Platform For AI：FeatureStore最佳實務

方式一：控制台操作

1. 建立FeatureStore專案

   1. 登入PAI控制台，在左側導覽列單擊資料準備>特徵平台（FeatureStore）。

   2. 選擇工作空間後，單擊進入FeatureStore。

   3. 單擊建立專案，在彈出的頁面中設定項目參數。

      參數	取值建議
      名稱	可自訂名稱。本文以fs_demo為例進行說明。
      描述	可自訂描述。
      離線資料來源（Offline Store）	選擇已建立的MaxCompute資料來源。
      線上資料來源（Online Store）	選擇已建立的Hologres資料來源。

   4. 單擊提交，完成FeatureStore專案建立。

2. 建立特徵實體（Feature Entity）

   1. 在FeatureStore專案列表頁面，單擊專案名稱，進入專案詳情頁面。

   2. 在特徵實體頁簽中單擊建立特徵實體，在彈出的頁面中配置user特徵實體參數。

      參數	取值建議
      特徵實體名稱	可自訂名稱。本文以user為例進行說明。
      Join Id	user_id

   3. 單擊提交。

   4. 單擊建立特徵實體，在彈出的頁面中配置item特徵實體參數。

      參數	取值建議
      特徵實體名稱	可自訂名稱。本文以item為例進行說明。
      Join Id	item_id

   5. 單擊提交，完成特徵實體建立。

3. 建立特徵視圖（Feature View）

   1. 在特徵專案詳情頁面的特徵視圖頁簽，單擊建立特徵視圖，在彈出的頁面中配置user特徵視圖參數。

      參數	取值建議
      視圖名稱	可自訂名稱。本文以user_table_preprocess_all_feature_v1為例進行說明。
      類型	離線
      寫入方式	使用離線表
      資料來源	選擇已建立的MaxCompute資料來源。
      特徵表	選擇已準備的使用者表rec_sln_demo_user_table_preprocess_all_feature_v1。
      特徵欄位	勾選user_id主鍵。
      同步線上特徵表	是
      特徵實體	user
      特徵生命週期（秒）	保持預設。

   2. 單擊提交。

   3. 單擊建立特徵視圖，在彈出的頁面中配置item特徵視圖。

      參數	取值建議
      視圖名稱	可自訂名稱。本文以item_table_preprocess_all_feature_v1為例進行說明。
      類型	離線
      寫入方式	使用離線表
      資料來源	選擇已建立的MaxCompute資料來源。
      特徵表	選擇已準備的物料表rec_sln_demo_item_table_preprocess_all_feature_v1。
      特徵欄位	勾選item_id主鍵。
      同步線上特徵表	是
      特徵實體	item
      特徵生命週期（秒）	保持預設。

   4. 完成後單擊提交，完成特徵視圖建立。

4. 建立Label表

   1. 在特徵專案詳情頁面的Label表頁簽，單擊建立Label表，在彈出的頁面中配置Label表資訊。

      參數	取值建議
      資料來源	選擇已建立的MaxCompute資料來源。
      表名	選擇已準備的Label表rec_sln_demo_label_table。

   2. 單擊提交。

5. 建立模型特徵

   1. 在特徵專案詳情頁面的模型特徵頁簽，單擊建立模型特徵，在彈出的頁面中配置模型特徵參數

      參數	取值建議
      模型特徵名	自訂。本文以fs_rank_v1為例進行說明。
      選擇特徵	選擇已建立的user特徵視圖和item特徵視圖。
      Label表名稱	選擇已建立的Label表rec_sln_demo_label_table。

   2. 單擊提交，完成模型特徵建立。

   3. 在模型特徵列表頁面，單擊已建立模型右側的詳情。

   4. 在彈出的模型特徵詳情頁面的基本資料頁簽中，可查看匯出表名為fs_demo_fs_rank_v1_trainning_set，後續基於該表進行特徵生產以及模型訓練。

6. 安裝FeatureStore Python SDK，具體操作詳情請參見在推薦系統中應用FeatureStore管理特徵。

方式二：FeatureStore Python SDK操作

1. 登入DataWorks控制台介面。

2. 在左側導覽列單擊資源群組列表。

3. 在獨享資源群組頁簽中，單擊相應調度資源後的表徵圖，選擇營運助手。

4. 單擊建立命令，在彈出的頁面中配置命令參數。

   參數	取值建議
   命令名稱	可自訂名稱。本文以install為例進行說明。
   命令類型	手動輸入（無法使用pip命令安裝第三方包）
   命令內容	/home/tops/bin/pip3 install -i https://pypi.tuna.tsinghua.edu.cn/simple https://feature-store-py.oss-cn-beijing.aliyuncs.com/package/feature_store_py-1.3.1-py3-none-any.whl
   逾時時間	可自訂時間。

5. 單擊建立，完成命令建立。

6. 單擊運行命令，在彈出的頁面中單擊運行。

7. 可單擊重新整理查看最新執行狀態，待狀態為成功時，即表示完成安裝。

使用SDK的具體操作步驟請參見DSW Gallery。

Python SDK

具體操作，請參見使用FeatureStore Python SDK搭建推薦系統。

Go SDK

FeatureStore Go SDK已開源，具體請參見aliyun-pai-featurestore-go-sdk。

1. 安裝

   執行如下代碼安裝FeatureStore Go SDK。

   go get github.com/aliyun/aliyun-pai-featurestore-go-sdk/v2

2. 使用方式

   1. 執行如下命令，初始化Client。

      accessId := os.Getenv("AccessId") 
      accessKey := os.Getenv("AccessKey") 
      regionId := "cn-hangzhou" projectName := "fs_test_ots" 
      
      client, err := NewFeatureStoreClient(regionId, accessId, accessKey, projectName)

      說明

      由於SDK是直連線上資料來源，用戶端需要在VPC環境運行。例如Hologres和GraphCompute需要在指定的VPC才能串連。

   2. 擷取FeatureView的特徵資料。

      // get project by name project, err := client.GetProject("fs_test_ots") 
      if err != nil {     
      	// t.Fatal(err) 
      } 
      // get featureview by name 
      user_feature_view := project.GetFeatureView("user_fea") 
      if user_feature_view == nil {     
      	// t.Fatal("feature view not exist") 
      } 
      
      // get online features 
      features, err := user_feature_view.GetOnlineFeatures([]interface{}{"100043186", "100060369"}, []string{"*"}, nil)

      其中，[]string{"*"} 代表擷取FeatureView下的所有特徵， 也可以指定部分特徵名稱。

      返回資料樣本如下：

      [     
      {         
      "city":"合肥市",    "follow_cnt":1,         "gender":"male",         "user_id":"100043186"    
       },     {                     
       "city":"",         "follow_cnt":5,         "gender":"male",         "user_id":"100060369"     
      } 
      ]

   3. 擷取ModelFeature裡的特徵資料。

      ModelFeature可以關聯多個FeatureEntity，可以設定多個join_id，然後特徵統一返回。

      樣本中有兩個join_id、user_id和item_id。擷取特徵的時候需要設定相同的ID數量。

      // get project by name project, err := client.GetProject("fs_test_ots") 
      if err != nil {     
      	// t.Fatal(err) 
      }
      
      // get ModelFeature by name 
      model_feature := project.GetModelFeature("rank") 
      if model_feature == nil {     
      	// t.Fatal("model feature not exist") 
      } 
      
      // get online features 
      features, err := model_feature.GetOnlineFeatures(map[string][]interface{}{"user_id": {"100000676", "100004208"}, "item_id":{"238038872", "264025480"}} )

      返回資料樣本如下：

      [     
      {         
      "age":26,         "author":100015828,         "category":"14",         "city":"瀋陽市",         "duration":63,         "gender":"male",         "item_id":"238038872",         "user_id":"100000676"    
       },     {         
      "age":23,         "author":100015828,         "category":"15",         "city":"西安市",         "duration":22,         "gender":"male",         "item_id":"264025480",         "user_id":"100004208"    
       }
       ]
      
      

      也可以指定某個FeatureEntity，將FeatureEntity對應的特徵一起返回。

      返回資料樣本如下：

      [    
       {         
      "age":26,         "city":"瀋陽市",         "gender":"male",         "user_id":"100000676"    
       },     {        
       "age":23,         "city":"西安市",         "gender":"male",         "user_id":"100004208"    
       } 
      ]

Java SDK

FeatureStore Java SDK已開源，具體請參見aliyun-pai-featurestore-java-sdk。

本文以Hologres資料來源為例進行說明。

1. 執行如下代碼，載入環境變數並初始化服務。

   public static String accessId = "";
   public static String accessKey = "";
   #host具體根據所在地區配置
   public static String host = "";
   #擷取本地配置的環境變數中配置好的accessId、accessKey
   static {
       accessId = System.getenv("ACCESS_KEY_ID");
       accessKey = System.getenv("ACCESS_KEY_SECRET");
   }

2. 準備配置類（配置regionId、accessId、accessKey以及專案名稱）。

   Configuration cf = new Configuration("cn-hangzhou",Constants.accessId,Constants.accessKey,"ele28");
   cf.setDomain(Constants.host);//注意：預設vpc環境

3. 初始化用戶端。

   ApiClient apiClient = new ApiClient(cf);
   #FS用戶端
   FeatureStoreClient featureStoreClient = new FeatureStoreClient(apiClient);

4. 擷取專案（此處以專案名稱為ele28為例進行說明）。

   Project project=featureStoreClient.getProject("ele28");
   if(project==null){
       throw new RuntimeException("Project not found");
   }

5. 擷取專案的特徵視圖（此處以特徵視圖名稱為mc_test為例進行說明）。

   FeatureView featureView=project.getFeatureView("mc_test");
   if (featureView == null) {
       throw  new RuntimeException("FeatureView not found");
   }

6. 根據特徵視圖擷取線上特徵資料。

   Map<String,String> m1=new HashMap<>();
   m1.put("gender","gender1"); //起別名                                                                                                                                                                                                 user_id='100027781'(FS_INT64) age='28'(FS_INT64) city='null'(FS_STRING) item_cnt='0'(FS_INT64) follow_cnt='0'(FS_INT64) follower_cnt='2'(FS_INT64) register_time='1697641608'(FS_INT64) tags='0'(FS_STRING) gender1='female'(FS_STRING) ---------------

   擷取線上特徵（String[]{"*"}擷取所有屬性資訊，也可以傳入部分屬性，輸出僅見部分資訊的資料）。

   FeatureResult featureResult1=featureView.getOnlineFeatures(new String[]{"100017768","100027781","100072534"},new String[]{"*"},m1);

   輸出特徵資訊。

   while(featureResult1.next()){
       System.out.println("---------------");
       #特徵名
       for(String m:featureResult1.getFeatureFields()){
           System.out.print(String.format("%s=%s(%s) ",m,featureResult1.getObject(m),featureResult1.getType(m)));
       }
       System.out.println("---------------");
   }   

   返回資料如下。

   ---------------
   user_id='100017768'(FS_INT64)  age='28'(FS_INT64)  city='東莞市'(FS_STRING) item_cnt='1'(FS_INT64)  follow_cnt='1'(FS_INT64)  follower_cnt='0'(FS_INT64) register_time='1697202320'(FS_INT64)  tags='1,2'(FS_STRING)  gender1='female'(FS_STRING) 
   ---------------

7. 擷取模型。

   Model model=project.getModelFeature("model_t1");
   if(model==null){
       throw new RuntimeException("Model not found");
   }

   1. 擷取模型特徵裡的資料。

      兩個join_id執行個體（user_id,item_id），傳入的值個數需對應（此處只傳入了一個值）。

      Map<String, List<String>> m2=new HashMap<>(); 
      m2.put("user_id",Arrays.asList("101683057"));
      m2.put("item_id",Arrays.asList("203665415"));

   2. 擷取模型特徵有關於user特徵實體的所有特徵資料。

      FeatureResult featureResult2 = model.getOnlineFeaturesWithEntity(m2,"user");

      返回資料如下。

      ---------------
      user_id='101683057' age='28' city='深圳市' follower_cnt='234' follow_cnt='0' gender='male' item_cnt='0' register_time='1696407642' tags='2' item_id='203665415' author='132920407' category='14' click_count='0' duration='18.0' praise_count='10' pub_time='1698218997' title='#成語故事' 
      ---------------

Cpp SDK

目前FeatureStore Cpp SDK整合在EasyRec Processor（推薦打分服務） 中，針對特徵提取、緩衝管理及讀取操作進行了專項最佳化，為大規模推薦情境提供高效能、低延遲的解決方案。

• 記憶體佔用：在面臨複雜且規模龐大的特徵資料時，記憶體資源消耗得到大幅削減，尤其在高特徵負載情況下，節省效果更為明顯。

• 拉取特徵時間：通過將線上儲存（如Hologres、GraphCompute等）的拉取流程改為直接從 MaxCompute拉取至EAS緩衝，特徵載入時間顯著縮短。同時，MaxCompute穩定性和擴充性更好，有效減輕了擴容對線上儲存的壓力。

• 模型打分耗時：使用該SDK後，模型打分效能指標tp100得到進一步改善，回應時間更穩定，逾時請求顯著減少，整體提升了建議服務的可靠性和使用者體驗。