計費規則

計費項1：PAI-Rec實例

PAI-Rec實例包括標準版和高級版，具體詳情如下：

標準版提供的功能包括：

• 推薦業務引擎

  用于根據用戶的推薦請求，串聯召回、過濾、排序、粗排、精排、冷啟動等鏈路，生成推薦結果。

• 特征一致性校驗

  通過推薦系統的線上請求，記錄推薦服務中在線使用的用戶特征、物品特征、上下文特征，然后對以上特征變換之后的特征，最后再通過模型推理得到模型得分。記錄這些特征之后，再利用離線的特征變換、模型打分。對比離線和在線對比分數是否一致，如果不一致再找出不一致的特征。這樣可以盡快找出離在線不一樣的特征，從而保證離在線特征存儲、讀取、特征變換的一致性。

• 實驗平臺

  用于管理推薦場景召回、過濾、排序、重排參數，通過調整實驗配置參數來做分詞實驗。實驗平臺包括實驗流量管理、實驗指標注冊、天級實驗報表和小時級實驗報表對比查看等功能。

高級版增加的功能包括：

• 數據診斷

  用于分析用戶特征表、物品特征表的分布情況，用戶行為表的轉化率、留存率、曾現率等情況。幫助客戶檢查推薦場景的日志是否有問題，便于后續推薦算法定制中的特征和參數配置。

• 推薦算法定制

  包括多種召回算法、離線統計和實時統計特征、粗排和精排模型的配置，配置完成之后生產特征工程、召回算法、粗排和精排模型的代碼，以及推薦引擎的配置代碼等。

• 一鍵部署功能

  對推薦算法定制產出的代碼、腳本，一鍵部署到DataWorks中。并且提供補數的流程圖，幫助用戶按照順序補全特征和訓練樣本數據。

計費項2：云資源消耗

為搭建完整的推薦系統，需要使用MaxCompute、PAI-EAS等服務，此類服務的資源消耗，需按照云服務的計費規則進行相應扣費。云資源消耗不包含在PAI-Rec費用中。

推薦方案的復雜性導致費用相差比較大，例如物品和用戶的數量、是否使用向量召回、物品冷啟動算法、復雜的排序模型、在線學習等。同時，根據業務需要，使用自動擴縮容的EAS實例，使用預付費的MaxCompute，定期清理Hologres或OSS中不用的數據，以及使用增量訓練代替全量訓練等操作都可以節約成本。

按照DAU（日活）估計包含離線訓練和在線服務的整套推薦系統資源消耗如下（PAI-Rec高級版）：

更多計費詳情，請參見MaxCompute計費說明、模型在線服務（EAS）計費說明、Hologres計費說明和OSS計費說明。

計費項3：實施交付或高階能力部署

如果需要阿里側工程師進行系統搭建、算法定制等服務，可通過商務洽談的方式進行合作。合作項目完成后，需支付一定的定制人天的投入費用。

計費方式

資源包為預付費的抵扣包，是指您根據業務量級預估一次性付費購買相應規格的商品資源包。自購買日起，一年內有效，超出有效期未抵扣的資源包額度自動失效。

由于不同區域的資源價格有差異，推薦業務引擎按照區域實施差異定價。