在推荐业务场景中，使用PAI-Designer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。

前提条件

已创建工作空间，详情请参见创建工作空间。

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。该工作流基于真实的推荐场景数据，其完整业务流程已预置在PAI-Designer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。
工作流的原始数据示例如下。 原始数据

实现推荐召回

  1. 进入PAI-Designer页面。
    1. 登录PAI控制台。
    2. 在左侧导航栏单击工作空间列表，在工作空间列表页面中单击待操作的工作空间名称，进入对应工作空间内。
    3. 在工作空间页面的左侧导航栏选择模型开发和训练 > 可视化建模（PAI-Designer），进入Designer页面。
  2. 构建工作流。
    1. 在PAI-Designer页面，单击预置模板页签。
    2. 在模板列表，单击使用FM-Embedding实现推荐召回下的创建。
    3. 在新建工作流对话框，配置参数（可以全部使用默认参数）。
      其中： 工作流数据存储配置为OSS Bucket路径，用于存储工作流运行中产出的临时数据和模型。
    4. 单击确定。
      您需要等待大约十秒钟，工作流可以创建成功。
    5. 系统根据预置的模板，自动构建工作流，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工作流中，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，在右侧的参数设置页签，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向量的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. 运行工作流并查看输出结果。
    1. 单击画布上方的运行。
    2. 工作流运行结束后，右键单击画布中的Embedding提取-1，在快捷菜单，单击查看数据 > 输出，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 > 输出，即可查看Item特征向量。Item特征向量