个性化推荐（PAI-Rec）计费说明

计费规则

计费项1：PAI-Rec实例

PAI-Rec实例包括标准版和高级版，具体详情如下：

标准版提供的功能包括：

• 推荐业务引擎

  用于根据用户的推荐请求，串联召回、过滤、排序、粗排、精排、冷启动等链路，生成推荐结果。

• 特征一致性校验

  通过推荐系统的线上请求，记录推荐服务中在线使用的用户特征、物品特征、上下文特征，然后对以上特征变换之后的特征，最后再通过模型推理得到模型得分。记录这些特征之后，再利用离线的特征变换、模型打分。对比离线和在线对比分数是否一致，如果不一致再找出不一致的特征。这样可以尽快找出离在线不一样的特征，从而保证离在线特征存储、读取、特征变换的一致性。

• 实验平台

  用于管理推荐场景召回、过滤、排序、重排参数，通过调整实验配置参数来做分词实验。实验平台包括实验流量管理、实验指标注册、天级实验报表和小时级实验报表对比查看等功能。

高级版增加的功能包括：

• 数据诊断

  用于分析用户特征表、物品特征表的分布情况，用户行为表的转化率、留存率、曾现率等情况。帮助客户检查推荐场景的日志是否有问题，便于后续推荐算法定制中的特征和参数配置。

• 推荐算法定制

  包括多种召回算法、离线统计和实时统计特征、粗排和精排模型的配置，配置完成之后生产特征工程、召回算法、粗排和精排模型的代码，以及推荐引擎的配置代码等。

• 一键部署功能

  对推荐算法定制产出的代码、脚本，一键部署到DataWorks中。并且提供补数的流程图，帮助用户按照顺序补全特征和训练样本数据。

计费项2：云资源消耗

为搭建完整的推荐系统，需要使用MaxCompute、PAI-EAS等服务，此类服务的资源消耗，需按照云服务的计费规则进行相应扣费。云资源消耗不包含在PAI-Rec费用中。

推荐方案的复杂性导致费用相差比较大，例如物品和用户的数量、是否使用向量召回、物品冷启动算法、复杂的排序模型、在线学习等。同时，根据业务需要，使用自动扩缩容的EAS实例，使用预付费的MaxCompute，定期清理Hologres或OSS中不用的数据，以及使用增量训练代替全量训练等操作都可以节约成本。

按照DAU（日活）估计包含离线训练和在线服务的整套推荐系统资源消耗如下（PAI-Rec高级版）：

更多计费详情，请参见MaxCompute计费说明、模型在线服务（EAS）计费说明、Hologres计费说明和OSS计费说明。

计费项3：实施交付或高阶能力部署

如果需要阿里侧工程师进行系统搭建、算法定制等服务，可通过商务洽谈的方式进行合作。合作项目完成后，需支付一定的定制人天的投入费用。

计费方式

资源包为预付费的抵扣包，是指您根据业务量级预估一次性付费购买相应规格的商品资源包。自购买日起，一年内有效，超出有效期未抵扣的资源包额度自动失效。

由于不同区域的资源价格有差异，推荐业务引擎按照区域实施差异定价。