推荐系统开发平台PAI-Rec（PAI意为Platform of AI，Rec意为Recommendation）提供了推荐系统全链路的深度定制能力，适用于企业开发者自主搭建、开发、迭代和运维一套推荐系统。概述 PAI-Rec 是阿里云提供的推荐系统开发平台，旨在为企业...
一般在推荐系统中，特征只关联user和item两个特征实体，即特征属于user侧或者item侧。此处以创建 user和item两个特征实体为例进行说明。创建user entity user_entity_name="user"user_join_id='user_id' user_entity=project.get_entity...
本文以FeatureStore的特征表为例，为您介绍FeatureStore从创建与注册到最终上线的过程，帮助您了解如何从零开始搭建并上线一套完整的推荐系统。背景信息 推荐系统是一种能够根据用户的兴趣和偏好，向用户推荐个性化的内容或产品的系统。在...
背景信息 推荐系统在互联网应用中主要用于提升用户粘性、提高转化率，常见场景如下：电商网站根据用户购买习惯，推荐商品。音乐网站根据用户收听喜好，推荐音乐。新闻网站根据用户浏览习惯，推荐新闻。应用网站根据用户下载和使用应用习惯...
本文介绍使用阿里云第八代Intel实例，基于xFasterTransformer单机部署通义千问Qwen-1.8B-Chat语言模型，并使用Qwen-1.8B-Chat推荐系统进行Query改写演示。背景信息 通义千问-1.8B（Qwen-1.8B-Chat）通义千问-1.8B是阿里云研发的通义千问大...
容器网络文件系统CNFS（Container Network File System）将阿里云的文件存储抽象为一个Kubernetes对象（CRD）进行独立管理，包括创建、删除、挂载、监控及扩容等运维操作。您可以通过CNFS实现对NAS文件系统的独立管理，以提升NAS文件系统的...
容器网络文件系统CNFS（Container Network File System）将阿里云的文件存储抽象为一个Kubernetes对象（CRD）进行独立管理，包括创建、删除、挂载、监控及扩容等运维操作。您可以通过CNFS实现对NAS文件系统的独立管理，以提升NAS文件系统的...
在创建CPFS文件系统后，您需要开启协议服务并创建导出目录生成挂载点，然后在ECS实例中安装CPFS-NFS客户端并执行mount命令挂载，从而实现访问CPFS文件系统。导出目录的挂载点不依赖POSIX挂载点，如果您只需要通过NFS协议访问CPFS文件系统，...
问题描述 Quick BI仪表板使用推荐的方案嵌入其他系统但是有部分IOS机型打开异常。问题原因 客户有部分老旧机型系统版本较低不在兼容范围之内造成。解决方案 参考Quick BI兼容性说明。更多信息 Quick BI兼容性清单说明 适用于 Quick BI 当前...
本文以将订阅的系统事件推送至Webhook为例，为您介绍如何使用系统事件的报警回调功能，实现将云监控发送的报警通知集成到已有的运维系统或消息通知系统。前提条件 请确保您已准备好公网URL地址。该URL地址为运维系统或消息通知系统的URL...
为什么需要冷启动 通常推荐系统通过协同过滤、矩阵分解或是深度学习模型来生成推荐候选集，这些召回算法一般都依赖于用户-物品行为矩阵。在真实的推荐系统中，会有源源不断的新用户、新物品加入，这些新加入系统的用户和物品由于缺乏足够...
流量配置 用户一个推荐场景可能请求多个推荐系统，例如自建的推荐系统和PAI-Rec推荐系统，当请求自己的推荐系统时，需要在exp_id中设置固定值（例如default），此时 流量编码 可相应设置为 default。单击 确认。相关操作 创建场景后，您...
然而推荐系统并不能提前知道用户在观察到商品之后如何反馈，也就是不能提前获得本次推荐的收益，唯一能做的就是不停地尝试，并实时收集反馈以便更新自己试错的策略。目的是使得整个过程损失的收益最小。这一过程就类似与一个赌徒在赌场里玩...
本文为您介绍直播推荐的相关字段，帮助您构建一个全面的直播推荐系统，通过分析用户的特征、直播内容的特征以及用户对直播内容的行为，实现个性化推荐。说明 下表是直播推荐场景建议准备的用户表、物品表、行为表的字段，字段越完善越丰富...
数据源相关概念 目前智能推荐系统的数据源只支持MaxCompute（ODPS），后续会陆续开放OSS，RDS等其他方式。MaxCompute：大数据计算服务（MaxCompute，原名ODPS）是一种快速、完全托管的TB/PB级数据仓库解决方案，详情参见 MaxCompute 表：表...
一、背景与问题 在构建推荐系统的过程中，模型的离线训练阶段通常会将物品的位置特征作为关键输入，以捕捉用户对不同位置展示物品的响应差异。然而，在线预测阶段，当模型对候选物品进行实时排序并生成推荐列表时，由于物品的实际展示位置...
若您已部署一套包含召回、过滤、精排及重排的成熟推荐系统，在引入 PAI-Rec 时，完整的在PAI-Rec上复现所有逻辑会有较大的工作量，因此我们建议您先替换原有系统的精排和重排模块，同时复用已有的召回结果。待 PAI-Rec 的精排模型在实验中...
使用场景：当用户已有推荐系统的时候，在刚开始会把这个场景从切10%到20%的推荐流量给PAI-Rec系统。当PAI-Rec的推荐效果达到预期之后再逐渐增加流量。配置方式：假设用户有自建的推荐流量或使用了第三方的推荐平台，可以自定义流量编码作为...
本文为您介绍视频推荐的相关字段，帮助您构建一个全面的视频推荐系统，通过分析用户的特征、视频内容的特征以及用户对视频内容的行为，实现个性化推荐。说明 下表是视频推荐场景建议准备的用户表、物品表、行为表的字段，字段越完善越丰富...
这种情况非常常见：当用户自己已有推荐系统的时候，在刚开始会把这个场景从切10%到20%的推荐流量给PAI-Rec系统。当PAI-Rec的推荐效果达到预期之后再逐渐增加流量。HomePageRec的默认流量是走PAI-Rec的，而selfhold表示用户自持的流量，...
计费项 计费项 说明 计费方式 PAI-Rec实例 PAI-Rec按照实例进行计费，在 标准版实例 基础上，您还可以选购以下两个增值功能：推荐方案定制：提供了一种灵活、高效的推荐算法的配置方式，允许客户自定义推荐系统的各个环节，包括特征工程、...
在推荐系统中需要为算法工程师、策略工程师完成多种实验，我们还提供了a/b testing服务，帮助用户配置AB测试服务。由于阿里云提供多样的存储选项，我们支持将数据存储于Hologres、BE、OTS和Redis中。具体选择哪一种存储方式，后续文档将...
首次使用PAI-Rec搭建推荐系统时，需要购买PAI-Rec实例并配置初始环境。选型说明 实例选型 初次接入PAI-Rec，建议在 标准版实例 基础上购买 推荐方案定制 功能，在熟悉之后再购买 运营工具 功能：推荐方案定制可自定义特征工程、召回策略和...
为保障推荐系统在生产环境中的高可用性、高性能和稳定性，您可以参考以下配置与操作建议。系统监控和报警配置 当一分钟内（或者几分钟）推荐系统的RT数量超出阈值时，触发报警信息至钉钉或手机。推荐引擎上线 先配置推荐引擎，然后在预发...
使用RAM用户搭建PAI-Rec推荐系统，至少需要为该RAM用户设置以下角色：云产品 角色 相关文档说明 DataWorks 开发、部署和运维。附录：预设角色权限列表（空间级）MaxCompute 建议创建DataWorks为 简单模式：用户在MaxCompute中选择role_...
推荐系统和搜索引擎是现代App解决信息过载的标配系统，如果从零开发推荐系统，不仅需要耗费大量金钱和时间，而且很难满足快速上线推荐系统及不断迭代各种算法的业务要求。本文为您介绍如何使用阿里云产品创建推荐系统的数据和模型，从而...
1.创建PAI-Rec实例并初始化服务 登录 全链路推荐系统开发平台 首页，单击 立即购买。在PAI-Rec实例购买页面，配置以下关键参数，然后单击 立即购买。参数 说明 地域和可用区 您的云服务部署的地域。服务类型 本方案选择 高级版。说明 相较...
流量调控解决方案优势 扶持效果好：“流量调控”是基于PAI-Rec推荐系统架构而开发的流量干预功能，在不扰乱推荐系统整体推荐逻辑的基础上对所选物品池进行精准流量干预。效果可量化：与传统的“加权”方式相比，“流量调控”功能以物品池的...
若您首次搭建推荐系统，缺乏相关技术经验，且前期存在算法、工程人力不足的情况，我们建议您优先启用端到端行业推荐服务AIRec服务对接，待您已具备相关技术人员，并希望自主掌控推荐链路，我们建议您按照如下步骤进行评估，并与阿里侧架构...
一般来说，增加实时特征能明显的提升推荐系统的指标效果。然而 实时特征对准确性的要求很高，如通过离线卡时间窗口关联的方式（指通过离线日志反推在推荐时刻用户和物品的实时特征），由于很难估计系统各链路间的延时，很容易就出现特征不...
AliyunPAIRecFullAccess 是阿里云管理的产品系统策略，您可以将 AliyunPAIRecFullAccess 授权给 RAM 身份（RAM 用户、RAM 用户组和 RAM 角色），本策略定义了 推荐系统开发平台（PAI-Rec）的全部可访问性。策略详情 类型：系统策略 创建...
在配置特征之前，建议阅读一下这篇文章：《在生产环境的推荐系统中部署Contextual bandit(LinUCB)算法的经验和陷阱》,文章介绍了哑变量陷阱，以及超参数调参经验。在以下所有类型的特征中，expression 是必选项（除lookup feature外），...
在使用PAI-Rec搭建推荐系统前，需要准备基础数据，分析用户特征，用于模型训练与校准。本文为您介绍部分典型场景的数据规范。背景信息 特征数据一般包含以下三张基础表：用户表：包含与用户相关的特征数据，用于描述用户的个人信息、偏好和...
训练模型EasyRec是一个开源的推荐系统框架，可以与FeatureStore无缝衔接，进行训练模型、导出模型、上线模型的操作。推荐您将 fs_demo_fs_rank_v1_trainning_set 表作为输入，使用EasyRec训练模型。EasyRec开源代码请参见 EasyRec。EasyRec...
背景信息 推荐系统的召回和排序，越能实时、准确地根据用户的操作感知到用户的偏好行为，根据操作行为来召回候选集和排序候选的物品，推荐的效果就越好。但是我们在优化一个推荐场景的召回或者排序模型的时候，往往还没有准备好用户和物品...
用户特征（user features）：以上案例描述推荐系统中的用户特征，包括从离线和在线系统中获取用户特征。在上图左下角 PAI-Rec 推荐引擎是通过 FeatureStore SDK（FS）读取用户特征。物品特征（item features）：在打分服务 EasyRec ...
FG模块在推荐系统架构中的位置如下图所示：特征生成过程由一系列特征变换算子（下文简称为FG算子）按照配置文件定义的DAG图的拓扑顺序并行执行。配置文件示例 features列表配置特征算子，每个特征算子必须包含 feature_name、feature_type ...
这种方式在推荐系统、点击率预估等场景中常见，例如用户的历史行为统计特征（如用户对某类商品的点击次数）、物品的流行度等。字段名称 示例数据1 示例数据2 示例数据3 request_id 101 102 103 user_id 1 2 3 item_id 4 5 10 event_unix_...