提交排序任务API
功能介绍
用于提交排序训练作业。
请求消息
请求参数请参见表2。
|
参数名称 |
是否必选 |
参数类型 |
说明 |
|---|---|---|---|
|
workspace_id |
否 |
String |
工作空间ID，默认为0。 |
|
job_name |
是 |
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 |
否 |
String |
训练作业描述，最大长度为256字符。 |
|
spec_id |
是 |
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 |
是 |
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 |
是 |
String |
训练数据的OBS路径。 |
|
test_data_path |
是 |
String |
测试数据的OBS路径。 |
|
algorithm_type |
是 |
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 |
是 |
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 |
否 |
JSON |
其他配置，预留字段。 |
响应消息
响应参数请参见表3。
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。
