样本

离线样本

  • 离线样本可以使用SQL在MaxCompute或者Hive/Spark平台上构造.

  • 可以使用 推荐算法定制 来自动生成离线特征 和 离线样本的流程.

实时样本

前置条件

  • 服务开通:

    • 除了MaxCompute, OSS, Dataworks, Hologres, 需要额外开通Flink, Datahub(或者Kafka)

    • 产品具体开通手册,参考PAI-REC最佳实践里面的开通手册

数据准备

  • 用户行为实时流

    • 通过datahub接入

    • 包含字段:

      • event_type, 事件类型: exposure / click / buy / like / play /…

      • event_time, 时间发生时间

      • duration, 持续时间,可选

      • request_id, 请求id

      • user_id, 用户id

      • item_id, 商品id

      • 其他信息,可选

  • 特征埋点(callback)

    • 需要部署EAS callback服务, 服务配置和EAS打分服务一致

      • 单独部署EAS callback服务的原因是避免影响EAS打分服务的性能

      • EAS callback对rt的要求低于EAS打分服务

    • 通过PAI-REC推荐引擎写入Datahub

      • PAI-REC配置

      • 特征保存在Datahub topic: odl_callback_log, schema:

      request_idrequest_timemoduleuser_iditem_idscenecontext_featuresgenerate_featuresraw_featuresrequest_infoitem_featuresuser_featurescallback_log
      stringbigintstringstringstringstringstringstringstringstringstringstringstring
      请求id请求时间算法id用户id商品id场景context特征FG生成的特征原始特征请求信息商品特征用户特征callback日志
      • request_id, user_id, item_id, request_time, generate_features 是后续需要的字段

    • Custom推荐引擎:

      • 调用EAS服务获取全埋点特征, 调用方式参考文档

        • 请求的item list为下发列表,不是排序阶段的列表

        • EasyrecRequest.setDebugLevel(3), 生成EasyRec训练所需要的特征

      • 通过PBResponse.getGenerateFeaturesMap获取生成的特征

      • 特征写入Datahub topic: odl_callback_log

样本生成

  1. 样本Events聚合(OnlineSampleAggr):

    • 上传资源包: rec-realtime-0.8-SNAPSHOT.jar image.png

    • flink配置:

        datahub.endpoint: 'http://dh-cn-beijing-int-vpc.aliyuncs.com/'
        datahub.accessId: xxx
        datahub.accessKey: xxx
        datahub.inputTopic: user_behavior_log
        datahub.sinkTopic: odl_sample_aggr
        datahub.projectName: odl_sample
        datahub.startInMs: '1655571600'
      
        input.userid: user_id
        input.itemid: item_id
        input.request-id: request_id
        input.event-type: event
        input.event-duration: play_time
        input.event-ts: ts
        input.expose-event: exposure
        input.event-extra: 'scene'
        input.wait-positive-secs: '900'
      
      • datahub参数配置

        • accessId: 鉴权id

        • accessKey: 鉴权secret

        • projectName: 项目名称

        • endpoint: 使用带vpc的endpoint

        • inputTopic: 读取的datahub topic

        • sinkTopic: 写入的datahub topic

        • startInSecs: 开始读取的位点,单位是seconds

      • input: datahub schema配置

        • userid: userid字段名

        • itemid: itemid字段名

        • request-id: request_id字段名

        • event-duration: event持续时间

        • event-type: event类型字段

        • event-ts: event发生时间字段(seconds)

        • expose-event: 曝光事件类型

          • 曝光事件延迟不再下发

          • 其它事件延迟会补充下发

        • event-extra: 其它event相关字段,多个字段以”,”分割

        • wait-positive-secs: 等待正样本的时间, 单位是seconds

      • datahub topic schema:

        • inputTopic: user_behavior_log

          request_id user_id item_id play_time event ts scene ...
          string string string double string bigint string ...
        • sinkTopic: odl_sample_aggr

          request_id user_id item_id events
          string string string string
        • events数据格式:

          [
           {"duration":6493,"eventTime":1659667790,"eventType":"play","properties":{"scene":"main"}},
           {"duration":6259,"eventTime":1659667796,"eventType":"play","properties":{"scene":"main"}}
          ]
          
  2. label生成, 目前提供三种udf:

    • playtime: sum_over(events, ‘playtime’)

    • click: has_event(events, ‘click’)

    • min_over / max_over: min_over(events, ‘eventTime’)

    • 可以使用python自定义任意udf, 参考文档

    • udf 上传(vvp-console): image.png

    • 示例:

        insert into odl_sample_with_lbl
        select request_id, user_id, item_id,
            ln(if(playtime < 0, 0, playtime) + 1) as ln_play_time,
            cast((playtime > 10 or is_like > 0) as bigint) as is_valid_play,
            is_like, ts
        from (
            select *, sum_over(events, 'duration', TRUE) / 1000.0 as playtime,
                has_event(events, 'likes') as is_like,
                min_over(events, 'eventTime') as ts
            from odl_sample_aggr
        );
      
  3. 样本join全埋点特征

      create temporary view sample_view as
      select a.request_id, a.user_id, a.item_id, a.ln_play_time, a.is_valid_play, feature, b.request_time
      from  odl_sample_with_lbl a
      inner join (
           select * from (
            select request_id, item_id, request_time, generate_features as feature, ts,
              row_number() over(partition by request_id, item_id order by proctime() asc) as rn
            from odl_callback_log
            where `module` = 'item' and (generate_features is not null and generate_features <> '')
           ) where rn = 1
      ) b
      on a.request_id = b.request_id and a.item_id = b.item_id
      where a.ts between b.ts - INTERVAL '30' SECONDS  and b.ts + INTERVAL '30' MINUTE;
    
    • odl_callback_log需要做去重, 防止因为重复调用造成样本重复

    • flink配置开启ttl(millisecond), 控制state大小:

        table.exec.state.ttl: '2400000'
      
      • ttl(miliseconds)的设置考虑两个因素:

        • odl_sample_with_lbl相对请求时间request_time的延迟

          • ttl < 相对延迟, 就会有样本丢失

          • 统计相对延迟:

            • 将odl_sample_with_lbl / odl_callback_log落到MaxCompute

            • 按request_id join 计算ts的差异

        • ttl越大state越大, 保存checkpoint时间越长, 性能下降

    • 存储引擎开启gemini kv分离(generate_features字段值很大):

        state.backend.gemini.kv.separate.mode: GLOBAL_ENABLE
        state.backend.gemini.kv.separate.value.size.threshold: '500'
      
  4. 实时样本写入Datahub / Kafka

      create temporary table odl_sample_with_fea_and_lbl(
        `request_id`    string,
        `user_id`        string,
        `item_id`          string,
        `ln_play_time`  double,
        `is_valid_play` bigint,
        `feature`       string,
        `request_time`  bigint
      ) WITH (
        'connector' = 'datahub',
        'endPoint' = 'http://dh-cn-beijing-int-vpc.aliyuncs.com/',
        'project' = 'odl_sample',
        'topic' = 'odl_sample_with_fea_and_lbl',
        'subId' = '1656xxxxxx',
        'accessId' = 'LTAIxxxxxxx',
        'accessKey' = 'Q82Mxxxxxxxx'
      );
      insert into odl_sample_with_fea_and_lbl
      select * from sample_view;
    
    • subId: datahub subscription id

数据诊断

  • 实时样本需要关注下面的信息和离线是否一致:

    • 样本总量: 因为样本延迟和全埋点特征join不上,导致样本量下降,需要增加interval join的区间和state ttl

    • 正负样本比例: 因为正样本延迟到达导致的延迟下发导致在线正样本占比偏低, 增加wait-positive-secs

    • 特征一致性: EAS callback服务和EAS打分引擎配置是否一样.

  • 校验方法:

    • 实时样本落到maxcompute, 和离线的数据作对比

    • EasyRec训练的summary里面查看label的正负样本比 image.png

实时训练