更新时间:2022-04-25 GMT+08:00
分享

提交排序任务API

功能介绍

用于提交排序训练作业。

URI

POST /v1/{project_id}/rank-job

参数说明请参见表1

表1 URI参数说明

名称

是否必选

类型

说明

project_id

String

项目编号,用于资源隔离。获取方法请参见获取项目ID

请求消息

请求参数请参见表2

表2 请求参数说明

参数名称

是否必选

参数类型

说明

workspace_id

String

工作空间ID,默认为0。

job_name

String

训练作业名称,名称只包含数字、字母、下划线和中划线,长度为1-20位。如:rank-demo。

job_description

String

训练作业描述,最大长度为256字符。

spec_id

Int

训练作业选择的资源规格ID。在使用ModelArts之前需要查询ModelArts服务AK/SK并确保关联AK/SK到ModelArts服务,然后通过查询ModelArts计算节点规格获取spec_id返回的值。

run_path

String

训练结果保存根路径,训练完成后,会将模型和日志文件保存在该路径下。不包含中文的文件夹。

training_data_path

String

训练数据的OBS路径。

test_data_path

String

测试数据的OBS路径。

algorithm_type

String

算法名称,推荐系统内部定义,必须为LR、FM、FFM、DEEPFM、PIN中的某一个。

algorithm_parameters

JSON

每个算法有其各自的参数列表,包括初始化、最优化、正则项等参数。

逻辑斯蒂回归算法是一种广义的线性回归分析模型,常用于数据挖掘、疾病自动诊断、经济预测等领域。逻辑斯蒂回归算法通过在线性回归的基础上叠加一个sigmoid激活函数将输出值映射到[0,1]之间,是机器学习领域里常用的二分类算法。LR算法参数请参见逻辑斯蒂回归

因子分解机算法是一种基于矩阵分解的机器学习算法,能够自动进行二阶特征组合、学习特征之间的关系,无需人工经验干预,同时能够解决组合特征稀疏的问题。FM算法参数请参见因子分解机

域感知因子分解机是因子分解机的改进版本,因子分解机每个特征对其他域的隐向量都一致,而域感知因子分解机每个特征对其他每个域都会学习一个隐向量,能够达到更高的精度,但也更容易出现过拟合。FFM算法参数请参见域感知因子分解机

深度网络因子分解机,结合了因子分解机和深度神经网络对于特征表达的学习,同时学习高阶和低阶特征组合,从而达到准确地特征组合学习,进行精准推荐。DEEPFM算法参数请参见深度网络因子分解机

核函数特征交互神经网络是深度网络因子分解机的改进版本,深度网络因子分解机通过向量点乘来计算特征之间的关系,而核函数特征交互神经网络使用不同的核(kernel)来对特征交互进行建模,以此来计算两个域中特征的相互关系,其中核的种类包括向量内积外积、矩阵乘法、神经网络等。利用核函数建模特征交互,实现了参数共享,减小了模型复杂度。PIN算法请参见核函数特征交互神经网络

config

JSON

其他配置,预留字段。

响应消息

响应参数请参见表3

表3 响应参数说明

参数名称

参数类型

说明

is_success

Boolean

请求是否成功。

error_msg

String

请求失败时的错误信息,请求成功时无此字段。

error_code

String

请求失败时的错误码,请求成功时无此字段。

job_id

Long

训练作业的ID。

job_name

String

训练作业的名称。

create_time

Long

训练作业的创建时间。

示例

  • 请求示例
    {
      "job_name": "hhx-1214-11",
      "spec_id": 2,
      "run_path": "<训练结果保存根路径>",
      "training_data_path": "<训练数据的OBS路径>",
      "test_data_path": "<测试数据的OBS路径>",
      "algorithm_type": "DEEPFM",
      "algorithm_parameters": {
        "fields_feature_size_path": "<特征数据存储路径>",
    
        "max_iterations": 10,
        "early_stop_iterations": 5,
        "algorithm_specify_parameters": {
          "latent_vector_length": 10,
          "architecture": [
            400,
            400,
            400
          ],
          "value_keep_probability":0.8,
          "active_function": "relu"
        },
        "regular_parameters": {
          "l2_regularization": 0.001,
          "regular_loss_compute_mode": "full"
        },
        "initial_parameters": {
          "initial_method": "normal",
          "mean_value": -0.001,
          "standard_deviation": 0.001
        },
        "optimize_parameters": {
          "type": "grad",
          "learning_rate": 1
        }
      }
    }
  • 成功响应示例
    {
        "is_success": true,
        "job_id": "27fa7f0a7b584eddbbcbb01be26de825",
        "job_name": "rank-12-03-012",
        "create_time": 1543978313378
     }
  • 失败响应示例
    {
        "is_success": false,
        "error_code": "res.4103",
        "error_msg": "Duplicate name."
    }

状态码

状态码请参见状态码

分享:

    相关文档

    相关产品

close