文档

如何在推荐系统中应用FeatureStore管理特征

更新时间:

本文以FeatureStore的特征表为例,为您介绍FeatureStore从创建与注册到最终上线的过程,帮助您了解如何从零开始搭建并上线一套完整的推荐系统。

背景信息

推荐系统是一种能够根据用户的兴趣和偏好,向用户推荐个性化的内容或产品的系统。在推荐系统中,提取和配置用户或物品的特征信息非常重要。通过本文提供的解决方案,您可以了解到如何使用FeatureStore搭建推荐系统,以及FeatureStore在推荐系统中如何通过各个版本的SDK与其他推荐系统产品进行交互。具体表现为:在FeatureStore中创建项目,注册特征表,创建模型特征,导出训练样本表,从离线数据源同步特征到在线数据源,利用训练样本表训练模型,部署EAS模型服务,以及如何使用PAI-REC中的FeatureStore中的相关配置等整个推荐系统流程。

对于熟悉代码的用户,您可以通过直接运行Python Notebook查看具体配置流程,具体操作详情请参见DSW Gallery

更多关于FeatureStore的信息,请参见FeatureStore概述

如果您在配置或使用过程中有任何问题,可以搜索钉钉群号:34415007523,进入答疑群联系技术人员进行咨询。

前提条件

在开始执行操作前,请确认您已完成以下准备工作。

依赖产品

具体操作

人工智能平台 PAI

已开通PAI服务并创建PAI工作空间,操作详情请参见开通PAI并创建默认工作空间

云原生大数据计算服务 MaxCompute

实时数仓 Hologres

大数据开发治理平台 DataWorks

推荐全链路深度定制开放平台 PAI-REC

已开通PAI-REC服务,操作详情请参见资源和权限开通介绍

对象存储 OSS

已开通OSS服务,操作详情请参见控制台快速入门

一、准备数据

同步数据表

一般对于推荐场景,需要准备三张数据表:user侧的特征表item侧的特征表以及Label表

为方便实践操作,我们在MaxCompute的pai_online_project项目中提前准备了模拟生成的用户表、物料表和Label表进行示例说明。其中,用户表、物料表每个分区大约有10万条数据,在MaxCompute中分别占用约70 MB;Label表每个分区约45万条数据,在MaxCompute中占用约5 MB。

您需要在DataWorks中执行SQL命令,将用户表、物料表、Label表从pai_online_project项目同步到自己的MaxCompute中。具体操作步骤如下:

  1. 登录DataWorks控制台

  2. 在左侧导航栏单击数据建模与开发 > 数据开发

  3. 选择已创建的DataWorks工作空间后,单击进入数据开发

  4. 鼠标悬停至新建,选择新建节点 > MaxCompute > ODPS SQL,在弹出的页面中配置节点参数。

    参数

    取值建议

    引擎实例

    选择已创建的MaxCompute引擎。

    节点类型

    ODPS SQL

    路径

    业务流程/Workflow/MaxCompute

    名称

    可自定义名称。

  5. 单击确认

  6. 在新建节点区域运行以下SQL命令,将用户表、物料表、Label表从pai_online_project项目同步到自己的MaxCompute中。资源组选择已创建的独享资源组。

    同步用户表:rec_sln_demo_user_table_preprocess_all_feature_v1(单击查看详情)

    CREATE TABLE IF NOT EXISTS rec_sln_demo_user_table_preprocess_all_feature_v1
    like pai_online_project.rec_sln_demo_user_table_preprocess_all_feature_v1
    STORED AS ALIORC  
    LIFECYCLE 90;
    
    INSERT OVERWRITE TABLE rec_sln_demo_user_table_preprocess_all_feature_v1
    PARTITION(ds='${bdp.system.bizdate}')
    SELECT * except(ds)
    FROM pai_online_project.rec_sln_demo_user_table_preprocess_all_feature_v1
    WHERE ds = '${bdp.system.bizdate}';

    其中,${bdp.system.bizdate}是参数,可以通过补数据执行获取以下三个分区的数据:

    ds=20231022

    ds=20231023

    ds=20231024

    同步物料表:rec_sln_demo_item_table_preprocess_all_feature_v1(单击查看详情)

    CREATE TABLE IF NOT EXISTS rec_sln_demo_item_table_preprocess_all_feature_v1
    like pai_online_project.rec_sln_demo_item_table_preprocess_all_feature_v1
    STORED AS ALIORC  
    LIFECYCLE 90;
    
    INSERT OVERWRITE TABLE rec_sln_demo_item_table_preprocess_all_feature_v1
    PARTITION(ds='${bdp.system.bizdate}')
    SELECT * except(ds)
    FROM pai_online_project.rec_sln_demo_item_table_preprocess_all_feature_v1
    WHERE ds = '${bdp.system.bizdate}';

    其中,${bdp.system.bizdate}是参数,可以通过补数据执行获取以下三个分区的数据:

    ds=20231022

    ds=20231023

    ds=20231024

    同步Label表:rec_sln_demo_label_table(单击查看详情)

    CREATE TABLE IF NOT EXISTS rec_sln_demo_label_table
    like pai_online_project.rec_sln_demo_label_table
    STORED AS ALIORC  
    LIFECYCLE 90;
    
    INSERT OVERWRITE TABLE rec_sln_demo_label_table
    PARTITION(ds='${bdp.system.bizdate}')
    SELECT * except(ds)
    FROM pai_online_project.rec_sln_demo_label_table
    WHERE ds = '${bdp.system.bizdate}';

    其中,${bdp.system.bizdate}是参数,可以通过补数据执行获取以下三个分区的数据:

    ds=20231022

    ds=20231023

    ds=20231024

  7. 对已同步的表进行补数据操作。

    1. DataWorks控制台界面,单击左侧导航栏的数据建模与开发 > 运维中心,在下拉框中选择对应工作空间后单击进入运维中心

    2. 在左侧导航栏单击周期任务运维 > 周期任务,进入周期任务页面。

    3. 单击周期任务列表中的目标任务,打开该任务的DAG图。

    4. 右键单击目标节点,选择补数据 > 当前节点,选择相应的补数据模式。

    5. 业务日期选择2023-10-222023-10-24,单击确定

完成上述操作后,您可以在自己的工作空间内查看用户表rec_sln_demo_user_table_preprocess_all_feature_v1、物料表rec_sln_demo_item_table_preprocess_all_feature_v1和Label表rec_sln_demo_label_table,后续的实践操作将以这三张表为例进行说明。

配置数据源

FeatureStore一般需要配置两个数据源:离线数据源(MaxCompute)和在线数据源(Hologres/GraphCompute/TableStore)。本文以MaxComputeHologres为例进行说明。

  1. 登录PAI控制台,在左侧导航栏单击数据准备 > 特征平台(FeatureStore)

  2. 选择工作空间后,单击进入FeatureStore

  3. 配置MaxCompute数据源。

    1. 单击管理数据源,进入管理数据源页面后单击新建数据源,在弹出的页面中配置MaxCompute数据源具体参数。

      参数

      取值建议

      类型

      MaxCompute

      名称

      可自定义名称。

      MaxCompute项目名

      选择已创建的MaxCompute项目。

    2. 请复制语句并单击立即前往,同步数据至Hologres,在DataWorks执行该语句后,即可完成授权。

      说明

      授权操作需要您的账号拥有admin权限,具体操作详情请参见通过命令管理用户权限通过控制台(新版)管理用户权限

    3. 完成后单击提交

  4. 配置Hologres数据源。

    1. 单击管理数据源。进入管理数据源页面后单击新建数据源,在弹出的页面中配置Hologres数据源具体参数。

      参数

      取值建议

      类型

      Hologres

      名称

      可自定义名称。

      实例ID

      选择已创建的Hologres实例名称。

      数据库名称

      选择已创建的实例数据库。

    2. 完成后单击提交

    3. 对Hologres进行授权,具体操作详情请参见配置数据源

二、创建并注册FeatureStore

您可以根据实际需求选择通过控制台或者SDK两种方式创建并注册FeatureStore。由于后续导出Training Set和同步数据都需要使用SDK,所以如果选择控制台操作的方式,完成控制台配置后,仍需要安装FeatureStore Python SDK。

方式一:控制台操作

  1. 创建FeatureStore项目

    1. 登录PAI控制台,在左侧导航栏单击数据准备 > 特征平台(FeatureStore)

    2. 选择工作空间后,单击进入FeatureStore

    3. 单击新建项目,在弹出的页面中配置项目参数。

      参数

      取值建议

      名称

      可自定义名称。本文以fs_demo为例进行说明。

      描述

      可自定义描述。

      离线数据源(Offline Store)

      选择已创建的MaxCompute数据源。

      在线数据源(Online Store)

      选择已创建的Hologres数据源。

    4. 单击提交,完成FeatureStore项目创建。

  2. 创建特征实体(Feature Entity)

    1. 在FeatureStore项目列表页面,单击项目名称,进入项目详情页面。

    2. 特征实体页签中单击新建特征实体,在弹出的页面中配置user特征实体参数。

      参数

      取值建议

      特征实体名称

      可自定义名称。本文以user为例进行说明。

      Join Id

      user_id

    3. 单击提交

    4. 单击新建特征实体,在弹出的页面中配置item特征实体参数。

      参数

      取值建议

      特征实体名称

      可自定义名称。本文以item为例进行说明。

      Join Id

      item_id

    5. 单击提交,完成特征实体创建。

  3. 创建特征视图(Feature View)

    1. 在特征项目详情页面的特征视图页签,单击新建特征视图,在弹出的页面中配置user特征视图参数。

      参数

      取值建议

      视图名称

      可自定义名称。本文以user_table_preprocess_all_feature_v1为例进行说明。

      类型

      离线

      写入方式

      使用离线表

      数据源

      选择已创建的MaxCompute数据源。

      特征表

      选择已准备的用户表rec_sln_demo_user_table_preprocess_all_feature_v1

      特征字段

      勾选user_id主键。

      同步在线特征表

      特征实体

      user

      特征生命周期(秒)

      保持默认。

    2. 单击提交

    3. 单击新建特征视图,在弹出的页面中配置item特征视图。

      参数

      取值建议

      视图名称

      可自定义名称。本文以item_table_preprocess_all_feature_v1为例进行说明。

      类型

      离线

      写入方式

      使用离线表

      数据源

      选择已创建的MaxCompute数据源。

      特征表

      选择已准备的物料表rec_sln_demo_item_table_preprocess_all_feature_v1

      特征字段

      勾选item_id主键。

      同步在线特征表

      特征实体

      item

      特征生命周期(秒)

      保持默认。

    4. 完成后单击提交,完成特征视图创建。

  4. 创建Label表

    1. 在特征项目详情页面的Label表页签,单击新建Label表,在弹出的页面中配置Label表信息。

      参数

      取值建议

      数据源

      选择已创建的MaxCompute数据源。

      表名

      选择已准备的Label表rec_sln_demo_label_table

    2. 单击提交

  5. 创建模型特征

    1. 在特征项目详情页面的模型特征页签,单击新建模型特征,在弹出的页面中配置模型特征参数

      参数

      取值建议

      模型特征名

      自定义。本文以fs_rank_v1为例进行说明。

      选择特征

      选择已创建的user特征视图和item特征视图。

      Label表名称

      选择已创建的Label表rec_sln_demo_label_table

    2. 单击提交,完成模型特征创建。

    3. 在模型特征列表页面,单击已创建模型右侧的详情

    4. 在弹出的模型特征详情页面的基本信息页签中,可查看导出表名fs_demo_fs_rank_v1_trainning_set,后续基于该表进行特征生产以及模型训练。

  6. 安装FeatureStore Python SDK,具体操作详情请参见方式二:FeatureStore Python SDK操作

方式二:FeatureStore Python SDK操作

  1. 登录DataWorks控制台界面。

  2. 在左侧导航栏单击资源组列表

  3. 独享资源组页签中,单击相应调度资源后的image.png图标,选择运维助手

  4. 单击创建命令,在弹出的页面中配置命令参数。

    参数

    取值建议

    命令名称

    可自定义名称。本文以install为例进行说明。

    命令类型

    手动输入(无法使用pip命令安装第三方包)

    命令内容

    /home/tops/bin/pip3 install -i https://pypi.tuna.tsinghua.edu.cn/simple https://feature-store-py.oss-cn-beijing.aliyuncs.com/package/feature_store_py-1.3.1-py3-none-any.whl

    超时时间

    可自定义时间。

  5. 单击创建,完成命令创建。

  6. 单击运行命令,在弹出的页面中单击运行

  7. 可单击刷新查看最新执行状态,待状态为成功时,即表示完成安装。

使用SDK的具体操作步骤请参见DSW Gallery

三、导出Training Set并训练模型

  1. 导出Training Set。

    1. 登录DataWorks控制台

    2. 在左侧导航栏单击数据建模与开发 > 数据开发

    3. 选择已创建的DataWorks工作空间后,单击进入数据开发

    4. 鼠标悬停至新建,选择新建节点 > MaxCompute > PyODPS 3,在弹出的页面中配置节点参数。

      参数

      取值建议

      引擎实例

      选择已创建的MaxCompute引擎。

      节点类型

      PyODPS 3

      路径

      业务流程/Workflow/MaxCompute

      名称

      可自定义名称。

    5. 单击确认

    6. 复制以下内容到脚本中。

      from feature_store_py.fs_client import FeatureStoreClient
      from feature_store_py.fs_project import FeatureStoreProject
      from feature_store_py.fs_datasource import LabelInput, MaxComputeDataSource, TrainingSetOutput
      from feature_store_py.fs_features import FeatureSelector
      from feature_store_py.fs_config import LabelInputConfig, PartitionConfig, FeatureViewConfig
      from feature_store_py.fs_config import TrainSetOutputConfig, EASDeployConfig
      import datetime
      import sys
      
      cur_day = args['dt']
      print('cur_day = ', cur_day)
      offset = datetime.timedelta(days=-1)
      pre_day = (datetime.datetime.strptime(cur_day, "%Y%m%d") + offset).strftime('%Y%m%d')
      print('pre_day = ', pre_day)
      
      
      access_key_id = o.account.access_id
      access_key_secret = o.account.secret_access_key
      fs = FeatureStoreClient(access_key_id=access_key_id, access_key_secret=access_key_secret, region='cn-beijing')
      cur_project_name = 'fs_demo'
      project = fs.get_project(cur_project_name)
      
      label_partitions = PartitionConfig(name = 'ds', value = cur_day)
      label_input_config = LabelInputConfig(partition_config=label_partitions)
      
      user_partitions = PartitionConfig(name = 'ds', value = pre_day)
      feature_view_user_config = FeatureViewConfig(name = 'user_table_preprocess_all_feature_v1',
      partition_config=user_partitions)
      
      item_partitions = PartitionConfig(name = 'ds', value = pre_day)
      feature_view_item_config = FeatureViewConfig(name = 'item_table_preprocess_all_feature_v1',
      partition_config=item_partitions)
      feature_view_config_list = [feature_view_user_config, feature_view_item_config]
      train_set_partitions = PartitionConfig(name = 'ds', value = cur_day)
      train_set_output_config = TrainSetOutputConfig(partition_config=train_set_partitions)
      
      
      model_name = 'fs_rank_v1'
      cur_model = project.get_model(model_name)
      task = cur_model.export_train_set(label_input_config, feature_view_config_list, train_set_output_config)
      task.wait()
      print("task_summary = ", task.task_summary)
    7. 单击右侧调度配置,在弹出的页面中配置调度参数。

      参数

      取值建议

      调度参数

      参数名

      dt

      参数值

      $[yyyymmdd-1]

      资源属性

      调度资源组

      选择已创建的独享资源组。

      调度依赖

      选择已创建的user表和item表。

    8. 节点配置并测试完成后,保存并提交节点配置。

    9. 执行补数据操作。操作详情请参见同步数据表

  2. (可选)查看导出任务。

    1. 在FeatureStore项目列表页面,单击项目名称,进入项目详情页面。

    2. 特征实体页签中单击任务中心

    3. 单击目标任务右侧的详情,即可查看该任务的基本信息、运行配置和任务日志。

  3. 训练模型

    EasyRec是一个开源的推荐系统框架,可以与FeatureStore无缝衔接,进行训练模型、导出模型、上线模型的操作。推荐您将fs_demo_fs_rank_v1_trainning_set表作为输入,使用EasyRec训练模型。

更多EasyRec相关的问题,请通过钉钉群(32260796)加入阿里云人工智能平台PAI咨询群联系我们。

四、上线模型

训练并导出模型后,可以进行部署和上线的操作。如果是自建推荐系统,FeatureStore提供FeatureStore Python/Go/Cpp/Java SDK,可以与各式各样的自建推荐系统进行衔接。您也可以通过钉钉群(32260796)联系我们咨询和商讨具体方案。如果是阿里云系列产品,可以和FeatureStore无缝衔接,快速搭建推荐系统上线。

本文以阿里云系列产品为例介绍上线模型操作。

步骤一:例行同步数据节点

上线前需要将数据同步节点例行,即例行将数据从离线数据源同步到在线数据源中,在线会实时地从在线数据源中读取。本示例需要将user特征表和item特征表提交例行,具体操作如下。

  1. 登录DataWorks控制台

  2. 在左侧导航栏单击数据建模与开发 > 数据开发

  3. 选择已创建的DataWorks工作空间后,单击进入数据开发

  4. 同步例行user表。

    1. 鼠标悬停至新建,选择新建节点 > MaxCompute > PyODPS 3

    2. 复制以下内容到脚本中,完成user_table_preprocess_all_feature_v1例行同步。

      from feature_store_py.fs_client import FeatureStoreClient
      import datetime
      from feature_store_py.fs_datasource import MaxComputeDataSource
      import sys
      
      cur_day = args['dt']
      print('cur_day = ', cur_day)
      
      access_key_id = o.account.access_id
      access_key_secret = o.account.secret_access_key
      fs = FeatureStoreClient(access_key_id=access_key_id, access_key_secret=access_key_secret, region='cn-beijing')
      cur_project_name = 'fs_demo'
      project = fs.get_project(cur_project_name)
      
      feature_view_name = 'user_table_preprocess_all_feature_v1'
      batch_feature_view = project.get_feature_view(feature_view_name)
      task = batch_feature_view.publish_table(partitions={'ds':cur_day}, mode='Overwrite')
      task.wait()
      task.print_summary()
    3. 单击右侧调度配置,在弹出的页面中配置调度参数。

      参数

      取值建议

      调度参数

      参数名

      dt

      参数值

      $[yyyymmdd-1]

      资源属性

      调度资源组

      选择已创建的独享资源组。

      调度依赖

      选择已创建的user表。

    4. 节点配置并测试完成后,保存并提交节点配置。

    5. 执行补数据操作。操作详情请参见同步数据表

  5. 同步例行item表。

    1. 鼠标悬停至新增,选择新建节点 > MaxCompute > PyODPS 3,在弹出的页面中配置节点参数。

    2. 单击确认

    3. 复制以下内容到脚本中。

      item_table_preprocess_all_feature_v1 同步例行(单击查看详情)

      from feature_store_py.fs_client import FeatureStoreClient
      import datetime
      from feature_store_py.fs_datasource import MaxComputeDataSource
      import sys
      
      cur_day = args['dt']
      print('cur_day = ', cur_day)
      
      access_key_id = o.account.access_id
      access_key_secret = o.account.secret_access_key
      fs = FeatureStoreClient(access_key_id=access_key_id, access_key_secret=access_key_secret, region='cn-beijing')
      cur_project_name = 'fs_demo'
      project = fs.get_project(cur_project_name)
      
      feature_view_name = 'item_table_preprocess_all_feature_v1'
      batch_feature_view = project.get_feature_view(feature_view_name)
      task = batch_feature_view.publish_table(partitions={'ds':cur_day}, mode='Overwrite')
      task.wait()
      task.print_summary()
    4. 单击右侧调度配置,在弹出的页面中配置调度参数。

      参数

      取值建议

      调度参数

      参数名

      dt

      参数值

      $[yyyymmdd-1]

      资源属性

      调度资源组

      选择已创建的独享资源组。

      调度依赖

      选择已创建的item表。

    5. 节点配置并测试完成后,保存并提交节点配置。

    6. 执行补数据操作。操作详情请参见同步数据表

  6. 同步完成后,可以在Hologres中查看最新同步的特征。

步骤二:创建与部署EAS模型服务

模型服务是为了接收推荐引擎的请求,根据请求对对应的item进行打分,返回分数。其中EasyRec Processor内部包含了FeatureStore Cpp SDK,可以实现低延时、高性能的取特征操作,EasyRec Processor从Feature Store Cpp SDK取完特征后,送入到模型进行推理,拿到打分后返回给推荐引擎。

部署模型服务的流程如下。

  1. 登录DataWorks控制台

  2. 在左侧导航栏单击数据建模与开发 > 数据开发

  3. 选择已创建的DataWorks工作空间后,单击进入数据开发

  4. 鼠标悬停至新增,选择新建节点 > MaxCompute > PyODPS 3

  5. 复制以下内容到脚本中。

    import os
    import json
    config = {
      "name": "fs_demo_v1",
      "metadata": {
        "cpu": 4,
        "rpc.max_queue_size": 256,
        "rpc.enable_jemalloc": 1,
        "gateway": "default",
        "memory": 16000
      },
      "model_path": f"oss://beijing0009/EasyRec/deploy/rec_sln_demo_dbmtl_v1/{args['ymd']}/export/final_with_fg",  # 训练模型路径,可自定义。
      "model_config": {
        "access_key_id": f'{o.account.access_id}',
        "access_key_secret": f'{o.account.secret_access_key}',
        "region": "cn-beijing",  # 请替换为PAI产品实际部署地域,本文以cn-beijing为例进行说明。
        "fs_project": "fs_demo",  # 请替换为您的FeatureStore项目名称,本文以fs_demo为例进行说明。
        "fs_model": "fs_rank_v1",  # 请替换为您的FeatureStore模型特征名称,本文以fs_rank_v1为例进行说明。
        "fs_entity": "item",
        "load_feature_from_offlinestore": True,
        "steady_mode": True,
        "period": 2880,
        "outputs": "probs_is_click,y_ln_playtime,probs_is_praise",
        "fg_mode": "tf"
      },
      "processor": "easyrec-1.8",
      "processor_type": "cpp"
    }
    
    with open("echo.json", "w") as output_file:
        json.dump(config, output_file)
    
    # 第一次部署时运行下面这行
    os.system(f"/home/admin/usertools/tools/eascmd -i {o.account.access_id} -k {o.account.secret_access_key} -e pai-eas.cn-beijing.aliyuncs.com create echo.json")
    
    # 例行更新时运行下面这行
    # os.system(f"/home/admin/usertools/tools/eascmd -i {o.account.access_id} -k {o.account.secret_access_key} -e pai-eas.cn-beijing.aliyuncs.com modify fs_demo_v1 -s echo.json")
  6. 单击右侧调度配置,在弹出的页面中配置调度参数。

    参数

    取值建议

    调度参数

    参数名

    dt

    参数值

    $[yyyymmdd-1]

    资源属性

    调度资源组

    选择已创建的独享资源组。

    调度依赖

    选择对应的训练任务和item_table_preprocess_all_feature_v1。

  7. 节点配置并测试完成后,运行查看部署情况。

  8. 部署完成后,注释掉第35行代码,并将38行取消注释,提交任务例行。

  9. (可选)您可以在EAS模型在线服务页面的推理服务页签,查看已部署的服务。操作详情请参见服务部署:控制台

步骤三:配置PAI-REC

PAI-REC是推荐引擎服务,其中集成了FeatureStore的Go SDK,可以与FeatureStore和EAS无缝衔接。

具体配置步骤如下。

  1. 配置FeatureStoreConfs。

    • RegionId:修改为产品实际所在区域,此处以cn-beijing为例。

    • ProjectName:已创建的FeatureStore项目名称,fs_demo

        "FeatureStoreConfs": {
            "pairec-fs": {
                "RegionId": "cn-beijing",
                "AccessId": "${AccessKey}",
                "AccessKey": "${AccessSecret}",
                "ProjectName": "fs_demo"
            }
        },
  2. 配置FeatureConfs。

    • FeatureStoreName :和上一步FeatureStoreConfs中的设置pairec-fs保持一致。

    • FeatureStoreModelName :已创建的模型特征名称,fs_rank_v1

    • FeatureStoreEntityName :已创建的特征实体名称,user。表示让PAI-REC中的FeatureStore Go SDK来取模型fs_rank_v1中特征实体为user侧的特征。

        "FeatureConfs": {
            "recreation_rec": {
                "AsynLoadFeature": true,
                "FeatureLoadConfs": [
                    {
                        "FeatureDaoConf": {
                            "AdapterType": "featurestore",
                            "FeatureStoreName": "pairec-fs",
                            "FeatureKey": "user:uid",
                            "FeatureStoreModelName": "fs_rank_v1",
                            "FeatureStoreEntityName": "user",
                            "FeatureStore": "user"
                        }
                    }
                ]
            }
        },
  3. 配置AlgoConfs。

    此配置代表告诉PAI-REC去连接哪一个EAS模型打分服务。

    • Name:和部署的EAS服务名称一致。

    • UrlAuth:EAS服务给出的信息,您可以在EAS模型在线服务页面单击服务名称,然后在服务详情页签单击查看调用信息获取URL和Token。更多详细配置可参见PAI-REC和EAS常见问题

        "AlgoConfs": [
            {
                "Name": "fs_demo_v1",
                "Type": "EAS",
                "EasConf": {
                    "Processor": "EasyRec",
                    "Timeout": 300,
                    "ResponseFuncName": "easyrecMutValResponseFunc",
                    "Url": "eas_url_xxx",
                    "EndpointType": "DIRECT",
                    "Auth": "eas_token"
                }
            }
        ],
  4. 配置完成后,关于如何使用PAI-REC,请参见什么是推荐全链路深度定制开发平台PAI-REC

  • 本页导读 (1)
文档反馈