أنظمة التوصية
من طلب الطعام إلى الفيديو حسب الطلب والبث الصوتي إلى الموضة، تعمل أنظمة التوصية على تشغيل بعض التطبيقات الأكثر شيوعًا اليوم. اكتشف كيف يمكنك إنشاء أنظمة توصيات جاهزة للإنتاج باستخدام مكتبات وأدوات مفتوحة المصدر من النظام البيئي TensorFlow.
تعمل أنظمة التوصيات على زيادة تفاعل المستخدم داخل تطبيقك وتحسين تجربة المستخدم من خلال توفير المحتوى المرغوب فيه أكثر. إن أنظمة التوصية الحديثة عبارة عن أنظمة معقدة غالبًا ما يتم تقسيمها إلى مراحل متعددة لتحقيق زمن وصول منخفض في الإنتاج. من خلال مراحل الاسترجاع والتصنيف وربما ما بعد التصنيف، تتم تصفية العناصر غير ذات الصلة تدريجيًا من مجموعة كبيرة من المرشحين ويتم عرض قائمة بالخيارات التي من المرجح أن يتفاعل معها المستخدمون في النهاية.
ابدأ البناء باستخدام TensorFlow Recommenders ، وهو إطار عمل سهل الاستخدام يسهل سير العمل الكامل لبناء نظام التوصية بدءًا من إعداد البيانات وحتى النشر.
عند الانتهاء من تدريب النماذج الخاصة بك، قم بنشرها في الإنتاج لتقديم التوصيات للمستخدمين النهائيين. تعمل خدمة TensorFlow على إنتاج نماذجك للحصول على استنتاج عالي الأداء. ويهدف إلى زيادة إنتاجية نماذج التعلم الآلي إلى أقصى حد ويمكنه دعم نماذج التوصيات الكبيرة التي تتطلب خدمة موزعة.
# Deploy the retrieval model with TensorFlow Serving
docker run -t --rm -p 8501:8501 \
-v "RETRIEVAL/MODEL/PATH:/models/retrieval" \
-e MODEL_NAME=retrieval tensorflow/serving &
# Retrieve top movies that user 42 may like
curl -X POST -H "Content-Type: application/json" \
-d '{"instances":["42"]}' \
http://localhost:8501/v1/models/retrieval:predict
# Output
# {
# "predictions":[
# {
# "output_1": [2.032, 1.969, 1.813],
# "output_2": ["movie1”, “movie2”, “movie3”]
# }
# ]
# }
# Deploy the ranking model with TensorFlow Serving
docker run -t --rm -p 8501:8501 \
-v "RANKING/MODEL/PATH:/models/ranking" \
-e MODEL_NAME=ranking tensorflow/serving &
# Get the prediction score for user 42 and movie 3
curl -X POST -H "Content-Type: application/json" \
-d '{"instances":[{"user_id":"42", "movie_title":"movie3"}]}' \
http://localhost:8501/v1/models/ranking:predict
# Output:
# {"predictions": [[3.66357923]]}
تحسين مراحل الاسترجاع والتصنيف لمحركات التوصية
تتطلب أنظمة التوصية واسعة النطاق تحديد العناصر الأكثر صلة من بين ملايين المرشحين خلال مراحل الاسترجاع والتصنيف بطريقة فعالة وكفؤة. استكمل توصيات TensorFlow بأحدث خوارزميات البحث عن أقرب جار تقريبي (ANN) وتقنيات التعلم إلى التصنيف (LTR) لتحسين التوصيات.
ScaNN عبارة عن مكتبة للبحث عن تشابه المتجهات على نطاق واسع. إنه يستفيد من أحدث تقنيات ANN، مثل التجزئة غير المتماثلة والتكميم متباين الخواص، لتسريع استرجاع أفضل المرشحين.
TensorFlow Ranking هي مكتبة لتطوير نماذج LTR عصبية قابلة للتطوير. ويوفر وظائف إضافية لتصنيف العناصر المرشحة لتعظيم أدوات التصنيف المساعدة.
تحسين التضمينات الكبيرة للتدريب النموذجي والاستدلال
تعد عملية البحث عن التضمين مكونًا مهمًا لأنظمة التوصية واسعة النطاق. استفد من تسريع الأجهزة وتقنية التضمين الديناميكي للتغلب على اختناقات الأداء الشائعة في جداول التضمين الكبيرة.
تسهل واجهة برمجة تطبيقات طبقة TPUEmbedding التدريب وخدمة جداول التضمين الكبيرة على وحدات معالجة Tensor (TPUs).
TensorFlow Recommenders Addons هو مشروع يساهم به المجتمع ويستفيد من تقنية التضمين الديناميكي المفيدة بشكل خاص للتعلم عبر الإنترنت.
الحفاظ على خصوصية المستخدم
تعتمد محركات التوصية التقليدية على جمع سجلات تفاعل المستخدم ونماذج توصيات التدريب بناءً على أنشطة المستخدم الأولية. تأكد من أن بيانات المستخدم تظل خاصة من خلال دمج ممارسات تطوير الذكاء الاصطناعي المسؤول .
يوفر TensorFlow Lite حلاً للتوصية على الجهاز يحقق توصيات ذات زمن وصول منخفض وتوصيات عالية الجودة، مع الاحتفاظ بجميع بيانات المستخدم على الأجهزة المحمولة.
TensorFlow Federated هو إطار عمل للتعلم الموحد والحسابات الأخرى على البيانات اللامركزية. تعمل عملية إعادة الإعمار الموحدة على جلب تحليل المصفوفة إلى بيئة التعلم الموحد وحماية خصوصية المستخدم بشكل أفضل فيما يتعلق بالتوصيات.
استخدم تقنيات متقدمة لموصيين أكثر تطوراً
في حين أن نماذج التصفية التعاونية الكلاسيكية تستخدم على نطاق واسع في الصناعة، إلا أن هناك اتجاهًا متزايدًا لاعتماد تقنيات متقدمة، مثل التعلم المعزز والشبكات العصبية الرسومية (GNNs)، لبناء أنظمة التوصية.
TensorFlow Agents Bandits هي مكتبة شاملة لخوارزميات قطاع الطرق التي يمكنها استكشافها واستغلالها بشكل فعال في إعداد محرك التوصيات.
TensorFlow GNN هي مكتبة يمكنها تسهيل توصيات العناصر بكفاءة بناءً على هياكل الشبكة ويمكن استخدامها جنبًا إلى جنب مع نماذج الاسترجاع والتصنيف.
تعرف على كيفية استخدام نماذج اللغات الكبيرة (LLMs) مثل PaLM API لتعزيز أنظمة التوصيات الخاصة بك.
نماذج التوصية المرجعية الحديثة
لقياس الأداء لنموذج معروف أو إنشاء نماذج التوصية الخاصة بك، راجع تطبيقات TensorFlow الرسمية للنماذج الشائعة – مثل NCF، وDLRM، وDCN v2 – للحصول على أفضل الممارسات.
الموارد التعليمية
تعرف على المزيد حول بناء أنظمة التوصيات من خلال اتباع الدورات ومقاطع الفيديو خطوة بخطوة.
أنظمة التوصية في العالم الحقيقي
استكشف الأمثلة ودراسات الحالة لأنظمة التوصية التي تعمل على تشغيل التطبيقات في كل صناعة.
اقرأ عن كيفية تدريب Digitec Galaxus وتقديم ملايين النشرات الإخبارية المخصصة أسبوعيًا باستخدام وكلاء TFX وTensorFlow.
تعرف على كيفية استخدام HarperDB لموصيي TensorFlow وTensorFlow.js لإنشاء نظام توصيات قائم على التصفية التعاونية لعناصر متاجر البقالة.
تعرّف على كيفية استفادة Spotify من النظام البيئي TensorFlow لتصميم جهاز محاكاة قابل للتمديد دون اتصال بالإنترنت وتدريب وكلاء RL لإنشاء توصيات قائمة التشغيل.
أنظمة التوصية
من طلب الطعام إلى الفيديو حسب الطلب والبث الصوتي إلى الموضة، تعمل أنظمة التوصية على تشغيل بعض التطبيقات الأكثر شيوعًا اليوم. اكتشف كيف يمكنك إنشاء أنظمة توصيات جاهزة للإنتاج باستخدام مكتبات وأدوات مفتوحة المصدر من النظام البيئي TensorFlow.
تعمل أنظمة التوصيات على زيادة تفاعل المستخدم داخل تطبيقك ورفع مستوى تجربة المستخدم من خلال توفير المحتوى المرغوب فيه أكثر. إن أنظمة التوصية الحديثة عبارة عن أنظمة معقدة غالبًا ما يتم تقسيمها إلى مراحل متعددة لتحقيق زمن وصول منخفض في الإنتاج. من خلال مراحل الاسترجاع والتصنيف وربما ما بعد التصنيف، تتم تصفية العناصر غير ذات الصلة تدريجيًا من مجموعة كبيرة من المرشحين ويتم عرض قائمة بالخيارات التي من المرجح أن يتفاعل معها المستخدمون في النهاية.
ابدأ البناء باستخدام TensorFlow Recommenders ، وهو إطار عمل سهل الاستخدام يسهل سير العمل الكامل لبناء نظام التوصية بدءًا من إعداد البيانات وحتى النشر.
عند الانتهاء من تدريب النماذج الخاصة بك، قم بنشرها في الإنتاج لتقديم التوصيات للمستخدمين النهائيين. تعمل خدمة TensorFlow على إنتاج نماذجك للحصول على استنتاج عالي الأداء. ويهدف إلى زيادة إنتاجية نماذج التعلم الآلي إلى أقصى حد ويمكنه دعم نماذج التوصيات الكبيرة التي تتطلب خدمة موزعة.
# Deploy the retrieval model with TensorFlow Serving
docker run -t --rm -p 8501:8501 \
-v "RETRIEVAL/MODEL/PATH:/models/retrieval" \
-e MODEL_NAME=retrieval tensorflow/serving &
# Retrieve top movies that user 42 may like
curl -X POST -H "Content-Type: application/json" \
-d '{"instances":["42"]}' \
http://localhost:8501/v1/models/retrieval:predict
# Output
# {
# "predictions":[
# {
# "output_1": [2.032, 1.969, 1.813],
# "output_2": ["movie1”, “movie2”, “movie3”]
# }
# ]
# }
# Deploy the ranking model with TensorFlow Serving
docker run -t --rm -p 8501:8501 \
-v "RANKING/MODEL/PATH:/models/ranking" \
-e MODEL_NAME=ranking tensorflow/serving &
# Get the prediction score for user 42 and movie 3
curl -X POST -H "Content-Type: application/json" \
-d '{"instances":[{"user_id":"42", "movie_title":"movie3"}]}' \
http://localhost:8501/v1/models/ranking:predict
# Output:
# {"predictions": [[3.66357923]]}
تحسين مراحل الاسترجاع والتصنيف لمحركات التوصية
تتطلب أنظمة التوصية واسعة النطاق تحديد العناصر الأكثر صلة من بين ملايين المرشحين خلال مراحل الاسترجاع والتصنيف بطريقة فعالة وكفؤة. استكمل توصيات TensorFlow بأحدث خوارزميات البحث عن أقرب جار تقريبي (ANN) وتقنيات التعلم إلى التصنيف (LTR) لتحسين التوصيات.
ScaNN عبارة عن مكتبة للبحث عن تشابه المتجهات على نطاق واسع. إنه يستفيد من أحدث تقنيات ANN، مثل التجزئة غير المتماثلة والتكميم متباين الخواص، لتسريع استرجاع أفضل المرشحين.
TensorFlow Ranking هي مكتبة لتطوير نماذج LTR عصبية قابلة للتطوير. ويوفر وظائف إضافية لتصنيف العناصر المرشحة لتعظيم أدوات التصنيف المساعدة.
تحسين التضمينات الكبيرة للتدريب النموذجي والاستدلال
تعد عملية البحث عن التضمين مكونًا مهمًا لأنظمة التوصية واسعة النطاق. استفد من تسريع الأجهزة وتقنية التضمين الديناميكي للتغلب على اختناقات الأداء الشائعة في جداول التضمين الكبيرة.
تسهل واجهة برمجة تطبيقات طبقة TPUEmbedding التدريب وخدمة جداول التضمين الكبيرة على وحدات معالجة Tensor (TPUs).
TensorFlow Recommenders Addons هو مشروع يساهم به المجتمع ويستفيد من تقنية التضمين الديناميكي المفيدة بشكل خاص للتعلم عبر الإنترنت.
الحفاظ على خصوصية المستخدم
تعتمد محركات التوصية التقليدية على جمع سجلات تفاعل المستخدم ونماذج توصيات التدريب بناءً على أنشطة المستخدم الأولية. تأكد من أن بيانات المستخدم تظل خاصة من خلال دمج ممارسات تطوير الذكاء الاصطناعي المسؤول .
يوفر TensorFlow Lite حلاً للتوصية على الجهاز يحقق توصيات ذات زمن وصول منخفض وتوصيات عالية الجودة، مع الاحتفاظ بجميع بيانات المستخدم على الأجهزة المحمولة.
TensorFlow Federated هو إطار عمل للتعلم الموحد والحسابات الأخرى على البيانات اللامركزية. تعمل عملية إعادة الإعمار الموحدة على جلب تحليل المصفوفة إلى بيئة التعلم الموحد وحماية خصوصية المستخدم بشكل أفضل فيما يتعلق بالتوصيات.
استخدم تقنيات متقدمة لموصيين أكثر تطوراً
في حين أن نماذج التصفية التعاونية الكلاسيكية تستخدم على نطاق واسع في الصناعة، إلا أن هناك اتجاهًا متزايدًا لاعتماد تقنيات متقدمة، مثل التعلم المعزز والشبكات العصبية الرسومية (GNNs)، لبناء أنظمة التوصية.
TensorFlow Agents Bandits هي مكتبة شاملة لخوارزميات قطاع الطرق التي يمكنها استكشافها واستغلالها بشكل فعال في إعداد محرك التوصيات.
TensorFlow GNN هي مكتبة يمكنها تسهيل توصيات العناصر بكفاءة بناءً على هياكل الشبكة ويمكن استخدامها جنبًا إلى جنب مع نماذج الاسترجاع والتصنيف.
تعرف على كيفية استخدام نماذج اللغات الكبيرة (LLMs) مثل PaLM API لتعزيز أنظمة التوصيات الخاصة بك.
نماذج التوصية المرجعية الحديثة
لقياس الأداء لنموذج معروف أو إنشاء نماذج التوصية الخاصة بك، راجع تطبيقات TensorFlow الرسمية للنماذج الشائعة – مثل NCF، وDLRM، وDCN v2 – للحصول على أفضل الممارسات.
الموارد التعليمية
تعرف على المزيد حول بناء أنظمة التوصيات من خلال اتباع الدورات ومقاطع الفيديو خطوة بخطوة.
أنظمة التوصية في العالم الحقيقي
استكشف الأمثلة ودراسات الحالة لأنظمة التوصية التي تعمل على تشغيل التطبيقات في كل صناعة.
اقرأ عن كيفية تدريب Digitec Galaxus وتقديم ملايين النشرات الإخبارية المخصصة أسبوعيًا باستخدام وكلاء TFX وTensorFlow.
تعرف على كيفية استخدام HarperDB لموصيي TensorFlow وTensorFlow.js لإنشاء نظام توصيات قائم على التصفية التعاونية لعناصر متاجر البقالة.
تعرّف على كيفية استفادة Spotify من النظام البيئي TensorFlow لتصميم جهاز محاكاة قابل للتمديد دون اتصال بالإنترنت وتدريب وكلاء RL لإنشاء توصيات قائمة التشغيل.
أنظمة التوصية
من طلب الطعام إلى الفيديو حسب الطلب والبث الصوتي إلى الموضة، تعمل أنظمة التوصية على تشغيل بعض التطبيقات الأكثر شيوعًا اليوم. اكتشف كيف يمكنك إنشاء أنظمة توصيات جاهزة للإنتاج باستخدام مكتبات وأدوات مفتوحة المصدر من النظام البيئي TensorFlow.
تعمل أنظمة التوصيات على زيادة تفاعل المستخدم داخل تطبيقك ورفع مستوى تجربة المستخدم من خلال توفير المحتوى المرغوب فيه أكثر. إن أنظمة التوصية الحديثة عبارة عن أنظمة معقدة غالبًا ما يتم تقسيمها إلى مراحل متعددة لتحقيق زمن وصول منخفض في الإنتاج. من خلال مراحل الاسترجاع والتصنيف وربما ما بعد التصنيف، تتم تصفية العناصر غير ذات الصلة تدريجيًا من مجموعة كبيرة من المرشحين ويتم عرض قائمة بالخيارات التي من المرجح أن يتفاعل معها المستخدمون في النهاية.
ابدأ البناء باستخدام TensorFlow Recommenders ، وهو إطار عمل سهل الاستخدام يسهل سير العمل الكامل لبناء نظام التوصية بدءًا من إعداد البيانات وحتى النشر.
عند الانتهاء من تدريب النماذج الخاصة بك، قم بنشرها في الإنتاج لتقديم التوصيات للمستخدمين النهائيين. تعمل خدمة TensorFlow على إنتاج نماذجك للحصول على استنتاج عالي الأداء. ويهدف إلى زيادة إنتاجية نماذج التعلم الآلي إلى أقصى حد ويمكنه دعم نماذج التوصيات الكبيرة التي تتطلب خدمة موزعة.
# Deploy the retrieval model with TensorFlow Serving
docker run -t --rm -p 8501:8501 \
-v "RETRIEVAL/MODEL/PATH:/models/retrieval" \
-e MODEL_NAME=retrieval tensorflow/serving &
# Retrieve top movies that user 42 may like
curl -X POST -H "Content-Type: application/json" \
-d '{"instances":["42"]}' \
http://localhost:8501/v1/models/retrieval:predict
# Output
# {
# "predictions":[
# {
# "output_1": [2.032, 1.969, 1.813],
# "output_2": ["movie1”, “movie2”, “movie3”]
# }
# ]
# }
# Deploy the ranking model with TensorFlow Serving
docker run -t --rm -p 8501:8501 \
-v "RANKING/MODEL/PATH:/models/ranking" \
-e MODEL_NAME=ranking tensorflow/serving &
# Get the prediction score for user 42 and movie 3
curl -X POST -H "Content-Type: application/json" \
-d '{"instances":[{"user_id":"42", "movie_title":"movie3"}]}' \
http://localhost:8501/v1/models/ranking:predict
# Output:
# {"predictions": [[3.66357923]]}
تحسين مراحل الاسترجاع والتصنيف لمحركات التوصية
تتطلب أنظمة التوصية واسعة النطاق تحديد العناصر الأكثر صلة من بين ملايين المرشحين خلال مراحل الاسترجاع والتصنيف بطريقة فعالة وكفؤة. استكمل توصيات TensorFlow بأحدث خوارزميات البحث عن أقرب جار تقريبي (ANN) وتقنيات التعلم إلى التصنيف (LTR) لتحسين التوصيات.
ScaNN عبارة عن مكتبة للبحث عن تشابه المتجهات على نطاق واسع. إنه يستفيد من أحدث تقنيات ANN، مثل التجزئة غير المتماثلة والتكميم متباين الخواص، لتسريع استرجاع أفضل المرشحين.
TensorFlow Ranking هي مكتبة لتطوير نماذج LTR عصبية قابلة للتطوير. ويوفر وظائف إضافية لتصنيف العناصر المرشحة لتعظيم أدوات التصنيف المساعدة.
تحسين التضمينات الكبيرة للتدريب النموذجي والاستدلال
تعد عملية البحث عن التضمين مكونًا مهمًا لأنظمة التوصية واسعة النطاق. استفد من تسريع الأجهزة وتقنية التضمين الديناميكي للتغلب على اختناقات الأداء الشائعة في جداول التضمين الكبيرة.
تسهل واجهة برمجة تطبيقات طبقة TPUEmbedding التدريب وخدمة جداول التضمين الكبيرة على وحدات معالجة Tensor (TPUs).
TensorFlow Recommenders Addons هو مشروع يساهم به المجتمع ويستفيد من تقنية التضمين الديناميكي المفيدة بشكل خاص للتعلم عبر الإنترنت.
الحفاظ على خصوصية المستخدم
تعتمد محركات التوصية التقليدية على جمع سجلات تفاعل المستخدم ونماذج توصيات التدريب بناءً على أنشطة المستخدم الأولية. تأكد من أن بيانات المستخدم تظل خاصة من خلال دمج ممارسات تطوير الذكاء الاصطناعي المسؤول .
يوفر TensorFlow Lite حلاً للتوصية على الجهاز يحقق توصيات ذات زمن وصول منخفض وتوصيات عالية الجودة، مع الاحتفاظ بجميع بيانات المستخدم على الأجهزة المحمولة.
TensorFlow Federated هو إطار عمل للتعلم الموحد والحسابات الأخرى على البيانات اللامركزية. تعمل عملية إعادة الإعمار الموحدة على جلب تحليل المصفوفة إلى بيئة التعلم الموحد وحماية خصوصية المستخدم بشكل أفضل فيما يتعلق بالتوصيات.
استخدم تقنيات متقدمة لموصيين أكثر تطوراً
في حين أن نماذج التصفية التعاونية الكلاسيكية تستخدم على نطاق واسع في الصناعة، إلا أن هناك اتجاهًا متزايدًا لاعتماد تقنيات متقدمة، مثل التعلم المعزز والشبكات العصبية الرسومية (GNNs)، لبناء أنظمة التوصية.
TensorFlow Agents Bandits هي مكتبة شاملة لخوارزميات قطاع الطرق التي يمكنها استكشافها واستغلالها بشكل فعال في إعداد محرك التوصيات.
TensorFlow GNN هي مكتبة يمكنها تسهيل توصيات العناصر بكفاءة بناءً على هياكل الشبكة ويمكن استخدامها جنبًا إلى جنب مع نماذج الاسترجاع والتصنيف.
تعرف على كيفية استخدام نماذج اللغات الكبيرة (LLMs) مثل PaLM API لتعزيز أنظمة التوصيات الخاصة بك.
نماذج التوصية المرجعية الحديثة
لقياس الأداء لنموذج معروف أو إنشاء نماذج التوصية الخاصة بك، راجع تطبيقات TensorFlow الرسمية للنماذج الشائعة – مثل NCF، وDLRM، وDCN v2 – للحصول على أفضل الممارسات.
الموارد التعليمية
تعرف على المزيد حول بناء أنظمة التوصيات من خلال اتباع الدورات ومقاطع الفيديو خطوة بخطوة.
أنظمة التوصية في العالم الحقيقي
استكشف الأمثلة ودراسات الحالة لأنظمة التوصية التي تعمل على تشغيل التطبيقات في كل صناعة.
اقرأ عن كيفية تدريب Digitec Galaxus وتقديم ملايين النشرات الإخبارية المخصصة أسبوعيًا باستخدام وكلاء TFX وTensorFlow.
تعرف على كيفية استخدام HarperDB لموصيي TensorFlow وTensorFlow.js لإنشاء نظام توصيات قائم على التصفية التعاونية لعناصر متاجر البقالة.
تعرّف على كيفية استفادة Spotify من النظام البيئي TensorFlow لتصميم جهاز محاكاة قابل للتمديد دون اتصال بالإنترنت وتدريب وكلاء RL لإنشاء توصيات قائمة التشغيل.