Sistemas de recomendación
Desde pedidos de comida hasta vídeos a la carta y streaming de audio o moda, los sistemas de recomendación impulsan algunas de las aplicaciones más populares en la actualidad. Explore cómo puede crear sistemas de recomendación listos para producción con bibliotecas y herramientas de código abierto del ecosistema TensorFlow.
Los sistemas de recomendación aumentan la participación del usuario dentro de su aplicación y mejoran la experiencia del usuario al proporcionar el contenido más deseable. Los recomendadores modernos son sistemas complejos que a menudo se dividen en varias etapas para lograr una baja latencia en la producción. A través de las etapas de recuperación, clasificación y potencialmente posterior a la clasificación, los elementos irrelevantes se filtran gradualmente de un gran grupo de candidatos y finalmente se presenta una lista de opciones con las que los usuarios tienen más probabilidades de interactuar.
Comience a crear con TensorFlow Recommenders , un marco fácil de usar que facilita el flujo de trabajo completo de creación de un sistema de recomendación desde la preparación de los datos hasta la implementación.
Cuando haya terminado de entrenar sus modelos, impleméntelos en producción para ofrecer recomendaciones a los usuarios finales. TensorFlow Serving produce sus modelos para una inferencia de alto rendimiento. Su objetivo es maximizar el rendimiento de los modelos de aprendizaje automático y puede admitir grandes modelos de recomendación que requieren servicio distribuido.
# 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]]}
Mejorar las etapas de recuperación y clasificación de los motores de recomendación.
Los sistemas de recomendación a gran escala requieren que se determinen los elementos más relevantes entre millones de candidatos a través de las etapas de recuperación y clasificación de manera efectiva y eficiente. Complemente los recomendadores de TensorFlow con algoritmos de búsqueda de vecino más cercano (ANN) de última generación y técnicas de aprendizaje de clasificación (LTR) para mejorar las recomendaciones.
ScaNN es una biblioteca para la búsqueda de similitudes de vectores a escala. Aprovecha técnicas ANN de última generación, como hash asimétrico y cuantificación anisotrópica, para acelerar la recuperación de los mejores candidatos.
TensorFlow Ranking es una biblioteca para desarrollar modelos LTR neuronales escalables. Proporciona funcionalidades adicionales para clasificar elementos candidatos para maximizar las utilidades de clasificación.
Optimice incrustaciones grandes para entrenamiento e inferencia de modelos
La operación de búsqueda de incorporación es un componente crítico para los sistemas de recomendación a gran escala. Aproveche la aceleración de hardware y la tecnología de integración dinámica para superar los cuellos de botella de rendimiento comunes en las grandes tablas de integración.
La API de la capa TPUEmbedding facilita el entrenamiento y el servicio de grandes tablas de incrustación en unidades de procesamiento tensorial (TPU).
TensorFlow Recommenders Addons es un proyecto contribuido por la comunidad que aprovecha la tecnología de integración dinámica que es particularmente útil para el aprendizaje en línea.
Preservar la privacidad del usuario
Los motores de recomendación tradicionales se basan en la recopilación de registros de interacción del usuario y en la capacitación de modelos de recomendación basados en actividades sin procesar de los usuarios. Asegúrese de que los datos de los usuarios sigan siendo privados incorporando prácticas de desarrollo de IA responsable .
TensorFlow Lite proporciona una solución de recomendación en el dispositivo que logra recomendaciones de alta calidad y baja latencia, al tiempo que mantiene todos los datos del usuario en los dispositivos móviles.
TensorFlow Federated es un marco para el aprendizaje federado y otros cálculos sobre datos descentralizados. La Reconstrucción Federada aporta la factorización matricial al entorno de aprendizaje federado y protege mejor la privacidad del usuario para las recomendaciones.
Utilice técnicas avanzadas para recomendadores más sofisticados
Si bien los modelos clásicos de filtrado colaborativo se utilizan ampliamente en la industria, existe una tendencia creciente a adoptar técnicas avanzadas, como el aprendizaje por refuerzo y las redes neuronales gráficas (GNN), para crear sistemas de recomendación.
TensorFlow Agents Bandits es una biblioteca completa de algoritmos bandidos que se pueden explorar y explotar de manera efectiva en la configuración del motor de recomendación.
TensorFlow GNN es una biblioteca que puede facilitar de manera eficiente las recomendaciones de elementos basadas en estructuras de red y usarse junto con modelos de recuperación y clasificación.
Aprenda a utilizar modelos de lenguaje grandes (LLM), como la API PaLM, para aumentar sus sistemas de recomendación.
![](https://www.tensorflow.org/static/site-assets/images/marketing/resources/recommendation-systems/bg-diagram.png?authuser=1&hl=es)
Referencia de modelos de recomendación de última generación.
Para comparar el rendimiento de un modelo conocido o crear sus propios modelos de recomendación, consulte las implementaciones oficiales de TensorFlow de modelos populares, como NCF, DLRM y DCN v2, para conocer las mejores prácticas.
Recursos educativos
Obtenga más información sobre cómo crear sistemas de recomendación siguiendo cursos y videos paso a paso.
![](https://www.tensorflow.org/static/site-assets/images/marketing/home/home-join-header.png?authuser=1&hl=es)
Sistemas de recomendación del mundo real
Explore ejemplos y estudios de casos de sistemas de recomendación que impulsan aplicaciones en todas las industrias.
![](https://www.tensorflow.org/static/site-assets/images/marketing/resources/recommendation-systems/recsys-video-app.png?authuser=1&hl=es)
Descubra cómo YouTube construye su potente sistema de recomendaciones de forma responsable.
![](https://www.tensorflow.org/static/site-assets/images/marketing/resources/recommendation-systems/recsys-digitac-galaxus.gif?authuser=1&hl=es)
Lea acerca de cómo Digitec Galaxus entrena y entrega millones de boletines personalizados por semana con TFX y TensorFlow Agents.
![](https://www.tensorflow.org/static/site-assets/images/marketing/resources/recommendation-systems/recsys-harperdb-tensorflow-js.jpeg?authuser=1&hl=es)
Descubra cómo HarperDB utiliza TensorFlow Recommenders y TensorFlow.js para crear un sistema de recomendación basado en filtrado colaborativo para artículos de supermercado.
![](https://www.tensorflow.org/static/site-assets/images/marketing/resources/recommendation-systems/spotify-tensorflow-agents-recommendations.png?authuser=1&hl=es)
Descubra cómo Spotify aprovechó el ecosistema TensorFlow para diseñar un simulador fuera de línea extensible y capacitar a los agentes de RL para generar recomendaciones de listas de reproducción.