样本

离线样本

离线样本可以使用SQL在MaxCompute或者Hive/Spark平台上构造.
可以使用推荐算法定制来自动生成离线特征和离线样本的流程.

实时样本

前置条件

服务开通:
- 除了MaxCompute, OSS, Dataworks, Hologres, 需要额外开通Flink, Datahub(或者Kafka)
- 产品具体开通手册，参考PAI-REC最佳实践里面的开通手册

数据准备

用户行为实时流
- 通过datahub接入
- 包含字段:
  - event_type, 事件类型: exposure / click / buy / like / play /...
  - event_time, 时间发生时间
  - duration, 持续时间，可选
  - request_id, 请求id
  - user_id, 用户id
  - item_id, 商品id
  - 其他信息，可选

特征埋点(callback)

需要部署EAS callback服务, 服务配置和EAS打分服务一致
- 单独部署EAS callback服务的原因是避免影响EAS打分服务的性能
- EAS callback对rt的要求低于EAS打分服务

通过PAI-REC推荐引擎写入Datahub

PAI-REC配置
特征保存在Datahub topic: odl_callback_log, schema:

request_id	request_time	module	user_id	item_id	scene	context_features	generate_features	raw_features	request_info	item_features	user_features	callback_log
string	bigint	string	string	string	string	string	string	string	string	string	string	string
请求id	请求时间	算法id	用户id	商品id	场景	context特征	FG生成的特征	原始特征	请求信息	商品特征	用户特征	callback日志

request_id, user_id, item_id, request_time, generate_features 是后续需要的字段

Custom推荐引擎:
- 调用EAS服务获取全埋点特征, 调用方式参考文档
  - 请求的item list为下发列表,不是排序阶段的列表
  - EasyrecRequest.setDebugLevel(3), 生成EasyRec训练所需要的特征
- 通过PBResponse.getGenerateFeaturesMap获取生成的特征
- 特征写入Datahub topic: odl_callback_log

样本生成

样本Events聚合(OnlineSampleAggr):
- 上传资源包: rec-realtime-0.8-SNAPSHOT.jar
- flink配置:
```
  datahub.endpoint: 'http://dh-cn-beijing-int-vpc.aliyuncs.com/'
  datahub.accessId: xxx
  datahub.accessKey: xxx
  datahub.inputTopic: user_behavior_log
  datahub.sinkTopic: odl_sample_aggr
  datahub.projectName: odl_sample
  datahub.startInMs: '1655571600'

  input.userid: user_id
  input.itemid: item_id
  input.request-id: request_id
  input.event-type: event
  input.event-duration: play_time
  input.event-ts: ts
  input.expose-event: exposure
  input.event-extra: 'scene'
  input.wait-positive-secs: '900'
```
  - datahub参数配置
    - accessId: 鉴权id
    - accessKey: 鉴权secret
    - projectName: 项目名称
    - endpoint: 使用带vpc的endpoint
    - inputTopic: 读取的datahub topic
    - sinkTopic: 写入的datahub topic
    - startInSecs: 开始读取的位点,单位是seconds
  - input: datahub schema配置
    - userid: userid字段名
    - itemid: itemid字段名
    - request-id: request_id字段名
    - event-duration: event持续时间
    - event-type: event类型字段
    - event-ts: event发生时间字段(seconds)
    - expose-event: 曝光事件类型
      - 曝光事件延迟不再下发
      - 其它事件延迟会补充下发
    - event-extra: 其它event相关字段,多个字段以","分割
    - wait-positive-secs: 等待正样本的时间, 单位是seconds
  - datahub topic schema:
    - inputTopic: user_behavior_log
      
      request_id user_id item_id play_time event ts scene ...
      string string string double string bigint string ...
    - sinkTopic: odl_sample_aggr
      
      request_id user_id item_id events
      
      string string string string
    - events数据格式:
      [ {"duration":6493,"eventTime":1659667790,"eventType":"play","properties":{"scene":"main"}}, {"duration":6259,"eventTime":1659667796,"eventType":"play","properties":{"scene":"main"}} ]

label生成, 目前提供三种udf:

playtime: sum_over(events, 'playtime')
click: has_event(events, 'click')
min_over / max_over: min_over(events, 'eventTime')
可以使用python自定义任意udf, 参考文档
udf 上传(vvp-console):

示例:

  insert into odl_sample_with_lbl
  select request_id, user_id, item_id,
      ln(if(playtime < 0, 0, playtime) + 1) as ln_play_time,
      cast((playtime > 10 or is_like > 0) as bigint) as is_valid_play,
      is_like, ts
  from (
      select *, sum_over(events, 'duration', TRUE) / 1000.0 as playtime,
          has_event(events, 'likes') as is_like,
          min_over(events, 'eventTime') as ts
      from odl_sample_aggr
  );

样本join全埋点特征

  create temporary view sample_view as
  select a.request_id, a.user_id, a.item_id, a.ln_play_time, a.is_valid_play, feature, b.request_time
  from  odl_sample_with_lbl a
  inner join (
       select * from (
        select request_id, item_id, request_time, generate_features as feature, ts,
          row_number() over(partition by request_id, item_id order by proctime() asc) as rn
        from odl_callback_log
        where `module` = 'item' and (generate_features is not null and generate_features <> '')
       ) where rn = 1
  ) b
  on a.request_id = b.request_id and a.item_id = b.item_id
  where a.ts between b.ts - INTERVAL '30' SECONDS  and b.ts + INTERVAL '30' MINUTE;

odl_callback_log需要做去重, 防止因为重复调用造成样本重复
flink配置开启ttl(millisecond), 控制state大小:
```
  table.exec.state.ttl: '2400000'
```
- ttl(miliseconds)的设置考虑两个因素:
  - odl_sample_with_lbl相对请求时间request_time的延迟
    - ttl < 相对延迟, 就会有样本丢失
    - 统计相对延迟:
      - 将odl_sample_with_lbl / odl_callback_log落到MaxCompute
      - 按request_id join 计算ts的差异
  - ttl越大state越大, 保存checkpoint时间越长, 性能下降

存储引擎开启gemini kv分离(generate_features字段值很大):

  state.backend.gemini.kv.separate.mode: GLOBAL_ENABLE
  state.backend.gemini.kv.separate.value.size.threshold: '500'

实时样本写入Datahub / Kafka

  create temporary table odl_sample_with_fea_and_lbl(
    `request_id`    string,
    `user_id`        string,
    `item_id`          string,
    `ln_play_time`  double,
    `is_valid_play` bigint,
    `feature`       string,
    `request_time`  bigint
  ) WITH (
    'connector' = 'datahub',
    'endPoint' = 'http://dh-cn-beijing-int-vpc.aliyuncs.com/',
    'project' = 'odl_sample',
    'topic' = 'odl_sample_with_fea_and_lbl',
    'subId' = '1656xxxxxx',
    'accessId' = 'LTAIxxxxxxx',
    'accessKey' = 'Q82Mxxxxxxxx'
  );
  insert into odl_sample_with_fea_and_lbl
  select * from sample_view;

subId: datahub subscription id

数据诊断

实时样本需要关注下面的信息和离线是否一致:
- 样本总量: 因为样本延迟和全埋点特征join不上，导致样本量下降，需要增加interval join的区间和state ttl
- 正负样本比例: 因为正样本延迟到达导致的延迟下发导致在线正样本占比偏低, 增加wait-positive-secs
- 特征一致性: EAS callback服务和EAS打分引擎配置是否一样.
校验方法:
- 实时样本落到maxcompute, 和离线的数据作对比
- EasyRec训练的summary里面查看label的正负样本比

实时训练

启动训练: 文档

Provide feedback

Saved searches

Use saved searches to filter your results more quickly

odl_sample.md

odl_sample.md

样本

离线样本

实时样本

前置条件

数据准备

样本生成

数据诊断

实时训练

Files

odl_sample.md

Latest commit

History

odl_sample.md

File metadata and controls

样本

离线样本

实时样本

前置条件

数据准备

样本生成

数据诊断

实时训练