سیستم های توصیه
از سفارش غذا گرفته تا ویدیوی درخواستی و پخش صدا تا مد، سیستمهای توصیه برخی از محبوبترین برنامههای امروزی را تامین میکنند. کاوش کنید که چگونه میتوانید با کتابخانههای منبع باز و ابزارهای اکوسیستم TensorFlow، سیستمهای توصیه آماده برای تولید بسازید.
سیستم های توصیه، تعامل کاربر را در برنامه شما افزایش می دهند و با ارائه مطلوب ترین محتوا، تجربه کاربر را بالا می برند. توصیهکنندههای مدرن سیستمهای پیچیدهای هستند که اغلب به چند مرحله تقسیم میشوند تا به تأخیر کم در تولید برسند. از طریق مراحل بازیابی، رتبهبندی و بالقوه پس از رتبهبندی، آیتمهای نامربوط به تدریج از مجموعه بزرگی از کاندیداها حذف میشوند و در نهایت فهرستی از گزینههایی که کاربران به احتمال زیاد با آنها تعامل دارند ارائه میشود.
شروع به ساختن با TensorFlow Recommenders کنید، چارچوبی با کاربری آسان که گردش کار کامل ساخت یک سیستم توصیهگر را از آمادهسازی داده تا استقرار تسهیل میکند.
هنگامی که آموزش مدل های خود را به پایان رساندید، آنها را در تولید به کار ببرید تا توصیه هایی را به کاربران نهایی ارائه دهید. سرویس TensorFlow مدل های شما را برای استنتاج با کارایی بالا تولید می کند. هدف آن به حداکثر رساندن توان عملیاتی مدلهای یادگیری ماشین است و میتواند از مدلهای توصیه بزرگی که نیاز به سرویس توزیع شده دارند پشتیبانی کند.
# 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]]}
مراحل بازیابی و رتبه بندی موتورهای توصیه را بهبود بخشید
Large-scale recommendation systems require the most relevant items to be determined from millions of candidates through the retrieval and ranking stages in an effective and efficient manner. Complement TensorFlow Recommenders with state-of-the-art Approximate Nearest Neighbor (ANN) search algorithms and learning-to-rank (LTR) techniques to improve recommendations.
ScaNN یک کتابخانه برای جستجوی شباهت برداری در مقیاس است. It leverages state-of-the-art ANN techniques, such as asymmetric hashing and anisotropic quantization, to accelerate retrieval of top candidates.
TensorFlow Ranking کتابخانه ای برای توسعه مدل های مقیاس پذیر و عصبی LTR است. این ویژگی های اضافی را برای رتبه بندی موارد نامزد برای به حداکثر رساندن ابزارهای رتبه بندی ارائه می دهد.
بهینه سازی جاسازی های بزرگ برای آموزش مدل و استنتاج
عملیات جستجوی تعبیه یک جزء حیاتی برای سیستم های توصیه در مقیاس بزرگ است. از شتاب سخت افزاری و فناوری جاسازی پویا برای غلبه بر گلوگاه های عملکرد رایج در جداول جاسازی بزرگ استفاده کنید.
API لایه TPUEmbedding آموزش و ارائه جداول جاسازی بزرگ را در واحدهای پردازش تانسور (TPU) تسهیل می کند.
TensorFlow Recommenders Addons یک پروژه با مشارکت جامعه است که از فناوری جاسازی پویا استفاده می کند که به ویژه برای یادگیری آنلاین مفید است.
حفظ حریم خصوصی کاربر
موتورهای توصیه سنتی بر جمعآوری گزارشهای تعامل کاربر و مدلهای توصیه آموزشی بر اساس فعالیتهای خام کاربر متکی هستند. با استفاده از روشهای توسعه هوش مصنوعی مسئول، از خصوصی بودن دادههای کاربر اطمینان حاصل کنید.
TensorFlow Lite یک راه حل توصیه روی دستگاه ارائه می دهد که به توصیه هایی با تأخیر کم و با کیفیت بالا دست می یابد، در حالی که تمام داده های کاربر را در دستگاه های تلفن همراه نگه می دارد.
TensorFlow Federated چارچوبی برای یادگیری فدرال و سایر محاسبات روی داده های غیرمتمرکز است. بازسازی فدرال فاکتورسازی ماتریس را به تنظیمات یادگیری فدرال می آورد و از حریم خصوصی کاربر برای توصیه ها بهتر محافظت می کند.
از تکنیک های پیشرفته برای توصیه کنندگان پیچیده تر استفاده کنید
در حالی که مدلهای فیلتر مشارکتی کلاسیک به طور گسترده در صنعت استفاده میشوند، روند رو به رشدی برای اتخاذ تکنیکهای پیشرفته، مانند یادگیری تقویتی و شبکههای عصبی نمودار (GNN) برای ایجاد سیستمهای توصیه وجود دارد.
TensorFlow Agents Bandits یک کتابخانه جامع از الگوریتمهای راهزن است که میتواند به طور موثر در تنظیمات موتور توصیهای کاوش و بهرهبرداری کند.
TensorFlow GNN کتابخانه ای است که می تواند به طور موثر توصیه های آیتم ها را بر اساس ساختارهای شبکه تسهیل کند و در ارتباط با مدل های بازیابی و رتبه بندی استفاده شود.
بیاموزید که چگونه از مدل های زبان بزرگ (LLM) مانند PaLM API برای تقویت سیستم های توصیه خود استفاده کنید.
مرجع مدلهای پیشنهادی پیشرفته
To benchmark performance for a well-known model or build your own recommendation models, check out official TensorFlow implementations of popular models – such as NCF, DLRM, and DCN v2 – for best practices.
منابع آموزشی
با دنبال کردن دورهها و ویدیوهای گام به گام درباره سیستمهای توصیه ساختمان بیشتر بدانید.
سیستم های توصیه دنیای واقعی
نمونهها و مطالعات موردی سیستمهای توصیهای که برنامههای کاربردی را در هر صنعت تامین میکنند، کاوش کنید.
بیاموزید که چگونه YouTube سیستم توصیه قدرتمند خود را به شیوه ای مسئولانه ایجاد می کند.
درباره نحوه آموزش و ارائه میلیونها خبرنامه شخصی توسط Digitec Galaxus در هفته با TFX و TensorFlow Agents بخوانید.
Learn how HarperDB uses TensorFlow Recommenders and TensorFlow.js to build a collaborative-filtering-based recommendation system for grocery store items.
Learn how Spotify leveraged the TensorFlow ecosystem to design an extendable offline simulator and train RL Agents to generate playlist recommendations.