リコールのマッチングにFM-Embeddingを使用する - Platform For AI

推奨シナリオでは、Machine Learning Designerが提供するFM-Embeddingソリューションを使用して、各ユーザーとアイテムの特徴ベクトルを取得できます。次に、リコールモジュールを使用して、特徴ベクトルの積を取得できます。このようにして、各ユーザーが各アイテムに割り当てる評価を予測できます。このトピックでは、因数分解マシン (FM) および埋め込みアルゴリズムを使用して、ユーザーとアイテムの特徴ベクトルを生成する方法について説明します。

前提条件

ワークスペースが作成済み。詳細については、「ワークスペースの作成」をご参照ください。
MaxComputeリソースはワークスペースに関連付けられています。詳細については、「ワークスペースのコンピューティングリソースの管理」をご参照ください。

背景情報

AIベースの推奨事項は、ソートとリコールの2つのモジュールに分かれています。リコールモジュールは、特徴ベクトルを使用して、ユーザおよび推奨されるアイテムを表す。ユーザの特徴ベクトルとアイテムの特徴ベクトルとの積は、アイテムに対するユーザの興味を示す。このトピックで説明するパイプラインでは、実際の推奨データを使用します。このパイプラインは、Machine Learning DesignerのプリセットFM-Embedding for Rec-Systemテンプレートから作成できます。 Machine Learning Designerが提供するコンポーネントをドラッグアンドドロップすることで、ユーザーとアイテムの特徴ベクトルをすばやく生成できます。

データセット

次の表に、データセットのフィールドを示します。

パラメーター	データ型	説明
userid	STRING	ユーザーの ID。
age	DOUBLE	ユーザーの年齢。
gender	STRING	ユーザーの性別。
itemid	STRING	アイテムのID。
price	DOUBLE	アイテムの価格。
size	DOUBLE	アイテムのサイズ。
label	DOUBLE	ユーザーがアイテムを購入したかどうかを示します。有効な値： 1.0: ユーザーがアイテムを購入しました。 0.0: ユーザーがアイテムを購入していません。

次の図は、パイプラインで使用されるサンプルデータを示しています。 Raw data

手順

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。

パイプラインを作成します。

Visualized Modeling (Designer) 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。
[プリセットテンプレート] タブで、[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。
[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。
[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。

次の図に示すように、キャンバス上のパイプラインのコンポーネントを表示します。システムは、組み込みテンプレートに基づいてパイプラインを自動的に作成します。

Matching recall pipeline

セクション	説明
①	このコンポーネントは、すべての特徴データに対してワンホットエンコーディングを実行します。ワンホットエンコーディングは、文字型データを数値型データに変換します。このパイプラインでは、One Hot Encoding-1コンポーネントは、まず、すべての特徴データに対してワンホット符号化を実行し、符号化モデルを生成します。次いで、One Hot Encoding-1コンポーネントは、符号化モデルをOne Hot encoding-2およびOne Hot Encoding-3コンポーネントにエクスポートする。
②	このコンポーネントは、FMモデルを生成する。コンポーネントをクリックし、右側のパネルの [パラメータ設定] タブでコンポーネントのデフォルトのパラメータ設定を表示できます。 Dimensionsのデフォルト値は1,1,10です。10は各特徴ベクトルの次元数を示します。
③	このコンポーネントは、ユーザ特徴コードを生成する。このコンポーネントでは、[バイナリ化列] をuserid、gender、ageに設定し、[追加列] をuseridに設定します。
④	このコンポーネントは、アイテム特徴コードを生成する。このコンポーネントのBinarization Columnをitemid、price、sizeに設定し、追加されたColumnsをitemidに設定します。
⑤	これらのコンポーネントは、ユーザおよびアイテムの特徴ベクトルを抽出する。各コンポーネントには、次のパラメータが含まれます。埋め込みベクトルのID列名: FM Train-1コンポーネントによってトレーニングされるモデルのfeature_idパラメーター。 Embedding vector column name: FM Train-1コンポーネントによってトレーニングされたモデルのfeature_weightsパラメーター。重みベクトル列名: One Hot Encoding-1コンポーネントによってエクスポートされるスパース列。出力結果列名: 生成された特徴ベクトルを含む列の名前。

パイプラインを実行し、結果を表示します。
1. キャンバスの左上隅にあるアイコンをクリックします。
2. パイプラインの実行後、キャンバス上で [抽出物の埋め込み]-1を右クリックし、[データの表示] > [出力] を選択します。表示されるダイアログボックスで、ユーザーの特徴ベクトルを表示します。
3. キャンバス上で [Embedding extract-2] を右クリックし、[View Data] > [Output] を選択します。表示されるダイアログボックスで、アイテムの特徴ベクトルを表示します。