机器学习PAI easyrec做RawFeature这种连续值特征输入时，直接将特征原值作为输入？
机器学习PAI easyrec做RawFeature这种连续值特征输入时，怎么配置不做embedding层，直接将特征原值作为输入？不要使用Excel特征配置
写回答
-
在阿里云的机器学习PAI（Platform for AI Innovation）中，EasyRec模型默认会将所有的特征（包括连续值特征）都进行embedding处理。这是因为EasyRec模型是基于深度学习的，深度学习模型通常需要输入的是数值向量，而不是原始的数值。
如果你想让连续值特征的原值直接作为输入，而不进行embedding处理，你可能需要修改EasyRec模型的源码。这需要一定的编程知识和对深度学习模型的理解。
另一种可能的方法是使用其他的机器学习模型，比如逻辑回归或者线性回归，这些模型可以直接接受原始值作为输入。但是这种方法可能会限制你的模型的性能，因为深度学习模型通常能够学习到更复杂的模式。
2023-10-30 11:38:52赞同 展开评论 打赏 -
根据已知信息，可以通过配置FeatureConfig.FeatureType参数为RawFeature来表示连续值特征。然后，可以将EasyRecModel.embedding_regularization参数设置为0来禁用正则化，从而避免使用embedding层。这样就可以实现不做embedding层，直接将特征原值作为输入的配置。，此回答整理自钉群“【EasyRec】推荐算法交流群”
2023-10-30 08:05:16赞同 展开评论 打赏 -
面对过去，不要迷离；面对未来，不必彷徨；活在今天，你只要把自己完全展示给别人看。EasyRec可能并不直接支持将连续值特征的原始值作为输入，而是需要将其转换为嵌入向量。
然而，在 EasyRec 的官方文档中并没有明确指出这一点。此外，我也找不到相关的教程或指导说明如何将连续值特征的原始值直接用作 EasyRec 模型的输入。
在大多数推荐系统中，连续值特征通常需要进行一定的预处理才能更好地被模型理解。一般做法是将连续值特征转换为离散的整数值特征，例如通过等频或等宽分箱的方式。这样可以让模型更容易捕捉到特征之间的关系。
2023-10-29 22:34:39赞同 展开评论 打赏
版权声明：本文内容由阿里云实名注册用户自发贡献，版权归原作者所有，阿里云开发者社区不拥有其著作权，亦不承担相应法律责任。具体规则请查看《阿里云开发者社区用户服务协议》和《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容，填写侵权投诉表单进行举报，一经查实，本社区将立刻删除涉嫌侵权内容。
人工智能平台 PAI（Platform for AI，原机器学习平台PAI）是面向开发者和企业的机器学习/深度学习工程平台，提供包含数据标注、模型构建、模型训练、模型部署、推理优化在内的AI开发全链路服务，内置140+种优化算法，具备丰富的行业场景插件，为用户提供低门槛、高性能的云原生AI工程化能力。
