Skip to content

Latest commit

 

History

History
499 lines (326 loc) · 16.3 KB

data_format.md

File metadata and controls

499 lines (326 loc) · 16.3 KB
Raw

数据格式

[TOC]

embedx 支持图模型、深度排序和深度召回模型，不同类型的模型 在 训练 或者 预测 时，需要准备不同的数据。

以下依次介绍图模型、深度排序和深度召回模型在 训练阶段使用的数据、 预测阶段使用的数据 和 两个阶段使用到的数据的 数据格式。

训练阶段使用的数据

图模型

图模型训练时需要准备 图数据 和 训练数据。

  • 图数据

    • 图数据包括 节点关系数据、节点特征数据 和 邻居节点特征数据

    • 不同的图模型使用不同的图数据

      • 有些图模型如 deepwalk 使用部分图数据如 节点关系数据
      • 有些图模型如 graphsage 使用全部图数据包括 节点关系数据、节点特征数据 和 邻居节点特征数据

    • 图数据使用总结

      模型 节点关系数据 节点特征数据 邻居节点特征数据
      deepwalk ✔️
      node2vec ✔️
      struc2vec ✔️
      metapath2vec ✔️
      eges ✔️ ✔️
      unsup_graphsage ✔️ ✔️ ✔️
      pinsage ✔️ ✔️ ✔️
      sup_graphsage（多标签） ✔️ ✔️ ✔️
      sup_graphsage（多分类） ✔️ ✔️ ✔️

  • 训练数据

    • 训练数据包括 随机游走生成的序列数据、随机游走生成的边数据、多分类数据 和 多标签数据

    • 不同的图模型使用不同的训练数据

      • 有些图模型如 deepwalk 使用 随机游走生成的序列数据
      • 有些图模型如 graphsage 使用 随机游走生成的边数据

    • 训练数据使用总结

      模型 随机游走之序列数据 随机游走之边数据 多分类数据 多标签数据
      deepwalk ✔️
      node2vec ✔️
      struc2vec ✔️
      metapath2vec ✔️
      eges ✔️
      unsup_graphsage ✔️
      pinsage ✔️
      sup_graphsage（多分类） ✔️
      sup_graphsage（多标签） ✔️

深度排序模型

深度排序模型训练时需要准备 训练数据。

深度召回模型

深度召回模型训练时需要准备 物品频次数据 和 训练数据。

  • 物品频次数据

  • 训练数据

    • 训练数据包括 用户特征数据 和 物品特征数据

    • 不同的深度召回模型使用不同的训练数据

      • 有些深度召回模型如 youtube_dnn 只使用 用户特征数据
      • 有些深度召回模型如 dssm 同时使用 用户特征数据 和 物品特征数据

    • 训练数据使用总结

      模型 用户特征数据 物品特征数据
      youtube_dnn ✔️
      dssm ✔️ ✔️

预测阶段使用的数据

图模型

  • 图模型预测时使用 图数据 和 图预测数据

    • 图数据

      • 图模型在 预测阶段 与 训练阶段 使用的 图数据完全相同

    • 图预测数据

深度排序模型

  • 深度排序模型预测时使用 排序样本数据。

    • 预测阶段 与 训练阶段 使用的 排序样本数据完全相同

深度召回模型

数据格式介绍

总结以上图模型、深度排序模型 与 深度召回模型 在 训练 与 预测 阶段使用到的数据，如下表格，接下来依次介绍。

  • 数据总结
数据 功能
节点关系数据 图模型，提供图查询功能（采样节点，采样邻居等）
节点特征数据 图模型，部分图模型使用节点特征
邻居节点特征数据 图模型，部分图模型使用的邻居节点特征
随机游走之序列数据 图模型，部分无监督图模型的训练数据
随机游走之边数据 图模型，部分无监督图模型的训练数据
多分类数据 图模型，有监督图模型的训练数据
多标签数据 图模型，有监督图模型的训练数据
图预测数据 图模型，预测使用的数据
排序样本数据 深度排序模型，训练或者预测使用
物品频次数据 深度召回模型，负采样的物品集合
物品编码类型配置 深度召回模型，指定物品编码类型
用户特征数据 深度召回模型，训练或者预测使用
物品特征数据 深度召回模型，训练或者预测使用

libsvm 格式

节点关系数据、节点特征数据、邻居节点特征数据、用户特征数据 和 物品特征特征数据 都是 类 libsvm 格式 数据。

首先介绍libsvm 格式，参考libsvm，以空格作为分隔符，格式是：

label id1:value1 id2:value2 ...

节点关系数据格式

部分图模型 训练或预测时参数 --node_graph 指的是就是节点关系数据，参考节点关系数据。

  • 格式
node adj_node1:vaule1 adj_node2:value2 ...

  • 概述

    • 类 libsvm 格式，区别是 node 取代了 label、adj_node1 取代了 id1，adj_node2 取代了 id2
    • 其中 node adj_node1:value1, 指的是图中的边(node adj_node1), value1 是边的权重
    • 其中 node adj_node2:value2, 指的是图中的边(node adj_node2), value2 是边的权重
    • node、adj_node1 和 adj_node2 等是uint64 类型, value1、value2 是 浮点类型

  • 示例

41 224:1.0 302:1.0 112:1.0 542:1.0
1 202:1.0
1000 50:0.3 16:0.2 27:0.5

节点特征数据格式

部分图模型 训练或预测时参数 --node_feature 指的就是节点特征数据，参考节点特征数据。

  • 格式
node id1:value1 id2:value2 ...

  • 介绍

    • 类 libsvm 格式，区别是 node 取代了 label
    • 其中 id1、id2 等是 node 的 特征 id, value1 和 value2 是 特征 id 对应的特征权重
    • node、id1 和 id2 等是 uint64 类型, value1 和 value2 是 浮点类型
    • 特征 id 的编码与生成方式参考特征如何编码

  • 示例

41 123:1.5 456:1.0 567:0.1
1 1:1.0 40000:1.5
1000 3333:1.0 4444:1.2

邻居节点特征数据格式

部分图模型 训练或者预测时参数 --neighbor_feature 指的是邻居特征数据，参考邻居节点特征数据。 它用于图卷积类模型的加速，参考邻居特征平均。

  • 格式
node id1:value1 id2:value2 ...

  • 概述

    • 类 libsvm 格式，区别是 node 取代了 label
    • 其中 id1、id2 等是 node 的 特征 id, value1 和 value2 是 特征 id 对应的特征权重
    • node、id1 和 id2 等是 uint64 类型, value1 和 value2 是 浮点类型
    • 特征 id 的编码与生成方式参考特征如何编码

  • 示例

41 123:1.5 456:1.0 567:0.1
1 1:1.0 40000:1.5
1000 3333:1.0 4444:1.2

随机游走之序列数据格式

部分图模型 训练时参数 --in 指的是随机游走之序列数据，参考随机游走之序列数据。 embedx 提供了随机游走工具，辅助用户生成序列数据，参考随机游走。

  • 格式
node1 node2 node3

  • 概述

    • 行间以空格分隔，以 node1 为源节点随机游走得到的序列
    • node1、node2 和 node3 等是 uint64 类型

  • 示例

1 100 234 567
57 89 100 123
90 100 190 290

随机游走之边数据格式

部分图模型 训练时参数 --in 指的是随机游走之边数据，参考随机游走之边数据。 embedx提供了随机游走工具，可以辅助用户生成游走边数据，参考随机游走。

  • 格式
node1 node2

  • 概述

    • 行间以空格分隔，node1 指的是 源顶点、node2 指的是 目标顶点
    • node1 和 node2 均是 uint64 类型

  • 示例

1 100
1 57
23 56

多分类数据格式

部分图模型 训练时参数 --in 指的是多分类数据，参考多分类数据。

  • 格式
node label

  • 概述

    • 行间以空格分隔，其中 node 指的是 节点、label 指的是 此节点的类别
    • node 是 uint64 类型，label 是 int 类型

  • 示例

1 0
234 2
23 1

多标签数据格式

部分图模型 训练时参数 --in 指的是多标签数据，参考多标签数据。

  • 格式
node label1 label2 label3

  • 概述

    • 行间以空格分隔，其中 node 指的是 节点、label1、label2 和 label3 指的此节点的标签
    • node 是 uint64 类型，label1、label2 和 label3 是 int 类型

  • 示例

1 0 1 0
234 1 0 1
90 0 1 1

图预测数据格式

图模型 预测时参数 --in 指的是图预测数据，参考图预测数据。

  • 格式
node

  • 概述

    • 每行一个节点，node 是 uint64 类型，指的是用户待预测的节点

    • 用户在 demo 中会发现我们使用了 节点关系数据 作为 图预测数据。 这是因为在预测时，embedx 代码只会解析 节点关系数据 的第一个节点使用

    • 用户可以选择复用 节点关系数据 作为图预测数据，也可以按照 图预测数据格式 准备数据

  • 示例

1
234
90

排序样本数据格式

深度排序模型 训练和预测时, 输入样本数据支持 libsvm、libsvm_ex 和 uch 多种格式, 参考样本格式.

用户特征数据格式

深度召回模型 训练或者预测时参数 --in 指的是就是用户特征数据，参考用户特征数据

  • 格式
node id1:value1 id2:value2 ...

  • 概述

    • 类 libsvm 格式，区别是 node 取代了 label
    • id1 和 id2是描述当前 node 的 特征 id, value1 和 value2 是 特征 id 对应的特征权重
    • item_node、id1 和 id2 是 uint64 类型, value1 和 value2 是 浮点类型
    • 特征 id 的编码与生成方式参考特征如何编码

  • 示例

41 224:1.0 302:1.0 112:1.0 542:1.0
1 202:1.0
1000 50:0.3 16:0.2 27:0.5

物品特征数据格式

深度召回模型 训练或者预测时候参数 --node_feauture 指的是就是物品特征数据，参考物品特征数据

  • 格式
node id1:value1 id2:value2 ...

  • 概述

    • 类 libsvm 格式，区别是 node 取代了 label、它指的是用户输入的 物品频次数据 中的节点
    • id1 和 id2 是描述当前 node 的 特征 id, value1 和 value2 是 特征 id 对应的特征权重
    • node、id1 和 id2 是 uint64 类型, value1 和 value2 是 浮点类型
    • 特征 id 的编码与生成方式参考特征如何编码

  • 示例

41 224:1.0 302:1.0 112:1.0 542:1.0
1 202:1.0
1000 50:0.3 16:0.2 27:0.5

物品频次数据格式

深度召回模型 训练时参数 --freq_file 指的就是物品频次数据，参考物品频次数据

  • 格式
node frequncy

  • 概述

    • 每行格式为 node frequency, 以空格分隔，包含 node 和对应频次信息
    • node 和 frequncy 都是 uint64 类型
    • 深度召回模型 使用物品频次数据进行负采样
    • 负例采样的时候可以选择 均匀采样 或 带权采样，带权采样时会根据 item 的频次 进行采样

  • 示例

41 20
2 15
3 10

物品编码类型配置

深度模型 训练时参数 --node_config 指的是 freq_file 中物品编码类型，参考物品编码类型文件

  • 格式
group_name group_id

  • 概述

    • group_name 是 string 类型用来记录 id 的意义，给一个有意义的名字即可
    • group_id 是 int 类型，表明 item 编码类型
    • 生成方式参考[编码](encode.md#生成 node_config 文件)

  • 示例

Item 9999