Recomendadores de 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]}")
Ejecutar en un cuaderno
TensorFlow Recommenders (TFRS) es una biblioteca para crear modelos de sistemas de recomendación.
Ayuda con el flujo de trabajo completo de la construcción de un sistema de recomendación: preparación de datos, formulación de modelos, capacitación, evaluación e implementación.
Se basa en Keras y tiene como objetivo tener una curva de aprendizaje suave al mismo tiempo que le brinda la flexibilidad para construir modelos complejos.
TFRS hace posible:
Para obtener más información, consulte el tutorial sobre cómo crear un sistema de recomendación de películas o consulte los documentos de la API para obtener la referencia de la API.
Ayuda con el flujo de trabajo completo de la construcción de un sistema de recomendación: preparación de datos, formulación de modelos, capacitación, evaluación e implementación.
Se basa en Keras y tiene como objetivo tener una curva de aprendizaje suave al mismo tiempo que le brinda la flexibilidad para construir modelos complejos.
TFRS hace posible:
- Cree y evalúe modelos flexibles de recuperación de recomendaciones.
- Incorpore libremente información de elementos, usuarios y contexto en los modelos de recomendación.
- Entrene modelos multitarea que optimicen conjuntamente múltiples objetivos de recomendación.
Para obtener más información, consulte el tutorial sobre cómo crear un sistema de recomendación de películas o consulte los documentos de la API para obtener la referencia de la API.
