Sistemas de recomendação
Desde pedidos de comida até vídeo sob demanda e streaming de áudio até moda, os sistemas de recomendação alimentam alguns dos aplicativos mais populares da atualidade. Explore como você pode criar sistemas de recomendação prontos para produção com bibliotecas e ferramentas de código aberto do ecossistema TensorFlow.
Os sistemas de recomendação aumentam o envolvimento do usuário em seu aplicativo e elevam a experiência do usuário, fornecendo o conteúdo mais desejável. Os recomendadores modernos são sistemas complexos que muitas vezes são divididos em vários estágios para atingir baixa latência na produção. Através dos estágios de recuperação, classificação e potencialmente pós-classificação, itens irrelevantes são gradualmente filtrados de um grande conjunto de candidatos e uma lista de opções com as quais os usuários têm maior probabilidade de interagir é finalmente apresentada.
Comece a criar com os Recomendadores do TensorFlow , uma estrutura fácil de usar que facilita todo o fluxo de trabalho de criação de um sistema de recomendação, desde a preparação dos dados até a implantação.
Quando terminar de treinar seus modelos, implante-os na produção para fornecer recomendações aos usuários finais. O TensorFlow Serving produz seus modelos para inferência de alto desempenho. Seu objetivo é maximizar o rendimento de modelos de aprendizado de máquina e pode oferecer suporte a grandes modelos de recomendação que exigem serviço distribuído.
# 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]]}
Melhore os estágios de recuperação e classificação dos mecanismos de recomendação
Os sistemas de recomendação em grande escala exigem que os itens mais relevantes sejam determinados a partir de milhões de candidatos através das fases de recuperação e classificação de uma forma eficaz e eficiente. Complemente os recomendadores do TensorFlow com algoritmos de pesquisa de vizinho mais próximo aproximado (ANN) de última geração e técnicas de aprendizagem para classificação (LTR) para melhorar as recomendações.
ScaNN é uma biblioteca para pesquisa de similaridade vetorial em escala. Ele aproveita técnicas de RNA de última geração, como hashing assimétrico e quantização anisotrópica, para acelerar a recuperação dos principais candidatos.
TensorFlow Ranking é uma biblioteca para o desenvolvimento de modelos LTR neurais escalonáveis. Ele fornece funcionalidades adicionais para classificar itens candidatos para maximizar os utilitários de classificação.
Otimize grandes incorporações para treinamento e inferência de modelos
A operação de pesquisa de incorporação é um componente crítico para sistemas de recomendação em larga escala. Aproveite a aceleração de hardware e a tecnologia de incorporação dinâmica para superar gargalos de desempenho comuns em grandes tabelas de incorporação.
A API da camada TPUEmbedding facilita o treinamento e o fornecimento de grandes tabelas de incorporação em unidades de processamento de tensor (TPUs).
Os complementos de recomendação do TensorFlow são um projeto contribuído pela comunidade que aproveita a tecnologia de incorporação dinâmica que é particularmente útil para aprendizagem on-line.
Preservar a privacidade do usuário
Os mecanismos de recomendação tradicionais dependem da coleta de logs de interação do usuário e de modelos de recomendação de treinamento com base nas atividades brutas do usuário. Garanta que os dados do usuário permaneçam privados, incorporando práticas de desenvolvimento de IA responsável .
O TensorFlow Lite fornece uma solução de recomendação no dispositivo que alcança recomendações de baixa latência e alta qualidade, ao mesmo tempo que mantém todos os dados do usuário nos dispositivos móveis.
TensorFlow Federated é uma estrutura para aprendizagem federada e outros cálculos em dados descentralizados. A Reconstrução Federada traz a fatoração de matriz para o ambiente de aprendizagem federada e protege melhor a privacidade do usuário para recomendações.
Use técnicas avançadas para recomendadores mais sofisticados
Embora os modelos clássicos de filtragem colaborativa sejam amplamente utilizados na indústria, há uma tendência crescente de adoção de técnicas avançadas, como aprendizagem por reforço e redes neurais de grafos (GNNs), para construir sistemas de recomendação.
TensorFlow Agents Bandits é uma biblioteca abrangente de algoritmos bandidos que podem explorar e explorar de forma eficaz na configuração do mecanismo de recomendação.
TensorFlow GNN é uma biblioteca que pode facilitar recomendações de itens com eficiência com base em estruturas de rede e ser usada em conjunto com modelos de recuperação e classificação.
Aprenda como usar grandes modelos de linguagem (LLMs), como a API PaLM, para aumentar seus sistemas de recomendação.
Referência de modelos de recomendação de última geração
Para avaliar o desempenho de um modelo conhecido ou criar seus próprios modelos de recomendação, confira as implementações oficiais do TensorFlow de modelos populares, como NCF, DLRM e DCN v2, para conhecer as práticas recomendadas.
Recursos educacionais
Saiba mais sobre como criar sistemas de recomendação seguindo cursos e vídeos passo a passo.
Sistemas de recomendação do mundo real
Explore exemplos e estudos de caso de sistemas de recomendação que potencializam aplicações em todos os setores.
Saiba como o YouTube cria seu poderoso sistema de recomendação de maneira responsável.
Leia sobre como Digitec Galaxus treina e veicula milhões de boletins informativos personalizados por semana com agentes TFX e TensorFlow.
Saiba como o HarperDB usa os recomendadores do TensorFlow e o TensorFlow.js para criar um sistema de recomendação baseado em filtragem colaborativa para itens de supermercado.
Saiba como o Spotify aproveitou o ecossistema TensorFlow para projetar um simulador off-line extensível e treinar agentes RL para gerar recomendações de playlists.