מערכות המלצות
מהזמנת מזון ועד וידאו לפי דרישה והזרמת אודיו ועד אופנה, מערכות המלצות מפעילות כמה מהיישומים הפופולריים ביותר כיום. גלה כיצד תוכל לבנות מערכות המלצות מוכנות לייצור עם ספריות וכלים בקוד פתוח מהאקולוגית של TensorFlow.
מערכות המלצות מגבירות את מעורבות המשתמשים באפליקציה שלך ומגבירות את חוויית המשתמש על ידי אספקת התוכן הנחשק ביותר. ממליצים מודרניים הם מערכות מורכבות שלעתים קרובות מחולקות למספר שלבים כדי להשיג חביון נמוך בייצור. בשלבי השליפה, הדירוג והדירוג הפוטנציאלי לאחר מכן, פריטים לא רלוונטיים מסוננים בהדרגה ממאגר גדול של מועמדים ולבסוף מוצגת רשימה של אפשרויות שהמשתמשים בעלי הסבירות הגבוהה ביותר לקיים איתן אינטראקציה.
התחל לבנות עם TensorFlow Recommenders , מסגרת קלה לשימוש המאפשרת את זרימת העבודה המלאה של בניית מערכת ממליצים מהכנת הנתונים ועד לפריסה.
לאחר שתסיים להכשיר את הדגמים שלך, פרוס אותם לייצור כדי להגיש המלצות למשתמשי הקצה. TensorFlow Serving מייצרת את הדגמים שלך להסקת ביצועים גבוהים. המטרה היא למקסם את התפוקה של מודלים של למידת מכונה ויכולה לתמוך במודלים גדולים של המלצות הדורשים הגשה מבוזרת.
# 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]]}
שפר את שלבי השליפה והדירוג של מנועי המלצות
מערכות המלצות רחבות היקף דורשות לקבוע את הפריטים הרלוונטיים ביותר מתוך מיליוני מועמדים דרך שלבי השליפה והדירוג בצורה יעילה ויעילה. השלים את ממליצי TensorFlow עם אלגוריתמי חיפוש משוערים הקרובים ביותר (ANN) וטכניקות למידה לדירוג (LTR) עדכניות לשיפור ההמלצות.
ScaNN היא ספרייה לחיפוש דמיון וקטור בקנה מידה. הוא ממנף טכניקות ANN מתקדמות, כגון hashing א-סימטרי וקונטיזציה אנזוטרופית, כדי להאיץ את שליפת המועמדים המובילים.
TensorFlow Ranking היא ספרייה לפיתוח דגמי LTR עצביים ניתנים להרחבה. הוא מספק פונקציונליות נוספת לדירוג פריטים מועמדים כדי למקסם את כלי השירות לדירוג.
בצע אופטימיזציה של הטבעות גדולות לאימון והסקת מודלים
פעולת בדיקת הטבעת היא מרכיב קריטי עבור מערכות המלצות בקנה מידה גדול. מנף האצת חומרה וטכנולוגיית הטבעה דינמית כדי להתגבר על צווארי בקבוק בביצועים הנפוצים בטבלאות הטמעה גדולות.
ה-API של שכבת ה-TPUEmbedding מאפשר אימון והגשה של טבלאות הטמעה גדולות על יחידות עיבוד Tensor (TPUs).
TensorFlow Recommenders Addons הוא פרויקט שתרומה מהקהילה הממנף טכנולוגיית הטמעה דינמית שימושית במיוחד ללמידה מקוונת.
שמור על פרטיות המשתמש
מנועי המלצות מסורתיים מסתמכים על איסוף יומני אינטראקציה של משתמשים ומודלים של המלצות הדרכה המבוססים על פעילויות משתמש גולמיות. ודא שנתוני המשתמש נשארים פרטיים על ידי שילוב שיטות פיתוח בינה מלאכותית אחראית .
TensorFlow Lite מספקת פתרון המלצות במכשיר המשיג המלצות לאחביות ואיכות גבוהה, תוך שמירה על כל נתוני המשתמש במכשירים הניידים.
TensorFlow Federated היא מסגרת ללמידה מאוחדת וחישובים אחרים על נתונים מבוזרים. Federated Reconstruction מביא גורם מטריצה להגדרת הלמידה המאוחדת ומגן טוב יותר על פרטיות המשתמש להמלצות.
השתמש בטכניקות מתקדמות עבור ממליצים מתוחכמים יותר
בעוד שמודלי סינון שיתופיים קלאסיים נמצאים בשימוש נרחב בתעשייה, ישנה מגמה גוברת לאמץ טכניקות מתקדמות, כגון למידת חיזוק ו-Graph Neural Networks (GNNs), לבניית מערכות המלצות.
TensorFlow Agents Bandits היא ספרייה מקיפה של אלגוריתמי שודדים שיכולים לחקור ולנצל ביעילות בהגדרת מנוע ההמלצות.
TensorFlow GNN היא ספרייה שיכולה להקל ביעילות על המלצות פריטים המבוססות על מבני רשת ולשמש בשילוב עם מודלים של אחזור ודירוג.
למד כיצד להשתמש במודלים של שפה גדולה (LLMs) כמו PaLM API כדי להגדיל את מערכות ההמלצות שלך.
התייחסות לדגמי המלצות חדישים
כדי למדוד ביצועים עבור מודל ידוע או לבנות מודלים משלך להמלצות, עיין בהטמעות הרשמיות של TensorFlow של מודלים פופולריים - כגון NCF, DLRM ו-DCN v2 - לקבלת שיטות עבודה מומלצות.
משאבים חינוכיים
למד עוד על בניית מערכות המלצות על ידי ביצוע קורסים וסרטונים שלב אחר שלב.
מערכות המלצות בעולם האמיתי
חקור דוגמאות ותיאורי מקרה של מערכות המלצות המניעות יישומים בכל תעשייה.
קרא על האופן שבו Digitec Galaxus מאמנת ומגישה מיליוני ניוזלטרים מותאמים אישית בשבוע עם סוכני TFX ו- TensorFlow.
למד כיצד HarperDB משתמשת ב-TensorFlow Recommenders וב-TensorFlow.js כדי לבנות מערכת המלצות מבוססת-סינון שיתופי עבור פריטי חנות מכולת.
למד כיצד Spotify מינפה את המערכת האקולוגית של TensorFlow כדי לעצב סימולטור לא מקוון הניתן להרחבה ולהכשיר את סוכני RL ליצור המלצות לפלייליסטים.
מערכות המלצות
מהזמנת מזון ועד וידאו לפי דרישה והזרמת אודיו ועד אופנה, מערכות המלצות מפעילות כמה מהיישומים הפופולריים ביותר כיום. גלה כיצד תוכל לבנות מערכות המלצות מוכנות לייצור עם ספריות וכלים בקוד פתוח מהאקולוגית של TensorFlow.
מערכות המלצות מגבירות את מעורבות המשתמש באפליקציה שלך ומגבירות את חווית המשתמש על ידי אספקת התוכן הנחשק ביותר. ממליצים מודרניים הם מערכות מורכבות שלעתים קרובות מחולקות למספר שלבים כדי להשיג חביון נמוך בייצור. בשלבי השליפה, הדירוג והדירוג הפוטנציאלי לאחר מכן, פריטים לא רלוונטיים מסוננים בהדרגה ממאגר גדול של מועמדים ולבסוף מוצגת רשימה של אפשרויות שהמשתמשים בעלי הסבירות הגבוהה ביותר לקיים איתן אינטראקציה.
התחל לבנות עם TensorFlow Recommenders , מסגרת קלה לשימוש המאפשרת את זרימת העבודה המלאה של בניית מערכת ממליצים מהכנת הנתונים ועד לפריסה.
לאחר שתסיים להכשיר את הדגמים שלך, פרוס אותם לייצור כדי להגיש המלצות למשתמשי הקצה. TensorFlow Serving מייצרת את הדגמים שלך להסקת ביצועים גבוהים. המטרה היא למקסם את התפוקה של מודלים של למידת מכונה ויכולה לתמוך במודלים גדולים של המלצות הדורשים הגשה מבוזרת.
# 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]]}
שפר את שלבי השליפה והדירוג של מנועי המלצות
מערכות המלצות רחבות היקף דורשות לקבוע את הפריטים הרלוונטיים ביותר מתוך מיליוני מועמדים דרך שלבי השליפה והדירוג בצורה יעילה ויעילה. השלים את ממליצי TensorFlow עם אלגוריתמי חיפוש משוערים הקרובים ביותר (ANN) וטכניקות למידה לדירוג (LTR) עדכניות לשיפור ההמלצות.
ScaNN היא ספרייה לחיפוש דמיון וקטור בקנה מידה. הוא ממנף טכניקות ANN מתקדמות, כגון hashing א-סימטרי וקונטיזציה אנזוטרופית, כדי להאיץ את שליפת המועמדים המובילים.
TensorFlow Ranking היא ספרייה לפיתוח דגמי LTR עצביים ניתנים להרחבה. הוא מספק פונקציונליות נוספת לדירוג פריטים מועמדים כדי למקסם את כלי השירות לדירוג.
בצע אופטימיזציה של הטבעות גדולות לאימון והסקת מודלים
פעולת בדיקת הטבעת היא מרכיב קריטי עבור מערכות המלצות בקנה מידה גדול. מנף האצת חומרה וטכנולוגיית הטבעה דינמית כדי להתגבר על צווארי בקבוק בביצועים הנפוצים בטבלאות הטמעה גדולות.
ה-API של שכבת ה-TPUEmbedding מאפשר אימון והגשה של טבלאות הטמעה גדולות על יחידות עיבוד Tensor (TPUs).
TensorFlow Recommenders Addons הוא פרויקט שתרומה מהקהילה הממנף טכנולוגיית הטמעה דינמית שימושית במיוחד ללמידה מקוונת.
שמור על פרטיות המשתמש
מנועי המלצות מסורתיים מסתמכים על איסוף יומני אינטראקציה של משתמשים ומודלים של המלצות הדרכה המבוססים על פעילויות משתמש גולמיות. ודא שנתוני המשתמש נשארים פרטיים על ידי שילוב שיטות פיתוח בינה מלאכותית אחראית .
TensorFlow Lite מספקת פתרון המלצות במכשיר המשיג המלצות עם אחזור נמוך ואיכות גבוהה, תוך שמירה על כל נתוני המשתמש במכשירים הניידים.
TensorFlow Federated היא מסגרת ללמידה מאוחדת וחישובים אחרים על נתונים מבוזרים. Federated Reconstruction מביא גורם מטריצה להגדרת הלמידה המאוחדת ומגן טוב יותר על פרטיות המשתמש להמלצות.
השתמש בטכניקות מתקדמות עבור ממליצים מתוחכמים יותר
בעוד שמודלי סינון שיתופיים קלאסיים נמצאים בשימוש נרחב בתעשייה, ישנה מגמה גוברת לאמץ טכניקות מתקדמות, כגון למידת חיזוק ו-Graph Neural Networks (GNNs), לבניית מערכות המלצות.
TensorFlow Agents Bandits היא ספרייה מקיפה של אלגוריתמי שודדים שיכולים לחקור ולנצל ביעילות בהגדרת מנוע ההמלצות.
TensorFlow GNN היא ספרייה שיכולה להקל ביעילות על המלצות פריטים המבוססות על מבני רשת ולשמש בשילוב עם מודלים של אחזור ודירוג.
למד כיצד להשתמש במודלים של שפה גדולה (LLMs) כמו PaLM API כדי להגדיל את מערכות ההמלצות שלך.
התייחסות לדגמי המלצות חדישים
כדי למדוד ביצועים עבור מודל ידוע או לבנות מודלים משלך להמלצות, עיין בהטמעות הרשמיות של TensorFlow של מודלים פופולריים - כגון NCF, DLRM ו-DCN v2 - לקבלת שיטות עבודה מומלצות.
משאבים חינוכיים
למד עוד על בניית מערכות המלצות על ידי ביצוע קורסים וסרטונים שלב אחר שלב.
מערכות המלצות בעולם האמיתי
חקור דוגמאות ותיאורי מקרה של מערכות המלצות המניעות יישומים בכל תעשייה.
קרא על האופן שבו Digitec Galaxus מאמנת ומגישה מיליוני ניוזלטרים מותאמים אישית בשבוע עם סוכני TFX ו- TensorFlow.
למד כיצד HarperDB משתמשת ב-TensorFlow Recommenders וב-TensorFlow.js כדי לבנות מערכת המלצות מבוססת-סינון שיתופי עבור פריטי חנות מכולת.
למד כיצד Spotify מינפה את המערכת האקולוגית של TensorFlow כדי לעצב סימולטור לא מקוון הניתן להרחבה ולהכשיר את סוכני RL ליצירת המלצות לפלייליסטים.
מערכות המלצות
מהזמנת מזון ועד וידאו לפי דרישה והזרמת אודיו ועד אופנה, מערכות המלצות מפעילות כמה מהיישומים הפופולריים ביותר כיום. גלה כיצד תוכל לבנות מערכות המלצות מוכנות לייצור עם ספריות וכלים בקוד פתוח מהאקולוגית של TensorFlow.
מערכות המלצות מגבירות את מעורבות המשתמש באפליקציה שלך ומגבירות את חווית המשתמש על ידי אספקת התוכן הנחשק ביותר. ממליצים מודרניים הם מערכות מורכבות שלעתים קרובות מחולקות למספר שלבים כדי להשיג חביון נמוך בייצור. בשלבי השליפה, הדירוג והדירוג הפוטנציאלי לאחר מכן, פריטים לא רלוונטיים מסוננים בהדרגה ממאגר גדול של מועמדים ולבסוף מוצגת רשימה של אפשרויות שהמשתמשים בעלי הסבירות הגבוהה ביותר לקיים איתן אינטראקציה.
התחל לבנות עם TensorFlow Recommenders , מסגרת קלה לשימוש המאפשרת את זרימת העבודה המלאה של בניית מערכת ממליצים מהכנת הנתונים ועד לפריסה.
לאחר שתסיים להכשיר את הדגמים שלך, פרוס אותם לייצור כדי להגיש המלצות למשתמשי הקצה. TensorFlow Serving מייצרת את הדגמים שלך להסקת ביצועים גבוהים. המטרה היא למקסם את התפוקה של מודלים של למידת מכונה ויכולה לתמוך במודלים גדולים של המלצות הדורשים הגשה מבוזרת.
# 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]]}
שפר את שלבי השליפה והדירוג של מנועי המלצות
מערכות המלצות רחבות היקף דורשות לקבוע את הפריטים הרלוונטיים ביותר מתוך מיליוני מועמדים דרך שלבי השליפה והדירוג בצורה יעילה ויעילה. השלים את ממליצי TensorFlow עם אלגוריתמי חיפוש משוערים הקרובים ביותר (ANN) וטכניקות למידה לדירוג (LTR) עדכניות לשיפור ההמלצות.
ScaNN היא ספרייה לחיפוש דמיון וקטור בקנה מידה. הוא ממנף טכניקות ANN מתקדמות, כגון hashing א-סימטרי וקונטיזציה אנזוטרופית, כדי להאיץ את שליפת המועמדים המובילים.
TensorFlow Ranking היא ספרייה לפיתוח דגמי LTR עצביים ניתנים להרחבה. הוא מספק פונקציונליות נוספת לדירוג פריטים מועמדים כדי למקסם את כלי השירות לדירוג.
בצע אופטימיזציה של הטבעות גדולות לאימון והסקת מודלים
פעולת בדיקת הטבעת היא מרכיב קריטי עבור מערכות המלצות בקנה מידה גדול. מנף האצת חומרה וטכנולוגיית הטבעה דינמית כדי להתגבר על צווארי בקבוק בביצועים הנפוצים בטבלאות הטמעה גדולות.
ה-API של שכבת ה-TPUEmbedding מאפשר אימון והגשה של טבלאות הטמעה גדולות על יחידות עיבוד Tensor (TPUs).
TensorFlow Recommenders Addons הוא פרויקט שתרומה מהקהילה הממנף טכנולוגיית הטמעה דינמית שימושית במיוחד ללמידה מקוונת.
שמור על פרטיות המשתמש
מנועי המלצות מסורתיים מסתמכים על איסוף יומני אינטראקציה של משתמשים ומודלים של המלצות הדרכה המבוססים על פעילויות משתמש גולמיות. ודא שנתוני המשתמש נשארים פרטיים על ידי שילוב שיטות פיתוח בינה מלאכותית אחראית .
TensorFlow Lite מספקת פתרון המלצות במכשיר המשיג המלצות עם אחזור נמוך ואיכות גבוהה, תוך שמירה על כל נתוני המשתמש במכשירים הניידים.
TensorFlow Federated היא מסגרת ללמידה מאוחדת וחישובים אחרים על נתונים מבוזרים. Federated Reconstruction מביא גורם מטריצה להגדרת הלמידה המאוחדת ומגן טוב יותר על פרטיות המשתמש להמלצות.
השתמש בטכניקות מתקדמות עבור ממליצים מתוחכמים יותר
בעוד שמודלי סינון שיתופיים קלאסיים נמצאים בשימוש נרחב בתעשייה, ישנה מגמה גוברת לאמץ טכניקות מתקדמות, כגון למידת חיזוק ו-Graph Neural Networks (GNNs), לבניית מערכות המלצות.
TensorFlow Agents Bandits היא ספרייה מקיפה של אלגוריתמי שודדים שיכולים לחקור ולנצל ביעילות בהגדרת מנוע ההמלצות.
TensorFlow GNN היא ספרייה שיכולה להקל ביעילות על המלצות פריטים המבוססות על מבני רשת ולשמש בשילוב עם מודלים של אחזור ודירוג.
למד כיצד להשתמש במודלים של שפה גדולה (LLMs) כמו PaLM API כדי להגדיל את מערכות ההמלצות שלך.
התייחסות לדגמי המלצות חדישים
כדי למדוד ביצועים עבור מודל ידוע או לבנות מודלים משלך להמלצות, עיין בהטמעות הרשמיות של TensorFlow של מודלים פופולריים - כגון NCF, DLRM ו-DCN v2 - לקבלת שיטות עבודה מומלצות.
משאבים חינוכיים
למד עוד על בניית מערכות המלצות על ידי ביצוע קורסים וסרטונים שלב אחר שלב.
מערכות המלצות בעולם האמיתי
חקור דוגמאות ומקרי מקרים של מערכות המלצות המניעות יישומים בכל תעשייה.
קרא על האופן שבו Digitec Galaxus מאמנת ומגישה מיליוני ניוזלטרים מותאמים אישית בשבוע עם סוכני TFX ו- TensorFlow.
למד כיצד HarperDB משתמשת ב-TensorFlow Recommenders וב-TensorFlow.js כדי לבנות מערכת המלצות מבוססת-סינון שיתופי עבור פריטי חנות מכולת.
למד כיצד Spotify מינפה את המערכת האקולוגית של TensorFlow כדי לעצב סימולטור לא מקוון הניתן להרחבה ולהכשיר את סוכני RL ליצור המלצות לפלייליסטים.