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]}")
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.