阿里云人工智能平台PAI
-
阿里云人工智能平台PAI使用DataWorks离线调度Studio实验-云淘科技
离线调度功能是机器学习的常见场景，您需要通过离线调度功能周期性地更新模型，帮助您构建模型训练的Pipeline。PAI Studio支持与DataWorks互通，实现Studio实验的周期性调度。本文为您介绍如何使用DataWorks实现Studio实验的离线调度。 背景信息 实验的所有节点都运行成功后，您可以部署整个实验流程至离线调度，定时运行。说明 离线…
-
阿里云人工智能平台PAIDSSM向量召回-云淘科技
本文为您介绍推荐解决方案生成的DSSM（Deep Structured Semantic Model）向量召回。 前提条件 已运行推荐解决方案-特征工程工作流模板生成向量召回的数据集，具体操作请参见特征工程。 rec_sln_demo_user_table_preprocess_all_feature_v2 rec_sln_demo_item_table_p…
-
阿里云人工智能平台PAI使用ALS算法实现音乐评分预测（旧版）-云淘科技
通常，每个人对每个商品（例如电影或音乐）都有一个心理分数，该分数表示用户对商品的满意程度。作为商品提供方，如果能够预测每个用户对商品的心理分数，就能更好地理解用户，从而提供更好的商品推荐。本文为您介绍如何使用ALS矩阵分解算法预测用户对音乐的评分。 前提条件 已创建工作空间，详情请参见创建工作空间。 ALS算法 交替最小二乘ALS（Alternating L…
- 信息流广告，信息流部分建议宽度830px，只针对默认列表样式，顺序随机
-
阿里云人工智能平台PAI使用EasyRec构建推荐模型-云淘科技
EasyRec可以帮助您快速构建推荐模型。本文以读取MaxCompute表数据为例，介绍如何使用EasyRec进行模型训练、配置任务例行化及部署模型。 前提条件 开通OSS，并创建Bucket，详情请参见开通OSS服务和控制台创建存储空间。 重要 创建Bucket时，不要开通版本控制，否则同名文件无法覆盖。 开通PAI，并完成OSS访问授权，详情请参见开通和…
-
阿里云人工智能平台PAI基于二部图GraphSAGE算法实现推荐召回-云淘科技
本文为您介绍如何使用二部图GraphSAGE算法，快速生成推荐召回场景中的User和Item向量。 背景信息 图神经网络是深度学习的热点发展方向，PAI开源Graph-Learn框架，提供大量图学习算法。二部图GraphSAGE是经典的图神经网络算法，而GraphSAGE为二部图场景扩展，被用于淘宝的推荐召回场景。 在二部图场景下，可以将User和Item作…
-
阿里云人工智能平台PAI使用协同过滤实现商品推荐-云淘科技
本文为您介绍如何使用协同过滤算法实现商品推荐。 背景信息 数据挖掘的一个经典案例就是尿布与啤酒的案例。尿布与啤酒看似毫不相关的商品，当超市将其摆放至相邻货架时，会大幅度提高二者销量。您可以通过数据挖掘中的协同过滤算法挖掘商品之间的隐含关系，从而提高销售额。 协同过滤算法是一种基于关联规则的算法。以购物行为为例，如果用户甲和用户乙都购买了商品A和商品B，则可以…
-
阿里云人工智能平台PAI基于Alink框架的FM推荐-云淘科技
FM（Factorization Machine）算法兼顾特征之间的相互作用，是一种非线性模型， 适用于电商、广告及直播等推荐场景。PAI-Designer使用FM训练、FM预测及评估组件预置了FM算法模板，您可以使用该算法模板构建基于Alink框架的FM推荐模型。 本文为您介绍如何通过PAI-Designer预置的FM算法模板，快速构建推荐模型。 操作步骤…
-
阿里云人工智能平台PAI使用FM-Embedding实现推荐召回-云淘科技
在推荐业务场景中，使用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。 已将Max…
-
阿里云人工智能平台PAI推荐业务端到端的完整方案-云淘科技
本文为您介绍实现推荐系统的完整方案。 详细的端到端实现文档请参见PAI平台搭建企业级个性化推荐系统。 内容没看懂？ 不太想学习？想快速解决？ 有偿解决： 联系专家阿里云企业补贴进行中： 马上申请腾讯云限时活动1折起，即将结束： 马上收藏同尘科技为腾讯云授权服务中心。 购买腾讯云产品享受折上折，更有现金返利:同意关联，立享优惠
-
阿里云人工智能平台PAI基于对象特征的推荐-云淘科技
本文为您介绍如何基于对象特征进行商品推荐。 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 该工作流首先对一份真实电商的4月份和5月份数据进行模型训练并生成预测模型，然后通过6月份的购物数据对该预测模型进行评估，最终选择最优的模型，并将其部署为EAS服务供业务方调用。 重要 本工作流使用的数据为真实电商脱敏数据，仅用于学习，请勿商用。 该工作流…
