查看特征是否生效

步骤一：捕获在线请求的特征数据

1. 向推荐引擎服务发送Debug请求。登录PAI-Rec控制台，左侧菜单单击排查工具 > 推荐结果诊断，选择相应环境，打开调试模式，单击诊断发送请求。

   请确保该请求能够路由到您要验证的模型服务（例如，通过用户白名单或设置为100%流量）。当模型服务接收到Debug请求时，它会自动将引擎传入的特征数据以Protobuf（PB）格式保存到服务的挂载目录中。

   

2. 定位并下载特征文件。进入PAI-EAS 控制台，找到对应的模型服务实例。

   1. 在EAS控制台查看请求。打开使用的EAS模型服务，在日志页面根据requestid搜索Debug请求，并可看到对应的特征名称。

      

      

   2. 下载特征文件。如果根据requestid的查找不能满足分析需求，则可以查看模型挂载路径下载pb格式的特征文件。

      

      

步骤二：本地分析与对照实验

使用以下 Python 脚本来解析下载的 pd 文件、修改特征并重新请求模型，以观察内部数据变化。

1. 执行如下分析脚本。

   ## pip install -U eas-prediction --user 安装eas_prediction的包
   from eas_prediction import PredictClient
   from eas_prediction.torchrec_request import TorchRecRequest
   from eas_prediction.torchrec_predict_pb2 import PBRequest
   from google.protobuf import text_format
   
   def read_pb_and_request_and_save(path, str_path, client, req):
       with open(path, 'rb') as f:
           pb_data = f.read()
       pb_req = PBRequest()
       pb_req.ParseFromString(pb_data)
       req.request_data = pb_req
       resp = client.predict(req)
       print(resp)
       with open(str_path,'w',encoding='utf-8') as f:
           f.write(str(pb_req))
   
   def predict_new_pb(str_path,debug_feature_path,client,req):
       with open(str_path, 'r', encoding='utf-8') as f:
           pb_data = f.read()
       pb_req = PBRequest()
       text_format.Merge(pb_data, pb_req)
       req.request_data = pb_req
       req.set_debug_level(2)
       resp = client.predict(req)
       with open(debug_feature_path, 'w', encoding='utf-8') as f:
           f.write(str(resp))
   
   if __name__ == '__main__':
       path = 'torch_req/on_line.pb'  # 下载的本地pb路径
       str_path = 'torch_req/on_line.txt'  # 本地解析pb为字符串要保存的路径
       debug_feature_path = 'torch_req/on_score.txt' # 请求保存下来的raw feature(fg前的所有特征)和generate(fg后的所有特征)
       # 模型url配置
       client = PredictClient('173xxxx.cn-beijing.pai-eas.aliyuncs.com', '{model_name}')
       # 模型token
       client.set_token('eas_token==')
       client.init()
       req = TorchRecRequest()
       # 1.先调用read_pb_and_request_and_save，发送一次请求并保存pb成字符串
       # 2.修改要变化的特征
       # 3.注释调read_pb_and_request_and_save，运行predict_new_pb
       read_pb_and_request_and_save(path,str_path,client,req)
       # predict_new_pb(str_path,debug_feature_path,client,req)
   

   1. 生成可读的特征文件on_line.txt。配置path，str_path调用read_pb_and_request_and_save。这会生成一个 on_line.txt 文件，其中包含了所有请求特征，格式清晰可读。

   2. 修改特征并进行对照实验。打开 on_line.txt 文件，找到您关心的特征，手动修改其值。例如，将一个数值特征从 0.1 改为 0.9，或将一个 ID 特征替换为另一个值。召回的集合通常条目数量较多，您可以减少集合数量，只修改其中几条的特征。

   3. 获取Debug输出。保存修改后的 on_line.txt，然后运行脚本中的 predict_new_pb 函数（注意注释掉read_pb_and_request_and_save）。该函数会用您修改后的特征重新请求模型，并将详细的调试信息（包含 raw_features 和 generate_features）保存到 on_score.txt

2. 结果验证。打开 on_score.txt 文件，可以看到两组关键信息：

   • raw_features：模型服务收到的、经过特征预处理（如查表、拼接）但未经过 FG (Feature Generation) 算子编码的原始特征。

   • generate_features：经过 FG 算子编码后，最终输入模型进行打分的特征。

   通过以下检查来确认特征是否生效：

   • 检查 raw_features：确认您修改的特征及其新值是否正确出现在 raw_features 中。这证明特征已成功传递到模型服务。

   • 检查 generate_features：观察该特征经过 FG 编码后，在 generate_features 中的表现。如果您的修改（例如，从 0.1 到 0.9）导致了 generate_features 中对应 Embedding ID 或数值的变化，那么证明特征的在线处理逻辑是生效的。