flink (分散)] を選択します。

      2. ワーカーの数: 2を選択します。

   3. キャンバスの左上隅にある [保存] をクリックします。

6. キャンバスの左上隅にある [実行] アイコンをクリックします。パイプラインを実行します。

7. パイプラインの実行後、バイナリ分類評価-1キャンバス上のコンポーネントを選択し、ビジュアル分析.

   使用されたテンプレートのデータに基づいて、Machine Learning Designerが提供するFMアルゴリズムは、0.92に近い曲線下面積 (AUC) を持つモデルを作成できます。

   • 方法1を使用して生成された評価チャート

   • 方法2を使用して生成された評価チャート