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]}")
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.
