策略参数说明

data_source_config

是

JSON

请参见表3，数据源参数配置。

algorithm_config

是

JSON

算法参数配置。

candidate_set_config

是

JSON

请参见表4，候选集参数配置。

behavior_type

是

String

行为类型。

• view：物品曝光
• click：用户点击物品
• collect：用户收藏了某个物品
• uncollect：用户取消收藏某个物品
• search_click：用户点击搜索结果中的物品
• comment：用户对物品的评论
• share: 分享
• like：点赞
• dislike：点衰
• grade：评分
• consume：消费
• use：观看视频/听音乐/阅读

start_time

与retain_day二选一

long

用户行为起始时间，与end_time共存。

end_time

与retain_day二选一

long

用户行为结束时间，与start_time共存。

retain_day

与start_time二选一

Integer

用户行为时间跨度，整数 [1,10000]。

is_recommended_by_category

是

Boolean

按类别推荐（true/false）。

data_source_config

是

JSON

请参见表6，数据源参数配置。

algorithm_config

是

JSON

算法参数配置。

candidate_set_config

是

JSON

请参见表8，候选集参数配置。

behavior_weights

是

List

请参见表7，行为权重。

start_time

与retain_day二选一

long

用户行为起始时间。和end_time共存。

end_time

与retain_day二选一

long

用户行为结束时间。和start_time共存。

retain_day

与start_time二选一

Integer

用户行为时间跨度，整数 [1,10000]。

behavior_type

是

String

行为类型。

• view：物品曝光
• click：用户点击物品
• collect：用户收藏了某个物品
• uncollect：用户取消收藏某个物品
• search_click：用户点击搜索结果中的物品
• comment：用户对物品的评论
• share: 分享
• like：点赞
• dislike：点衰
• grade：评分
• consume：消费
• use：观看视频/听音乐/阅读

weight

是

Double

权重（(0, 1] 数字，小数保留1位）。

is_recommended_by_category

是

Boolean

按类别推荐（true/false）。

data_source_config

是

JSON

请参见表10，数据源参数配置。

algorithm_config

是

JSON

请参见表11，算法参数配置。

candidate_set_config

是

JSON

请参见表12，候选集参数配置。

retain_days

是

Integer

用户行为时间跨度，整数 [1,10000]。

behavior_weights

是

List

请参见表7（不包含uncollect和dislike），行为权重。

similar_metric

是

String

相似性度量方式（'cosine'）。

max_recommended_num

是

Integer

最大推荐结果数，正整数[ 1,10000]。

data_source_config

是

JSON

请参见表14，数据源参数配置。

algorithm_config

是

JSON

请参见表15，算法参数配置。

candidate_set_config

是

JSON

请参见表16，候选集参数配置。

retain_days

是

Integer

用户行为时间跨度，整数 [1,10000]。

behavior_weights

是

List

请参见表7（不包含uncollect和dislike），行为权重。

similar_metric

是

String

相似性度量方式（“cosine”）。

user_nn

是

Integer

用户最近邻域数，正整数 [1,100000000]。

max_recommended_num

是

Integer

最大推荐结果数，正整数 [1,10000]。

data_source_config

是

JSON

请参见表18，数据源参数配置。

algorithm_config

是

JSON

请参见表19，算法参数配置。

candidate_set_config

是

JSON

候选集参数配置。

retain_days

是

Integer

用户行为时间跨度，整数[ 1,10000]。

behavior_weights

是

List

请参见表7，行为权重。

implicit_vector_rank

是

Integer

隐向量维度，整数[ 1,1000]。

max_iterator_num

是

Integer

最大迭代次数， 整数 [1,2000)。

regular_param

是

Double

正则化系数，大于0 小于等于1，小数最多保留8位）。

data_source_config

是

JSON

请参见表21，数据源参数配置。

algorithm_config

是

JSON

请参见表22，算法参数配置。

candidate_set_config

是

JSON

候选集参数配置。

retain_days

是

Integer

用户行为时间跨度 ，整数 [1,10000]。

history_behavior_memories

是

List

请参见表23，历史行为记忆。

behavior_type

是

String

行为类型。

• view：物品曝光
• click：用户点击物品
• collect：用户收藏了某个物品
• uncollect：用户取消收藏某个物品
• search_click：用户点击搜索结果中的物品
• comment：用户对物品的评论
• share: 分享
• like：点赞
• dislike：点衰
• grade：评分
• consume：消费
• use：观看视频/听音乐/阅读

least_intension

是

Integer

最低强度，整数[1,100]。

data_source_config

是

JSON

数据源参数配置。

algorithm_config

是

JSON

请参见表25，算法参数配置。

candidate_set_config

是

JSON

候选集参数配置。

obs_address

是

String

人工录入候选集地址obs地址，格式为xx//xxx ， //后边不能包含.[^?*<>|\":]等特殊字符，最大长度256字符。

portrait_storage

是

JSON

请参见表27，用户画像，物品画像的存储信息。

global_features_information_path

是

String

全局特征信息文件。

match_feature_pairs

是

List

请参见表30，待匹配特征对。

recommended_number

是

Integer

输出的推荐个数【1~1000】。

row

是

Integer

行数。

band

是

Integer

条数。

item_profile_storage

是

JSON

请参见表28，用户画像存储信息。

user_profile_storage

是

JSON

请参见表28，用户画像存储信息。

platform

是

String

平台名称，现支持CloudTable。

platform_parameter

是

JSON

请参见表29，数据存储参数。

cluster_id

是

String

集群ID。

table_name

是

String

表名称，最大长度64字符。

cluster_name

否

String

集群名称。

user_feature_name

是

String

用户特征。

item_feature_name

是

String

物品特征。

alias

是

String

别名。

weight

是

String

权重值，默认为1。

fields_feature_size_path

是

String

该文件标识了每一个域下的特征数量，排序数据处理接口会生成这个文件，文件路径为用户在排序数据预处理中输入的结果保存路径参数表示的路径的“fields_feature_size”目录下，文件名称为“part-00000”，需要用户提供文件完整路径。

max_iterations

是

Int

模型训练的最大迭代轮数。取值范围[1,1000]。

early_stop_iterations

是

Int

在测试集上连续early_stop_iterations轮迭代的AUC小于当前最优AUC时，迭代停止，训练结束。取值范围[1,1000]，不大于max_iterations。

initial_parameters

是

JSON

请参见表32，初始化相关参数。

示例：

{

“initial_method”:“normal”,“mean_value”: 0， “standard_deviation”:0.001

}

optimize_parameters

是

JSON

请参见表33，优化策略相关参数。

示例：

{

“type”:“adam”,

“epsilon”：1e-08，

“learning_rate”：0.001

}

regular_parameters

是

JSON

请参见表34，正则相关参数。

示例：

{

"l2_regularization":0.001,

"regular_loss_compute_mode":"full"

}

algorithm_specify_parameters

是

JSON

-

正态分布(normal)

平均值(mean_value)

是

Double

正态分布的平均值。取值范围[-1,1]，默认值为0。

标准差(standard_deviation)

是

Double

正态分布的标准差。取值范围[0, 1]，默认值为0.001。

均匀分布(uniform)

最小值(min_value)

是

Double

均匀分布的最小值，

必须小于最大值。取值范围[-1, 0)，默认值为-0.001。

最大值(max_value)

是

Double

均匀分布的最大值，

必须大于最小值。取值范围(0,1]，默认值为0.001。

xavier

无

是

无

神经元的初始值权重初始化为均值为0，方差为 Var(wi)=1/nin 的均匀分布（高斯或者随机分布）。其中 nin 是该神经元的输入数目。

梯度下降(grad)

学习率(learning_rate)

是

Double

决定优化器在优化方向上前进步长的参数。取值范围(0,1]，默认值为0.001。

自适应梯度(adagrad)

初始梯度累加和

(initial_accumulator_value)

是

Double

用来动态调整学习步长。取值范围(0,1]，默认值为0.1。

学习率(learning_rate)

是

Double

决定优化器在优化方向上前进步长的参数。取值范围(0,1]，默认值为0.001。

自适应矩估计(adam)

数值稳定常量(epsilon)

是

Double

为保证数值稳定而设置的一个微小常量。取值范围(0,1]，默认值为1.00E-08。

学习率(learning_rate)

是

Double

决定优化器在优化方向上前进步长的参数。取值范围(0,1]，默认值为0.001。

在线学习(ftrl)

初始梯度累加和

(initial_accumulator_value)

是

Double

用来动态调整学习步长。取值范围(0,1]，默认值为0.1。

L1正则项系数(lambda1)

是

Double

叠加在模型的1范数之上，用来对模型值进行限制防止过拟合。取值范围[0,1]，默认值为0。

L2正则项系数(lambda2)

是

Double

叠加在模型的2范数之上，用来对模型值进行限制防止过拟合。取值范围[0,1]，默认值为0。

学习率(learning_rate)

是

Double

决定优化器在优化方向上前进步长的参数。取值范围(0,1]，默认值为0.1。

L2正则项系数

(l2_regularization)

是

Double

叠加在模型的2范数之上，用来对模型值进行限制防止过拟合。取值范围[0,1]，默认值为0。

正则损失计算方式

(regular_loss_compute_mode)

是

enum

full指针对全量参数计算，batch则仅针对当前批数据中出现的参数计算，batch模式计算速度快于full模式。默认full。

fields_feature_size_path

是

String

该文件标识了每一个域下的特征数量，排序数据处理接口会生成这个文件，文件路径为用户在数据处理中输入的“run_path”参数表示的路径的“fields_feature_size”目录下，文件名称为“part-00000”，需要用户提供文件完整路径。

max_iterations

是

Int

模型训练的最大迭代轮数。取值范围[1,1000]。

early_stop_iterations

是

Int

在测试集上连续early_stop_iterations轮迭代的AUC小于当前最优AUC时，迭代停止，训练结束。取值范围[1,1000]，不大于max_iterations。

algorithm_specify_parameters

是

JSON

请参见表36，算法相关参数。

示例：

{

“latent_vector_length”:10

}

initial_parameters

是

JSON

请参见表32，初始化相关参数。

示例：

{

“initial_method”:“normal”,

“mean_value”: 0.0， “standard_deviation”:0.001

}

optimize_parameters

是

JSON

请参见表33，优化策略相关参数。

示例：

{

“type”:“adam”,

“epsilon”：1e-08，

“learning_rate”：0.001

}

regular_parameters

是

JSON

请参见表34，正则相关参数。

示例：

{

"l2_regularization":0.001,

"regular_loss_compute_mode":"full"

}

隐向量长度（latent_vector_length)

是

Int

分解后的特征向量的长度。取值范围[1,1000]，默认值10。

fields_feature_size_path

是

String

该文件标识了每一个域下的特征数量，排序数据处理接口会生成这个文件，文件路径为用户在数据处理中输入的“run_path”参数表示的路径的“fields_feature_size”目录下，文件名称为“part-00000”，需要用户提供文件完整路径。

max_iterations

是

Int

模型训练的最大迭代轮数。取值范围[1,1000]

early_stop_iterations

是

Int

在测试集上连续early_stop_iterations轮迭代的AUC小于当前最优AUC时，迭代停止，训练结束。取值范围[1,1000]，不大于max_iterations。

algorithm_specify_parameters

是

JSON

请参见表38，算法相关参数。

示例：

{

“latent_vector_length”：10，

“architecture”：[400,400,400]，

“value_keep_probability”: 0.8,

“active_function”:“reul”

}

initial_parameters

是

JSON

请参见表32，初始化相关参数。

示例：

{

“initial_method”:“normal”,

“mean_value”: 0.0， “standard_deviation”：0.001

}

optimize_parameters

是

JSON

请参见表33，优化策略相关参数。

示例：

{

“type”:“adam”,

“epsilon”：1e-08，

“learning_rate”：0.001

}

regular_parameters

是

JSON

请参见表34，正则相关参数。

示例：

{

"l2_regularization":0.001,

"regular_loss_compute_mode":"full"

}

隐向量长度

（latent_vector_length)

是

Int

分解后的特征向量的长度。取值范围[1,100]，默认10。

神经网络结构

(architecture)

是

List[Int]

神经网络的层数与每一层神经元节点个数。每一层神经元节点数不大于5000，神经网络层数不大于10。默认为400,400,400。

神经元值保留概率

(value_keep_probability)

是

Double

神经网络前向传播过程中以该概率保留神经元的值。取值范围(0,1]，默认0.8。

激活函数

(active_function)

是

Enum

将一个（或一组）神经元的值映射为一个输出值。取值为relu/sigmoid/tanh，默认relu。

fields_feature_size_path

是

String

该文件标识了每一个域下的特征数量，排序数据处理接口会生成这个文件，文件路径为用户在数据处理中输入的“run_path”参数表示的路径的“fields_feature_size”目录下，文件名称为“part-00000”，需要用户提供文件完整路径。

max_iterations

是

Int

模型训练的最大迭代轮数。取值范围[1,1000]，默认50。

early_stop_iterations

是

Int

在测试集上连续early_stop_iterations轮迭代的AUC小于当前最优AUC时，迭代停止，训练结束。取值范围[1,1000]，不大于max_iterations，默认5。

algorithm_specify_parameters

是

JSON

请参见表40，算法相关参数。

示例：

{

"latent_vector_length":10,

"active_function":"relu",

"architecture":[400,400,400],

"value_keep_probability":0.8,

"sub_net_architecture":[40,5],

"is_drop_fm":"False"

}

initial_parameters

是

JSON

请参见表32，初始化相关参数。

示例：

{

“initial_method”:“xavier”

}

optimize_parameters

是

JSON

请参见表33，优化策略相关参数。

示例：

{

“type”:“adam”,

“epsilon”：1e-08，

“learning_rate”：0.001

}

regular_parameters

是

JSON

请参见表34，正则相关参数。

示例：

{

"l2_regularization":0.001,

"regular_loss_compute_mode":"full"

}

隐向量长度

（latent_vector_length)

是

Int

分解后的特征向量的长度。取值范围[1,100]，默认10。

神经网络结构

(architecture)

是

List[Int]

神经网络的层数与每一层神经元节点个数。每一层神经元节点数取值范围为[1,1000]，神经网络层数不大于5。默认400,400,400。

神经元值保留概率

(value_keep_probability)

是

Double

神经网络前向传播过程中以该概率保留神经元的值。取值范围(0,1]，默认0.8。

激活函数

(active_function)

是

Enum

将一个（或一组）神经元的值映射为一个输出值。取值relu/sigmoid/tanh，默认relu。

子网络结构

(sub_net_architecture)

是

List[Int]

特征向量之间使用神经网络核来计算相互关系时，该神经网络的结构。每一层的节点数取值范围为[1,100]，深度不超过5层。默认40,5。

是否移除因子分解机

(is_drop_fm)

是

Boolean

是否移除模型架构中的因子分解机部分，值为True则蜕变为带有核函数的DNN。取值true/false，默认false。