2019-08-08工作进展

set odps.sql.mapper.split.size=1;
昨天工作:

  1. 重新处理数据集,给一些重要的关键词,如含有季节,性别等关键信息的词更多的权重。使用新的数据集重新对dssm模型进行训练测试。有一定效果,但是关联出来的商品中还是有类似‘反季冬装女:春秋装女2018新款chic碎花雪纺上衣长袖洋气小衫超仙甜美时尚花衫’这样的bad case,但是这种bad case的比例明显变少。
  2. inference 结果:验证集中视频数量有20w,使用叶子类目过滤后可以关联到14w左右的视频。
  3. 遇到的问题:alinlp的分词结果有非常多的不准确的地方,比如“网红包”会被分成“网”和“红包”,这种类似情况会对模型造成比较大干扰。

今天计划:
改善dssm模型inference效果。

  1. 测试电扇命名实体UDF

hs_dssm_dic_title_inf_1
select title, search_kg:alinlp_ner_ecom(title,' ','|','full') from hs_dssm_dic_title_inf_1 limit 500;

  1. 去停用词

select title, hs_return_clean(title) as clean_title from graph_embedding.hs_tmp_149 limit 100;


train_query : hs_dssm_dic_query_1 - | id | words_mainse_ids | se_keyword |
train_title : hs_dssm_dic_title_3 - | id | words_mainse_ids | title |


inference_query : hs_dssm_dic_query_inf_1 - | id | words_mainse_ids | query |
inference_title : hs_dssm_dic_title_inf_1 - | id | words_mainse_ids | title |


drop table hs_tmp_188;
yes
create table hs_tmp_188 as
select query, title, video_id, item_id, search_kg:alinlp_dssm_text_similarity(search_kg:alinlp_segment(hs_return_clean(query), 'CONTENT_SEARCH', ' '), search_kg:alinlp_segment(hs_return_clean(title), 'CONTENT_SEARCH', ' '),' ') as score from hs_query_ugc_co_video_final_result_info_3;

hs_query_ugc_co_video_final_result_info_3

hs_tmp_175

  1. 构造finetune训练集

正样本生成

drop table hs_tmp_188;
yes
create table hs_tmp_188 as
select query, title, video_id, item_id, search_kg:alinlp_dssm_text_similarity(search_kg:alinlp_segment(hs_return_clean(query), 'CONTENT_SEARCH', ' '), search_kg:alinlp_segment(hs_return_clean(title), 'CONTENT_SEARCH', ' '),' ') as score from hs_query_ugc_co_video_final_result_info_3;

drop table hs_tmp_189;
yes
create table hs_tmp_189 as select query, title, 1 as label from hs_tmp_188 where score > 0.5;

负样本采样 & 乱序

insert overwrite table graph_embedding.hs_tmp_169 select * from graph_embedding.hs_tmp_169 DISTRIBUTE by random();

drop table graph_embedding.hs_tmp_190;
yes
create table graph_embedding.hs_tmp_190 as
select distinct c.query, c.title, c.label, c.query_id, d.id as video_id from
(select a.*, b.id as query_id from (select * from graph_embedding.hs_tmp_189)a left join (select * from graph_embedding.hs_dssm_dic_query_inf_1)b on a.query == b.query)c left join (select * from graph_embedding.hs_dssm_dic_title_inf_1)d on c.title == d.title;

insert into table graph_embedding.hs_tmp_190 select query, title, 0 as label, query_id, video_id from graph_embedding.hs_tmp_169 where score < 0.5 limit 2100000;

insert overwrite table graph_embedding.hs_tmp_191 select distinct * from graph_embedding.hs_tmp_191 DISTRIBUTE by random();

hs_dssm_dic_query_inf_1 : | id | words_mainse_ids | query |
hs_tmp_184 : | id | emb |
hs_dssm_dic_title_inf_1 : | id | words_mainse_ids | title |
hs_tmp_185 : | id | emb |
hs_train_data_dssm_v2_4 : | se_keyword_mainse_ws | title_mainse_ws | label |
hs_tmp_190 : | query | title | label | query_id | video_id |

训练集生成

create table graph_embedding.hs_tmp_191 as
select distinct c.se_keyword_mainse_ws, d.emb as title_mainse_ws, c.label from
(select a.*, b.emb as se_keyword_mainse_ws from (select * from graph_embedding.hs_tmp_190)a left join (select * from graph_embedding.hs_tmp_184)b on a.query_id == b.id)c left join (select * from graph_embedding.hs_tmp_185)d on c.video_id == d.id;

insert overwrite table hs_tmp_193 select * from hs_tmp_191 limit 100000;

验证集

create table hs_tmp_192 as select * from hs_tmp_187 limit 1000000;

finetune

pai -name tensorflow140 -Dscript="file:///home/hengsong/origin_deep_cluster_odps_8.tar.gz" -DentryFile="finetune_inference_v7.py" -Dcluster='{"worker":{"count":10, "cpu":200, "memory":4000}, "ps":{"count":10, "cpu":200, "memory":5000}}' -Dtables="odps://graph_embedding/tables/hs_tmp_191,odps://graph_embedding/tables/hs_tmp_193,odps://graph_embedding/tables/hs_tmp_192" -Doutputs="odps://graph_embedding/tables/hs_dssm_result_4" -DcheckpointDir="oss://bucket-automl/hengsong/?role_arn=acs:ram::1293303983251548:role/graph2018&host=cn-hangzhou.oss-internal.aliyun-inc.com" -DuserDefinedParameters="--learning_rate=3e-4 --batch_size=1024 --is_save_model=True --attention_type=1 --num_epochs=1 --ckpt=hs_ugc_video_4e_1.ckpt" -DuseSparseClusterSchema=True;

©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 215,723评论 6 498
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 92,003评论 3 391
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 161,512评论 0 351
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 57,825评论 1 290
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 66,874评论 6 388
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 50,841评论 1 295
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 39,812评论 3 416
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 38,582评论 0 271
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 45,033评论 1 308
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 37,309评论 2 331
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 39,450评论 1 345
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 35,158评论 5 341
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 40,789评论 3 325
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 31,409评论 0 21
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 32,609评论 1 268
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 47,440评论 2 368
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 44,357评论 2 352

推荐阅读更多精彩内容

  • 上周五工作: 使用手肘法测试top 1w query最佳聚类类别数,但是在这一数据中,sse斜率变化不大,分析的原...
    Songger阅读 306评论 0 0
  • graph_embedding.jl_jingyan_query_related_top_query_detail...
    Songger阅读 392评论 0 0
  • rm -rf ../../origin_deep_cluster_odps_8.tar.gztar -cvzf ....
    Songger阅读 294评论 0 0
  • 昨天工作: 对dssm网络进行inference测试,效果还是不好,网络存在过拟合的问题。尝试使用early st...
    Songger阅读 427评论 0 0
  • 我是在一阵巨热中醒来的。 我一张嘴便喷出一团烟,我环视自身,我的身子通红,像是一块被烧红的铁,身上干净的一片布...
    _自诩阅读 162评论 0 1