服务特点

链路完整

实现了主流的深度模型，覆盖召回、排序、粗排、重排、多目标、多兴趣等

功能丰富

支持EarlyStop, BestExport, 特征重要性，特征选择、模型蒸馏等高级功能

加速调优

支持HPO自动调参，可显著降低的调参工作量，并可在多场景应用、提升推荐效果

平台完善

支持数据诊断，特征一致性检查，分层、实验等功能，加速效果迭代

支持的平台

MaxCompute(原ODPS), DataScience(基于Kubernete), DLC(deep learning container), Alink, 本地

支持的数据源

OSS, HDFS, HIVE, MaxCompute Table, Kafka, Datahub

开发环境

兼容多种Tensorflow版本(>=1.12, <=2.4, PAI-TF)，可无缝对接开发环境，无需对代码做迁移和改动

使用流程

只需要定义好的模型，在本地测试通过后，即可在多种分布式平台上进行训练

召回模型

DSSM／FM／MIND／CoMetricLearningI2I／DropoutNet／GraphSage／UltraGCN 等

排序模型

FM / WideAndDeep / DeepFM / DIN / DeepCross / AutoInt / MultiTower／Simple MultiTask / MMoE / ESMM / DBMTL 等

冷启动

基于内容理解：多模态Embedding数据提取与应用
基于快速试探：基于小流量试探+强化学习模型

多样性

召回过滤：结合各类互动行为灵活定义过滤条件
打散混排：结合用户体验，灵活设计推荐内容的特征分布、展示布局

召回引擎

打通自研引擎BE服务，可支持亿级别的召回候选集粗排且时延收敛至几十毫秒以下；支持向量召回、U2X、X2I等推荐领域所有的召回类型

推理服务

打通自研引擎PAI-EAS服务，高并发高吞吐，服务毫秒级响应时长；支持服务资源弹性扩缩，稳定保障线上业务

实时特征

支持阿里自研搜推场景专用特征引擎ABFS，能够支持千万级实时查询且时延在毫秒级；KV、KKV、Index倒排等推荐领域实时特征存储、关系存储的所有索引类型

业务引擎

支持阿里自研推荐场景专用业务引擎PAI-REC，能够解析互动请求，串接完整选品、召回、过滤、精排、重排、冷启动等环节，毫秒级响应用户请求