Systemy rekomendacji
Od zamawiania jedzenia po wideo na żądanie i strumieniowe przesyłanie dźwięku po modę – systemy rekomendacji obsługują niektóre z najpopularniejszych obecnie aplikacji. Dowiedz się, jak zbudować gotowe do produkcji systemy rekomendacji, korzystając z bibliotek i narzędzi open source z ekosystemu TensorFlow.
Systemy rekomendacji zwiększają zaangażowanie użytkowników w Twoją aplikację i podnoszą komfort użytkowania, dostarczając najbardziej pożądane treści. Nowoczesne rekomendatory to złożone systemy, które często dzieli się na wiele etapów, aby osiągnąć niskie opóźnienia w produkcji. Na etapach wyszukiwania, rankingu i potencjalnie po rankingu nieistotne elementy są stopniowo odfiltrowywane z dużej puli kandydatów i ostatecznie prezentowana jest lista opcji, z którymi użytkownicy najprawdopodobniej wejdą w interakcję.
Rozpocznij tworzenie z TensorFlow Recommenders , łatwym w użyciu frameworkiem, który ułatwia pełny przepływ pracy związany z budowaniem systemu rekomendującego od przygotowania danych do wdrożenia.
Po zakończeniu szkolenia modeli wdróż je w środowisku produkcyjnym, aby udostępniać rekomendacje użytkownikom końcowym. TensorFlow Serving produkuje Twoje modele w celu uzyskania wysokiej wydajności wnioskowania. Ma na celu maksymalizację przepustowości modeli uczenia maszynowego i może obsługiwać duże modele rekomendacji, które wymagają rozproszonego udostępniania.
# 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]]}
Ulepsz etapy wyszukiwania i rankingu silników rekomendacji
Wielkoskalowe systemy rekomendacji wymagają skutecznego i wydajnego wybierania najbardziej odpowiednich pozycji spośród milionów kandydatów na etapach wyszukiwania i rankingu. Uzupełnij narzędzia rekomendujące TensorFlow o najnowocześniejsze algorytmy wyszukiwania przybliżonego najbliższego sąsiada (ANN) i techniki uczenia się do rangi (LTR), aby ulepszyć rekomendacje.
ScanNN to biblioteka do wyszukiwania podobieństw wektorów na dużą skalę. Wykorzystuje najnowocześniejsze techniki SSN, takie jak asymetryczne mieszanie i kwantyzacja anizotropowa, aby przyspieszyć wyszukiwanie najlepszych kandydatów.
TensorFlow Ranking to biblioteka do tworzenia skalowalnych, neuronowych modeli LTR. Zapewnia dodatkowe funkcje umożliwiające ranking pozycji kandydujących w celu maksymalizacji użyteczności rankingu.
Optymalizuj duże osadzania na potrzeby uczenia i wnioskowania modeli
Operacja wyszukiwania osadzania jest krytycznym elementem wielkoskalowych systemów rekomendacji. Wykorzystaj akcelerację sprzętową i technologię dynamicznego osadzania, aby pokonać wąskie gardła wydajności często spotykane w dużych tabelach osadzania.
Interfejs API warstwy TPUEmbedding ułatwia szkolenie i udostępnianie dużych tabel osadzania na jednostkach przetwarzania Tensor (TPU).
Dodatki TensorFlow Recommenders to projekt wniesiony przez społeczność, który wykorzystuje technologię dynamicznego osadzania, która jest szczególnie przydatna w nauce online.
Chroń prywatność użytkowników
Tradycyjne silniki rekomendacji opierają się na zbieraniu dzienników interakcji użytkowników i modelach rekomendacji szkoleniowych w oparciu o surowe działania użytkowników. Upewnij się, że dane użytkowników pozostają prywatne, stosując praktyki odpowiedzialnego rozwoju sztucznej inteligencji .
TensorFlow Lite zapewnia rozwiązanie rekomendacji na urządzeniu, które zapewnia rekomendacje o niskim opóźnieniu i wysokiej jakości, zachowując jednocześnie wszystkie dane użytkowników na urządzeniach mobilnych.
TensorFlow Federated to platforma do stowarzyszonego uczenia się i innych obliczeń na zdecentralizowanych danych. Federated Reconstruction wprowadza faktoryzację macierzy do ustawień uczenia się stowarzyszonego i lepiej chroni prywatność użytkowników w przypadku rekomendacji.
Użyj zaawansowanych technik dla bardziej wyrafinowanych rekomendatorów
Chociaż klasyczne modele filtrowania opartego na współpracy są szeroko stosowane w branży, istnieje rosnąca tendencja do stosowania zaawansowanych technik, takich jak uczenie się przez wzmacnianie i grafowe sieci neuronowe (GNN), do tworzenia systemów rekomendacji.
TensorFlow Agents Bandits to obszerna biblioteka algorytmów bandytów, które mogą skutecznie eksplorować i wykorzystywać w ustawieniach silnika rekomendacji.
TensorFlow GNN to biblioteka, która może skutecznie ułatwiać rekomendowanie elementów w oparciu o struktury sieciowe i być używana w połączeniu z modelami wyszukiwania i rankingu.
Dowiedz się, jak używać dużych modeli językowych (LLM), takich jak API PaLM, aby ulepszyć swoje systemy rekomendacji.
![](https://www.tensorflow.org/static/site-assets/images/marketing/resources/recommendation-systems/bg-diagram.png?authuser=0&hl=pl)
Referencyjne najnowocześniejsze modele rekomendacji
Aby porównać wydajność dobrze znanego modelu lub zbudować własne modele rekomendacyjne, zapoznaj się z oficjalnymi implementacjami popularnych modeli TensorFlow – takimi jak NCF, DLRM i DCN v2 – w celu uzyskania najlepszych praktyk.
Zasoby edukacyjne
Dowiedz się więcej o budowaniu systemów rekomendacji, oglądając szczegółowe kursy i filmy.
![](https://www.tensorflow.org/static/site-assets/images/marketing/home/home-join-header.png?authuser=0&hl=pl)
Systemy rekomendacji w świecie rzeczywistym
Poznaj przykłady i studia przypadków systemów rekomendacyjnych wspierających aplikacje w każdej branży.
![](https://www.tensorflow.org/static/site-assets/images/marketing/resources/recommendation-systems/recsys-video-app.png?authuser=0&hl=pl)
Dowiedz się, jak YouTube w odpowiedzialny sposób buduje swój potężny system rekomendacji.
![](https://www.tensorflow.org/static/site-assets/images/marketing/resources/recommendation-systems/recsys-digitac-galaxus.gif?authuser=0&hl=pl)
Przeczytaj, jak Digitec Galaxus szkoli i dostarcza miliony spersonalizowanych biuletynów tygodniowo za pomocą agentów TFX i TensorFlow.
![](https://www.tensorflow.org/static/site-assets/images/marketing/resources/recommendation-systems/recsys-harperdb-tensorflow-js.jpeg?authuser=0&hl=pl)
Dowiedz się, jak HarperDB wykorzystuje narzędzia rekomendujące TensorFlow i TensorFlow.js do tworzenia opartego na współpracy systemu rekomendacji dla artykułów ze sklepu spożywczego.
![](https://www.tensorflow.org/static/site-assets/images/marketing/resources/recommendation-systems/spotify-tensorflow-agents-recommendations.png?authuser=0&hl=pl)
Dowiedz się, jak Spotify wykorzystało ekosystem TensorFlow do zaprojektowania rozszerzalnego symulatora offline i przeszkolenia agentów RL w zakresie generowania rekomendacji list odtwarzania.