在推荐业务场景中，使用PAI-Studio提供的整套FM-Embedding方案可以快速获得User和Item对应的特征向量，您只需要在召回模块对该特征向量进行乘积，即可得到User对Item的评分结果。本文为您介绍如何使用FM算法和Embedding提取算法，快速生成User和Item的特征向量。

背景信息

智能推荐包括召回和排序模块。召回模块中，通常使用向量分别表示User（用户）和Item（待推荐的内容），且通过User与Item的向量乘积判断User对Item的兴趣程度。该实验基于真实的推荐场景数据，其完整业务流程已预置在PAI-Studio模板中，您仅通过拖拽组件即可快速生成User和Item的特征向量。

数据集

原始数据包括如下字段。
字段名 类型 描述
userid STRING 用户ID。
age DOUBLE 用户年龄。
gender STRING 用户性别
itemid STRING 商品ID。
price DOUBLE 商品价格。
size DOUBLE 商品大小。
label DOUBLE 目标列，含义如下：
  • 1：表示购买。
  • 0：表示未购买。
实验的原始数据示例如下。原始数据

实现推荐召回

  1. 进入PAI-Studio控制台。
    1. 登录PAI控制台。
    2. 在左侧导航栏，选择模型开发和训练 > Studio-可视化建模。
    3. 在PAI可视化建模页面，单击进入机器学习。进入机器学习
  2. 构建实验。
    1. 在PAI-Studio控制台的左侧导航栏，单击首页。
    2. 在模板列表，单击推荐场景-FM向量召回下的从模板创建。
    3. 在新建实验对话框，配置参数（可以全部使用默认参数）。
      参数 描述
      名称 输入推荐场景-FM向量召回。
      项目 不支持修改。
      描述 输入基于FM-Embedding的推荐召方案。。
      位置 选择我的实验。
    4. 单击确定。
    5. 可选：等待大约十秒钟，在PAI-Studio控制台的左侧导航栏，单击实验。
    6. 可选：在我的实验下，单击【推荐算法】商品推荐_XX。
      其中我的实验为已配置的实验位置，【推荐算法】商品推荐_XX为已配置的实验名称（_XX为系统自动添加的实验序号）。
    7. 系统根据预置的模板，自动构建实验，如下图所示。
      推荐召回实验
      区域 描述
      ① 针对全量特征的One-Hot编码。One-hot编码可以将字符型数据转换为数值型，该FM-Embedding实验中，onehot编码-1组件先对全量数据进行One-Hot编码，再将生成的编码模型输入至onehot编码-2和onehot编码-3组件。
      ② 生成FM模型。您可以单击该组件，在右侧的参数设置面板，查看系统已配置的默认参数。其中维度（默认值为1,1,10）的第三个参数（默认值中的10）表示生成的Embedding维度。
      ③ 生成User特征编码。该组件的输入（选择二值化列）为userid、gender及age，附加列为userid。
      ④ 生成Item特征编码。该组件的输入（选择二值化列）为itemid、price及size，附加列为itemid。
      ⑤ 提取Item-Embedding。该组件的参数含义如下：
      • Embedding向量id列名：FM训练中的模型feature_id。
      • Embedding向量列名：FM训练中的模型feature_weights。
      • 权重向量列名：One-Hot编码对应的稀疏化数据列。
      • 输出结果列名：输出的Embedding字段名。
  3. 运行实验并查看输出结果。
    1. 单击画布上方的运行。
    2. 实验运行结束后，右键单击画布中的Embedding提取-1，在快捷菜单，单击查看数据，即可查看User特征向量。User特征向量
    3. 右键单击画布中的Embedding提取-2，在快捷菜单，单击查看数据，即可查看Item特征向量。Item特征向量