果右侧的参数说明，如表1所示。 表1 特征画像参数说明 参数 说明 设备数 需要检测的KPI对象的数量，如设备或端口的数目。 样本数 训练数据总的样本数。 采样率 采样频率，单位为秒。60的含义为每60秒采样一次。 开始时间 采样的时间跨度。 结束时间 周期 是否有周期的特性，给出评估的值。

查看更多 →

业务画像-画像更新 业务画像-画像更新页面，左侧选择对应的目录，右侧展示对应的标签，单击执行更新，更新成功后，可查看详情和历史 图1 画像更新1 更新成功后，标签创建页面，对应标签覆盖数量为中标的数量，单击详情可查看标签的基础信息、标签评估分析和具体明细数据 图2 画像更新2 图3

查看更多 →

UserCF算法生成的用户-物品列表候选集。 基于交替最小二乘的矩阵分解推荐 基于交替最小二乘的矩阵分解推荐：基于用户-物品的行为信息作为原始矩阵，利用ALS优化算法对原始矩阵进行矩阵分解，分解之后的用户隐向量矩阵和物品隐向量矩阵可以用来生成预估的新的用户-物品评分矩阵，提取出评分最高的若干个物品作为召回结果。

查看更多 →

候选集的召回策略 召回候选集的策略。 兴趣标签召回候选集：根据用户画像的兴趣标签召回候选集。 实时标签召回候选集：根据用户实时操作的物品的标签召回候选集。 默认兴趣标签召回候选集。 兴趣宽度 生成候选集中的兴趣宽度，值越小候选集中的类型越少。 说明： 选择兴趣宽度数量对应的，权重

查看更多 →

是广东且性别为男性的用户。 物品属性：指定在物品属性中需要过滤的字段，包含属性名和属性值。来源于画像数据，即特征工程中初始用户画像-物品画像-标准宽表生成算子作业输出的数据，物品属性的名称来自于公共配置的全局特征信息文件。如过滤产品颜色为红色且产品品牌为华为的物品。 排序方式 “点击率预估”

查看更多 →

“合法条目数”、“非法条目数”、“重复度”和“合法率”信息。 类型包括生成的用户、物品、行为数据。您可以通过单击左侧的查看具体报告信息。 “名称”项显示具体参数的名称。 “条目数”显示各种类型数据的具体数量。 图1 查看报告 如果导入错误，会生成“数据导入错误报告”，显示数据“类

查看更多 →

运行结果如下所示： 特征推荐：学件推荐的特征，除了一些通用的特征（最值、均值等），还有一部分是专门为类似KPI做的异常检测效果比较好的特征。通常采用滑窗的方式做异常检测。目前所有窗口的长度，是根据数据的周期性、样本数、周期的个数等数据特点推荐的。窗口的长度均可以修改，如果用户对算法比

查看更多 →

进行候选推荐结果集的生成。 各个召回策略的详细参数设置和输入输出请单击下方链接查看。 基于特定行为热度推荐 基于综合行为热度推荐 基于物品的协同过滤推荐 基于用户的协同过滤推荐 基于交替最小二乘的矩阵分解推荐 业务规则-基于历史行为记忆生成候选集 业务规则-人工导入 基于属性匹配的召回策略

查看更多 →

得超过行为数据的时间范围。 测试数据时间：测试数据起始时间和终止时间，该起始时间和终止时间不得超过行为数据的时间范围。 “RATE” 训练数据占比：生成的结果中，训练集占整个训练集和测试集的比例，默认0.7。 测试数据占比：生成的结果中，训练集占整个训练集和测试集的比例，默认0.3。

查看更多 →

有高度的整合能力。 画像数据存储和查询 应用场景： 画像通常用一些标签来刻画自然人/物的特征，而每一个自然人/物所拥有的标签集合是不确定的，数据更新非常频繁，这类数据被广泛应用于市场决策、推荐以及广告系统中。 优势 稀疏矩阵 HBase的稀疏矩阵模型，天然适合非结构化数据的存储，

查看更多 →

出每种终端款型的行为特征。 竞争力 相比传统统一策略的漫游引导，智能漫游差异化的引导改善了漫游策略终端私有，网络侧主动引导成功率低业界难题，实现漫游成功率提升至90%，漫游体现提升。 相比业界定制化的漫游策略（网络厂商与部分终端厂商合作），存在只能优化部分手机款型的漫游体验，其他

查看更多 →

这里会结合前面的算子“预测场景需求”、“特征画像”和“可预测性评估”的运行结果，综合评估推荐出最适合的预测算法，并利用超参优化，对推荐出的模型进行超参寻优。 单击“算法选择”左侧的图标，完成算法选择。 代码运行过程中，下方会不断的打印运行日志。代码运行完成后，可以看到“算法推荐”信息。 单击界面左下方的“模型训练”，界面新增“模型训练”内容。

查看更多 →

。在作业列表中，刚创建的离线作业“状态”为“计算中”，当离线作业的“状态”变为“计算成功”时，表示作业运行结束，检测完的数据将使用于离线作业。当离线作业的“状态”变为“计算失败”时，您可以单击作业的名称，进入详情页面，通过查看日志等手段处理问题。 父主题： 离线作业

查看更多 →

数据特征 数据分析 数据处理 特征工程 父主题： 预置算子说明

查看更多 →

从下拉框中选择当前数据操作流的名字。 操作流变量名 如果存在多个数据操作流，可重命名操作流对象的变量名，以避免冲突。 单击图标，运行“删除列”代码框内容。 选择列 如果数据的特征量大，而大多数特征对模型训练无效，可通过“选择列”保留仅对模型训练有意义的特征。 操作步骤如下所示。 单击界面右上角的图标，选择“数据处理

查看更多 →

行为类型：选择需要进行评估的行为类型，如物品曝光。 阈值：阈值是用来衡量用户行为有效性的标准， 当数据源的actionMeasure的值大于阈值时， 当前用户行为有效。 去重：您可以单击勾选，根据用户对行为记录去重。 指标设置 指标名称：请您定义评估的指标名称。 指标公式：用户指

查看更多 →

减少人工运营规则的摄入，减低人力成本。 全流程自动化，批/流训练结合，稳定可靠。 图2 RES媒资推荐 RES+房产应用场景 场景描述 推荐系统助力房产企业APP实现首页推荐、详情推荐和个人中心推荐。 场景优势： 支持基于经纬度的向量召回，根据地理位置召回高匹配度的附近房源。 特征标签网状匹配。

查看更多 →

Redis存储的自研分析数据进行匹配分析，提高定向投放和筛选能力。 业务痛点 RTA业务系统的海量数据、超高并发、低时延等特点，对存储海量用户特征数据的特征数据库带来了巨大的挑战，特征数据库要在低成本的基础上，提供高稳定性、高性能的能力，满足业务诉求。 该金融科技企业RTA业务

查看更多 →

用户数据包括数据源中的“用户属性表”和用于近线计算的“用户画像”数据。用户数据记录用户的属性信息，例如地域、爱好等。 物品数据 物品数据包括数据源中的“物品属性表”和用于近线计算的“物品画像”数据。物品数据记录物品的属性信息，例如类别、长度等。 行为数据 行为数据包括数据源中的“用户操作行

查看更多 →

置调度的时间间隔。 基于用户的协同过滤推荐 基于用户的协同过滤推荐采用经典算法基于用户的协同过滤(UserCF)进行召回。基于用户的协同过滤算法是通过用户的历史行为数据发现用户对物品的喜欢（如购买，收藏，内容评论或分享），并对这些喜好进行度量和打分。根据不同用户对相同物品的态度和

查看更多 →

为防止资源滥用，平台限定了各服务资源的配额，对用户的资源数量和容量做了限制。 表1 RES服务配额 资源 限制条件 建议 推荐引擎预测接口中最多请求结果数量 20 可提工单支持更高规格。 单份画像数据中最多支持的特征数量 30 单场景在线服务最多支持每秒请求的次数(TPS) 200 数据源个数

查看更多 →