Motori per suggerimenti 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]}")
Corri su un taccuino
TensorFlow Recommenders (TFRS) è una libreria per la creazione di modelli di sistemi di raccomandazione.
Aiuta con l'intero flusso di lavoro della creazione di un sistema di raccomandazione: preparazione dei dati, formulazione del modello, formazione, valutazione e distribuzione.
È basato su Keras e mira ad avere una curva di apprendimento delicata, dandoti comunque la flessibilità per costruire modelli complessi.
TFRS consente di:
Per ulteriori informazioni, consulta il tutorial su come creare un sistema di suggerimenti per i film o controlla i documenti API per il riferimento API.
Aiuta con l'intero flusso di lavoro della creazione di un sistema di raccomandazione: preparazione dei dati, formulazione del modello, formazione, valutazione e distribuzione.
È basato su Keras e mira ad avere una curva di apprendimento delicata, dandoti comunque la flessibilità per costruire modelli complessi.
TFRS consente di:
- Crea e valuta modelli flessibili di recupero delle raccomandazioni.
- Incorpora liberamente informazioni su elementi, utenti e contesto nei modelli di raccomandazione.
- Addestra modelli multi-task che ottimizzano congiuntamente più obiettivi di raccomandazione.
Per ulteriori informazioni, consulta il tutorial su come creare un sistema di suggerimenti per i film o controlla i documenti API per il riferimento API.
