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.
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.
Systemy rekomendacji w świecie rzeczywistym
Poznaj przykłady i studia przypadków systemów rekomendacyjnych wspierających aplikacje w każdej branży.
Dowiedz się, jak YouTube w odpowiedzialny sposób buduje swój potężny system rekomendacji.
Przeczytaj, jak Digitec Galaxus szkoli i dostarcza miliony spersonalizowanych biuletynów tygodniowo za pomocą agentów TFX i TensorFlow.
Dowiedz się, jak HarperDB wykorzystuje narzędzia rekomendujące TensorFlow i TensorFlow.js do tworzenia opartego na współpracy systemu rekomendacji dla artykułów ze sklepu spożywczego.
Dowiedz się, jak Spotify wykorzystało ekosystem TensorFlow do zaprojektowania rozszerzalnego symulatora offline i przeszkolenia agentów RL w zakresie generowania rekomendacji list odtwarzania.