Usługi polecające TensorFlow
import tensorflow_datasets as tfds
import tensorflow_recommenders as tfrs
# Load data on movie ratings.
ratings = tfds.load("movielens/100k-ratings", split="train")
movies = tfds.load("movielens/100k-movies", split="train")
# Build flexible representation models.
user_model = tf.keras.Sequential([...])
movie_model = tf.keras.Sequential([...])
# Define your objectives.
task = tfrs.tasks.Retrieval(metrics=tfrs.metrics.FactorizedTopK(
movies.batch(128).map(movie_model)
)
)
# Create a retrieval model.
model = MovielensModel(user_model, movie_model, task)
model.compile(optimizer=tf.keras.optimizers.Adagrad(0.5))
# Train.
model.fit(ratings.batch(4096), epochs=3)
# Set up retrieval using trained representations.
index = tfrs.layers.ann.BruteForce(model.user_model)
index.index_from_dataset(
movies.batch(100).map(lambda title: (title, model.movie_model(title)))
)
# Get recommendations.
_, titles = index(np.array(["42"]))
print(f"Recommendations for user 42: {titles[0, :3]}")
Uruchom w notatniku
TensorFlow Recommenders (TFRS) to biblioteka do budowania modeli systemów rekomendujących.
Pomaga w pełnym przepływie pracy budowania systemu rekomendującego: przygotowanie danych, formułowanie modelu, szkolenie, ocena i wdrażanie.
Jest zbudowany na Keras i ma na celu łagodną krzywą uczenia się, jednocześnie zapewniając elastyczność w budowaniu złożonych modeli.
TFRS umożliwia:
Aby dowiedzieć się więcej, zapoznaj się z samouczkiem dotyczącym tworzenia systemu rekomendacji filmów lub zapoznaj się z dokumentacją interfejsu API.
Pomaga w pełnym przepływie pracy budowania systemu rekomendującego: przygotowanie danych, formułowanie modelu, szkolenie, ocena i wdrażanie.
Jest zbudowany na Keras i ma na celu łagodną krzywą uczenia się, jednocześnie zapewniając elastyczność w budowaniu złożonych modeli.
TFRS umożliwia:
- Twórz i oceniaj elastyczne modele wyszukiwania rekomendacji.
- Swobodnie włączaj informacje o elementach, użytkownikach i kontekście do modeli rekomendacji.
- Trenuj modele wielozadaniowe, które wspólnie optymalizują wiele celów rekomendacji.
Aby dowiedzieć się więcej, zapoznaj się z samouczkiem dotyczącym tworzenia systemu rekomendacji filmów lub zapoznaj się z dokumentacją interfejsu API.
