Рекомендации 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]}")
Запуск в блокноте
TensorFlow Recommenders (TFRS) — это библиотека для построения моделей рекомендательных систем.
Это помогает в полном рабочем процессе создания рекомендательной системы: подготовка данных, формулировка модели, обучение, оценка и развертывание.
Он построен на Keras и нацелен на плавную кривую обучения, но при этом дает вам гибкость для создания сложных моделей.
TFRS позволяет:
Чтобы узнать больше, см. руководство о том, как создать систему рекомендации фильмов , или ознакомьтесь с документацией по API, чтобы найти справку по API.
Это помогает в полном рабочем процессе создания рекомендательной системы: подготовка данных, формулировка модели, обучение, оценка и развертывание.
Он построен на Keras и нацелен на плавную кривую обучения, но при этом дает вам гибкость для создания сложных моделей.
TFRS позволяет:
- Создавайте и оценивайте гибкие модели поиска рекомендаций.
- Свободно включайте информацию об элементе, пользователе и контексте в модели рекомендаций.
- Обучайте многозадачные модели , которые совместно оптимизируют несколько целей рекомендаций.
Чтобы узнать больше, см. руководство о том, как создать систему рекомендации фильмов , или ознакомьтесь с документацией по API, чтобы найти справку по API.
