人群预测
反之，若已确定需要保存多少人，可以通过人数倒推预期的预测准确率、召回率。将指定购买概率区间的用户保存为受众，如下图所示。选择要保存的受众ID类型，可以保存算法模型使用的行为数据集的用户标识，也可以保存行为数据集或预测任务的...
聚类分片
data_type float-pk_type int64-dimension 128-column_num 50-row_num 50-vector_separator,-topk 1,50,100,200-获取 topk 为 1/50/100/200 时各自的召回率-job_mode train:build:seek:recall-clean_build_volume true-保留索引，后续多次...
Centauri对比
BuildJobWorker,times:12653 worker:AutotuningNormalWorker,times:1478 总耗时(单位:分钟):336 Top召回率 用户设置 train:top200:0.95 Top召回率 normal train:top200:98.061%Autotuning Fast Build Params:proxima.general.builder....
PGVector
相比其他算法，IVFFlat算法具有高召回率高精度、算法和参数简单、空间占用小的优势。PGVector插件的实现基于 PolarDB PostgreSQL版 的扩展机制，利用C语言编写实现了多种向量计算算法和数据类型。其中插件算法的具体流程如下：高维空间中的...
PGVector
相比其他算法，IVFFlat算法具有高召回率高精度、算法和参数简单、空间占用小的优势。PGVector插件的实现基于 PolarDB PostgreSQL版（兼容Oracle）的扩展机制，利用C语言编写实现了多种向量计算算法和数据类型。其中插件算法的具体流程如下...
PGVector
相比其他算法，IVFFlat算法具有高召回率高精度、算法和参数简单、空间占用小的优势。PGVector插件的实现基于 PolarDB PostgreSQL版（兼容Oracle）的扩展机制，利用C语言编写实现了多种向量计算算法和数据类型。其中插件算法的具体流程如下...
向量检索
以人脸512维向量为例，AnalyticDB MySQL 向量检索提供百亿向量100 QPS、50毫秒响应时间约束下99%的数据召回率和两亿向量1000 QPS、1秒响应时间约束下99%的数据召回率。结构化和非结构数据的融合查询 支持 KNN和RNN融合查询，例如：比较一批...
针对有异常标签的数据创建智能巡检任务
recall 召回率，计算公式：实际为异常的样本中被模型检测为异常的样本数量/实际为异常的样本数量。数据统计值 统计图表中展示训练集异常点数量、训练集长度、验证集异常点数量和验证集长度信息。数据集结果可视化 统计图表可视化展示训练集...
针对无标签数据创建智能巡检任务
计算公式：模型检测为异常的样本中实际也为异常的样本数量/被检测为异常的样本数量 recall 召回率，计算公式：实际为异常的样本中被模型检测为异常的样本数量/实际为异常的样本数量 数据统计值 统计图表中展示训练集异常点数量、训练集长度...
2000W FLOAT512 量化
CE hash with int8 quantize 19730 3699 390分钟 由于2000W*2000W数据跑线性结果时间过长，因此此处使用100W数据，doc表得到的召回如下：说明 Recall@1表示TopK为1时doc表的召回率，Recall@50、Recall@100、Recall@200以此类推。...
DescribeEmptyNumber-手机号空号检测
当前评估的准确率和召回率约为 95%左右。调用时请注意差别。使用本接口前，请登录号码百科控制台，在 标签广场 页面，找到对应的标签，单击 申请开通，填写申请资料，审批通过后即可使用。QPS 限制 本接口的单用户 QPS 限制为 100 次/秒。...
自学习平台使用流程
4.2 模型查看 您可以查看模型的相关评估指标，主要有精确率、召回率和F1值；同时，您也可以新增模型版本，进行版本管理。重要 注意：如果训练数据在100份以内，模型效果可能欠佳，且评估指标波动较大，基本无参考意义。若需要良好稳定的...
小程序场景
实体识别——电商行业中主要识别品牌、品类、款式、风格等实体类型，提高召回率和准确性，排序-类目预测——根据查询词预测用户想要查询哪个类目的结果，结合排序表达式，使得更符合搜索意图的结果排序更靠前。两轮相关性排序——第一轮为...
光伏发电异常检测提效
业务价值 仍以10 MW村级光伏电站为例，有智能算法的协作，基于85%准确率和召回率运算，假设200个逆变器有10个发电效能异常，算法将上报10~12个左右的可能异常的逆变器。运维人员优先关注这部分逆变器，可以大大提高运维效率和问题解决速度...
高维向量检索（PASE）
相比其他算法，IVFFlat算法具有以下优点：如果查询向量是候选数据集中的一员，那么IVFFlat可以达到100%的召回率。算法简单，因此索引构建更快，存储空间更小。聚类中心点可以由使用者指定，通过简单的参数调节就可以控制召回精度。算法参数...
高维向量检索（PASE）
相比其他算法，IVFFlat算法具有以下优点：如果查询向量是候选数据集中的一员，那么IVFFlat可以达到100%的召回率。算法简单，因此索引构建更快，存储空间更小。聚类中心点可以由使用者指定，通过简单的参数调节就可以控制召回精度。算法参数...
单据票证信息抽取
单字段-检测F1值：综合评价指标（F1-Measure），未经规则后处理修正，为字段检测框精确率和召回率的加权调和平均，常用于评价检测模型的好坏。单字段-准确率：算法模型字段识别准确率（Accuracy），未经规则后处理修正。即测试集中该字段中...
单据票证信息抽取
单字段-检测F1值：综合评价指标（F1-Measure），未经规则后处理修正，为字段检测框精确率和召回率的加权调和平均，常用于评价检测模型的好坏。单字段-准确率：算法模型字段识别准确率（Accuracy），未经规则后处理修正。即测试集中该字段中...
高效向量检索（PASE）
相比其他算法，IVFFlat算法具有以下优点：如果查询向量是候选数据集中的一员，那么IVFFlat可以达到100%的召回率。算法简单，因此索引构建更快，存储空间更小。聚类中心点可以由使用者指定，通过简单的参数调节就可以控制召回精度。算法参数...
互动直播费用
A的费用=0.024元/分钟×10分钟+0.006元/分钟×10分钟 B的费用=0.012元/分钟×10分钟+0.006元/分钟×10分钟 C的费用=0.012元/分钟×10分钟+0.024元/分钟×10分钟 总费用=A的费用+B的费用+C的费用 示例三：主播A进行单人视频直播，分辨率为...
数据规范
召回集合 的类型为 STRING，其值表示多对 召回物品 与 召回分 的集合，格式形如：<召回物品1>:<召回分1><召回物品2>:<召回分2>……，其中每一对就对应了一个召回关系。注册时，aime会将每一对中的 召回物品 解析为 分列字段，而将 召回分 ...
下拉提示报表
下拉提示UV 请求下拉提示且返回成功的用户数，即不包括被限流等原因导致返回错误的请求 同一个用户无论请求多少次都只记1 依赖通过SDK/API请求时，下拉提示请求上传user_id参数 当日请求过下拉提示的用户数 无召回结果率 下拉提示返回成功...
智能生产制作
智能任务 任务名称 分辨率 单价 计费方式 计费周期 智能生成字幕 不区分 0.0417元/分钟 计费规则：智能生成字幕费用=使用时长×单价 计费示例：使用智能生成字幕服务处理了30分钟的录音文件，则总费用=30分钟×0.0417元/分钟=1.251元。...
量化使用
性能说明 向量量化一般是有损的，量化后的召回率通常会下降1~2个百分点。实际测试里（例如：2000万规模的doc/query 512 float 向量数据的检索），使用量化后的召回率与正常情况相比，大约会由99.0%下降至98.2%。但是量化通常会带来一定的...
PAI-REC推荐算法定制的最佳实践文档
阅读指引：为方便用户快捷体验PAI-REC产品，本文提供了一份公开数据集，用户可按照文档说明按步体验PAI-REC推荐算法定制的召回、特征工程、精排等关键功能的配置，生成代码并部署到 DataWorks 相应的业务流程中。1.克隆公开数据集 我们在可...
产品概述
什么是推荐全链路深度定制开发平台PAIREC 产品计费 智能召回引擎BE 阿里云召回引擎BE，是阿里巴巴集团推荐行业自研的召回引擎，提供全面召回的能力，具有高稳定、高性能的索引和查询机制、低运维成本、通过灵活过滤和配置策略加速迭代效率...
概述
为什么需要冷启动 通常推荐系统通过协同过滤、矩阵分解或是深度学习模型来生成推荐候选集，这些召回算法一般都依赖于用户-物品行为矩阵。在真实的推荐系统中，会有源源不断的新用户、新物品加入，这些新加入系统的用户和物品由于缺乏足够...
集群数据盘使用率告警
由于磁盘扩容需要一定的操作时间，对磁盘使用率，一般建议配置两个指标，Warn 警告和 Critical 严重需要处理。规则信息 添加告警方式可参考：添加报警规则 告警项 指标类型 监控指标 默认阈值 持续时间（连续触发告警周期数）检测周期 告警...
使用analytic-search插件
功能优势：通过实现召回过程的并发，提高资源利用率，召回阶段平均耗时降低50%。性能测试信息：测试环境 节点：3*16核64 GB OpenStore冷热共享计算型。数据集：某业务日志数据，单索引1.6 TB，60亿个文档，60个分片。查询：3 TermQuery(and...
召回引擎版计费概述
实例价格构成 OpenSearch-召回引擎版以实例为单位，按照实例的实例租用费用、查询节点费用、数据节点费用、单数据节点存储空间、索引存储费用、数据更新资源费用，共六个方面计费。总费用=实例租用费用+查询节点费用+数据节点费用+单数据...
产品公告
OpenSearch向量检索版&召回引擎版-计费项及价格变更：为了更好的服务客户，OpenSearch向量检索版&召回引擎版将于北京时间 2023年3月8日 16:00-20:00 进行计费项优化与控制台升级，升级期间不支持新购、变配操作，搜索服务不受影响，优化后...
测试指标
标准 现代的操作系统为了最大利用内存，在内存中存放了缓存，因此内存利用率100%并不代表内存有瓶颈，衡量系统内有瓶颈主要靠SWAP（与虚拟内存交换）交换空间利用率，一般情况下，SWAP交换空间利用率要低于70%，太多的交换将会引起系统性能...
规格计算器
QC：基于量化聚类的向量检索算法，召回结果正确率极高，占用资源较少，性能较好，在低维度向量数据集上有更好表现,内存及储存占用一般只有Linear和HNSW的1/4,适用于对召回率没有严苛要求的大数据量检索场景。Linear：线性检索，即暴力检索...
语音识别FAQ
一般支持8000 Hz、16000 Hz的采样率。电话客服场景通常是8000采样率，如果是手机App、PC端工具、网页H5类场景，通常是16000 Hz采样率（可能会有32、44k采样率，但开发时需要调用方将采样率调整为16k）。其他采样率的录音数据需要预先自行...
计费方式（旧版）
原RTC2.0及之前的旧版本应用继续使用旧版计费方式；RTC3.0及之后的新版本应用将采用按集合分辨率时长计费的方式。
召回定制词权重
定制召回模型按照存储容量、计算资源、模型训练收费，具体价格请参考 OpenSearch-行业算法版实例计费概述 快速搭建 召回定制-词权重模型从创建到使用需要经过以下三个步骤：创建召回定制-词权重模型并开启训练；配置查询分析并引用已训练的...
模糊分析器
注意事项：短语查询使用双引号 短语查询召回的结果准确性更高，减少了文档召回量（一般此类搜索场景建议使用中文通用分词）比较消耗性能。模糊搜索用于搜索意图不明确或者数据较少想返回更多查询结果的场景，因此除了拼音搜索、前后缀、...
模糊搜索
注意事项：短语查询使用双引号 短语查询召回的结果准确性更高，减少了文档召回量（一般此类搜索场景建议使用中文通用分词）比较消耗性能。模糊搜索用于搜索意图不明确或者数据较少想返回更多查询结果的场景，因此除了拼音搜索、前后缀、...
模糊搜索
注意事项：短语查询使用双引号 短语查询召回的结果准确性更高，减少了文档召回量（一般此类搜索场景建议使用中文通用分词）比较消耗性能。模糊搜索用于搜索意图不明确或者数据较少想返回更多查询结果的场景，因此除了拼音搜索、前后缀、...
快速拉起多路召回服务
数据准备 准备物品X2I召回表/向量表 数据准备流程同X2I召回流程及向量召回流程的数据准备一致，详情见 快速拉起X2I召回服务 数据准备及 快速拉起向量召回服务 数据准备 准备物品详情表（可选）在MaxCompute客户端中准备数据-创建数据...
- 产品推荐
- 这些文档可能帮助您