案例名稱

描述

推薦業(yè)務(wù)端到端的完整方案

介紹實(shí)現(xiàn)推薦系統(tǒng)的完整方案。

基于對(duì)象特征的推薦

介紹如何基于對(duì)象特征進(jìn)行商品推薦。

使用FM-Embedding實(shí)現(xiàn)推薦召回

介紹如何使用FM算法和Embedding提取算法，快速生成User和Item的特征向量。

基于Alink框架的FM推薦

介紹如何通過(guò)Designer預(yù)置的FM算法模板，快速構(gòu)建推薦模型。

使用協(xié)同過(guò)濾實(shí)現(xiàn)商品推薦

介紹如何使用協(xié)同過(guò)濾算法實(shí)現(xiàn)商品推薦。

基于二部圖GraphSAGE算法實(shí)現(xiàn)推薦召回

介紹如何使用二部圖GraphSAGE算法，快速生成推薦召回場(chǎng)景中的User和Item向量。

使用EasyRec構(gòu)建推薦模型

以讀取MaxCompute表數(shù)據(jù)為例，介紹如何使用EasyRec進(jìn)行模型訓(xùn)練、配置任務(wù)例行化及部署模型。

SimRank++相似度計(jì)算算法

介紹協(xié)同過(guò)濾算法SimRank的原理和其應(yīng)用在個(gè)性化推薦場(chǎng)景時(shí)的改進(jìn)，以及如何在生產(chǎn)環(huán)境部署SimRank++算法。

改進(jìn)版swing相似度計(jì)算算法

介紹改進(jìn)版swing相似度算法原理，包括工具包下載、工具包詳細(xì)參數(shù)說(shuō)明以及常見問(wèn)題等。

基于組件化EasyRec框架快速搭建深度推薦算法模型

組件化EasyRec框架可以幫助你以“搭積木”的方式快速構(gòu)建想要的模型結(jié)構(gòu)。

使用ALS算法實(shí)現(xiàn)音樂評(píng)分預(yù)測(cè)（舊版）

介紹如何使用ALS矩陣分解算法預(yù)測(cè)用戶對(duì)音樂的評(píng)分。

案例名稱

描述

圖像內(nèi)容風(fēng)控解決方案

基于人工智能算法快速構(gòu)建符合業(yè)務(wù)場(chǎng)景的風(fēng)控模型，并部署為EAS在線服務(wù)，助力您快速識(shí)別高風(fēng)險(xiǎn)內(nèi)容，進(jìn)而對(duì)其進(jìn)行攔截。

基于外賣評(píng)論實(shí)現(xiàn)輿情風(fēng)控

介紹如何基于外賣評(píng)論實(shí)現(xiàn)輿情風(fēng)控。

基于圖算法實(shí)現(xiàn)金融風(fēng)控

介紹如何基于圖算法實(shí)現(xiàn)金融風(fēng)控。

評(píng)分卡信用評(píng)分

介紹如何通過(guò)PAI提供的金融組件，構(gòu)建評(píng)分卡建模方案。

異常指標(biāo)監(jiān)控

介紹如何快速構(gòu)建異常指標(biāo)監(jiān)控模型。

用戶流失預(yù)警風(fēng)控

介紹如何通過(guò)PAI提供的用戶特征算法，快速構(gòu)建用戶流失模型。

案例名稱

描述

特征工程

介紹推薦算法定制生成的特征工程。

DSSM向量召回

介紹推薦解決方案中生成的DSSM（Deep Structured Semantic Model）向量召回。

排序

介紹推薦解決方案-排序的實(shí)現(xiàn)方法。

基于etrec的U2I2I召回

介紹推薦解決方案-etrec召回的實(shí)現(xiàn)方法。

案例名稱

描述

保障離線在線一致性的CTR預(yù)估方案

介紹如何使用經(jīng)典的CTR點(diǎn)擊率預(yù)估數(shù)據(jù)集Avazu訓(xùn)練一體化模型，并將離線調(diào)試完成的歸一化預(yù)測(cè)->獨(dú)熱編碼預(yù)測(cè)->向量聚合->FM預(yù)測(cè)流程完整部署到EAS。

心臟病預(yù)測(cè)

介紹如何通過(guò)數(shù)據(jù)挖掘算法構(gòu)建心臟病預(yù)測(cè)模型。

基于文本分析算法實(shí)現(xiàn)新聞分類

介紹如何通過(guò)PAI提供的文本類組件，快速構(gòu)建文本分類模型。

基于回歸算法實(shí)現(xiàn)農(nóng)業(yè)貸款發(fā)放預(yù)測(cè)

介紹如何通過(guò)農(nóng)業(yè)貸款的歷史發(fā)放情況，使用線性回歸方法實(shí)現(xiàn)貸款發(fā)放預(yù)測(cè)。

基于分箱組件實(shí)現(xiàn)連續(xù)特征離散化

介紹如何使用分箱組件進(jìn)行連續(xù)特征離散化。

人口普查統(tǒng)計(jì)案例（舊版）

以人口普查數(shù)據(jù)為例，根據(jù)人物年齡、工作類型及教育程度等屬性，快速構(gòu)建學(xué)歷對(duì)收入影響的統(tǒng)計(jì)模型。

預(yù)測(cè)學(xué)生考試成績(jī)

基于中學(xué)生的家庭背景及在校行為，通過(guò)邏輯回歸算法生成期末成績(jī)預(yù)測(cè)模型，從而獲得影響中學(xué)生學(xué)業(yè)的關(guān)鍵因素。

相似標(biāo)簽自動(dòng)歸類

通過(guò)PAI提供的文本分析組件，實(shí)現(xiàn)簡(jiǎn)單的商品標(biāo)簽自動(dòng)歸類系統(tǒng)。

霧霾天氣預(yù)測(cè)

通過(guò)分析北京一年的真實(shí)天氣數(shù)據(jù)，構(gòu)建霧霾天氣預(yù)測(cè)模型，從而挖掘?qū)F霾天氣（指PM 2.5）影響最大的污染物。

發(fā)電場(chǎng)輸出電力預(yù)測(cè)

介紹如何使用Designer預(yù)置的工作流模板，快速構(gòu)建發(fā)電場(chǎng)輸出電力預(yù)測(cè)模型。

用戶竊電識(shí)別

介紹如何通過(guò)Designer預(yù)置工作流模板，快速構(gòu)建竊漏電用戶的識(shí)別模型，以達(dá)到自動(dòng)檢查用戶是否竊漏電的目的，從而大幅度降低稽查工作人員的工作量，保障用戶正常用電及安全用電。

離線調(diào)度

以廣告CTR預(yù)測(cè)場(chǎng)景為例，介紹如何使用PAI提供的數(shù)據(jù)挖掘組件進(jìn)行離線調(diào)度。

使用TensorFlow實(shí)現(xiàn)圖片分類

介紹如何使用深度學(xué)習(xí)框架TensorFlow，快速搭建圖像識(shí)別的預(yù)測(cè)模型。