推荐算法是移动互联网最常用的技术,像商品推荐、广告投放预测、简历匹配、新闻推荐等都会用到。不同企业的业务特点各不相同,继而技术架构、算法能力也会有所差别,PAI产品为了帮助不同企业的快速实现个性化推荐的应用,推出了难度系数由浅到深的技术方案,所有方案都已经通过模型Demo的内嵌到PAI的产品中,欢迎大家试用。

展开更多

方案一:基于协同过滤算法的推荐

上手难度:  

推荐效果:  

应用产品:PAI Studio

出名的尿布与啤酒的故事背后映射的就是协同过滤算法,协同过滤算法是比较基础的推荐算法,经过简单的学习就可以快速上手,门槛低,但是准确率的天花板也较低。[ 查看详情 ]

1

上传数据至MaxCompute

2

参照PAI Studio首页模板利用协同过滤算法建模

3

生成推荐匹配结果表

4

将推荐匹配结果表应用于用户自身推荐逻辑中

方案二:基于对象特征的推荐

上手难度:  

推荐效果:  

应用产品:PAI Studio、PAI EAS

基于对象特征的推荐建模需要用户充分理解自身的业务,通过特征工程的方式衍生更多特征,增强数据表现力。另外需要了解二分类或多分类的算法原理,不断借助PAI的AutoML调参工具提升模型表现力。最终将生成的推荐模型通过PAI EAS部署成HTTP服务供调用。[ 查看详情 ]

1

上传数据至MaxCompute

2

利用特征工程法法进行数据建模,建立特征列以及目标列

3

选用分类算法生成模型,并用AutoML方法不断提升模型准确率

4

将模型部署到PAI EAS生成HTTP服务,供业务方调用

应用产品:PAI DSW(点击申请公测)PAI EAS

Wide&Deep方法是一种专门针对推荐领域的结合常规机器学习以及深度学习的建模方法。PAI DSW是一款云端编程平台,可以基于深度学习框架在线做模型训练,目前Wide&Deep相关示例代码和数据已经内置PAI DSW。[ 查看详情 ]

1

上传数据至NAS,并将NAS挂载到PAI DSW

2

在DSW上基于Tensorflow实现Wide&Deep逻辑

3

训练模型不断调优

4

将Tensorflow模型部署到PAI EAS生成HTTP服务,供业务调用

方案四:基于Online Learning的流式算法推荐(等待上线)

上手难度:  

推荐效果:  

应用产品:PAI Studio、PAI EAS

Online Learning的特点是可以实时对模型进行训练,是一种流式机器学习的方式。PAI平台内置了FTRL流式推荐算法,可以在用户已有的离线模型基础上帮助用户实时更新推荐模型,达到最优效果,做到流批一体。

1

训练离线模型并将摸型接入流式算法

2

生成流式数据源

3

通过流式算法不断更新模型

4

将实时模型输出到PAI EAS供业务调用或直接拿到预测结果

他们都在用