机器学习PAI我现在有一批报文，每条报文有10几个和设备相关的特征，需要将这批报文根据特征分类归一？

对于问题1，你可以考虑使用聚类算法来将报文根据特征分类归一到一个设备上。聚类算法可以根据数据的相似性将其分组成不同的簇，每个簇代表一个设备。常用的聚类算法包括K-means、层次聚类、DBSCAN等。在使用聚类算法时，你需要将报文的特征作为输入数据，然后根据特征的相似性将其分配到相应的设备簇中。

对于问题2，如果你的输入特征主要是强特征而不是文本数据，那么确实不适合直接使用基于文本的模型如word2vec。相反，你可以考虑使用其他机器学习算法来处理你的输入特征。以下是一些可能适用的机器学习模型：

支持向量机（Support Vector Machines, SVM）：SVM是一种有监督学习模型，可以用于分类和回归任务。它可以处理具有高维特征空间的数据，并且可以通过核函数来学习非线性关系。

随机森林（Random Forest）：随机森林是一种集成学习算法，由多个决策树组成。它可以应用于分类和回归任务，并且对于处理强特征的数据集通常表现良好。

XGBoost或LightGBM：这些是梯度提升树算法的变种，也是常用的机器学习模型。它们在处理强特征的数据集时表现出色，能够处理高维数据和非线性关系。

K近邻算法（K-nearest neighbors, KNN）：KNN是一种基于实例的学习方法，可以用于分类和回归。它根据输入样本的最近邻来进行分类，对于特征之间的相似性较为敏感。

回答1：分类模型，目标一般可数
回答2：dssm不一定是文本，这边也用dssm做召回，此回答整理自钉群“【EasyRec】推荐算法交流群”