レコメンデーションシステム

料理の注文からビデオオンデマンド、オーディオストリーミング、ファッションまで、レコメンデーションシステムは今日最も人気のあるアプリケーションの一部を支えています。TensorFlow エコシステムのオープンソースのライブラリとツールを使用して、本番環境に対応したレコメンデーションシステムを構築する方法をご覧ください。

レコメンデーションシステムは、最も理想的なコンテンツを提供することで、アプリ内のユーザーエンゲージメントを高め、ユーザーエクスペリエンスを改善させます。最新のレコメンダーは複雑なシステムであり、通常の場合は、本番環境での低レイテンシを実現するために複数のステージに分割されます。取得、ランキング、場合によってはランキング後のステージで、無関係な項目が候補の大規模なプールから段階的に除外されていき、ユーザーがアクションを行う可能性の最も高い選択肢のリストが最終的に提示されます。

データ準備からデプロイまでのレコメンダーシステム構築の完全なワークフローを促進する、使いやすいフレームワークである TensorFlow Recommender で構築を開始しましょう。

TensorFlow Recommender を使ってみる

モデルのトレーニングが完了したら、モデルを本番環境にデプロイして、エンドユーザーにレコメンデーションを提供します。TensorFlow Serving が、高パフォーマンスの推論のためのモデルの製品化を行います。機械学習モデルのスループットの最大化を目的としており、分散型の提供を必要とする大規模なレコメンデーションモデルをサポートできます。

TensorFlow Serving を使ってみる

# 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]]}

code_blocks

TensorFlow でフルスタックレコメンデーションシステムを構築してデプロイする方法を学ぶ

レコメンデーションエンジンの取得ステージとランキングステージを改善する

大規模なレコメンデーションシステムでは、効果的かつ効率的な手法で、最も関連性の高い項目を数百万単位の候補から取得およびランキングステージを介して決定する必要があります。TensorFlow Recommender を、ScaNN ライブラリの最先端の近似最近傍探索（ANN）検索アルゴリズムと TensorFlow Ranking ライブラリの順序学習（LTR）手法で補完して、レコメンデーションを改善します。

Google ScaNN

ScaNN は、大規模なベクトル類似性検索用のライブラリです。非対称ハッシュや異方性量子化などの最新の ANN 技術を活用することで、上位候補を迅速に取得できます。

GitHub ブログ投稿チュートリアル

TensorFlow Ranking

TensorFlow Ranking は、スケーラブルなニューラル LTR モデルを開発するためのライブラリです。ランキングユーティリティを最大化するための、候補アイテムをランク付けする追加機能を提供します。

GitHub ブログ投稿チュートリアル

モデルのトレーニングと推論のために大規模なエンベディングを最適化する

エンベディングルックアップオペレーションは、大規模なレコメンデーションシステムにとって重要なコンポーネントです。ハードウェアアクセラレーションと動的エンベディングテクノロジーを活用することで、大規模なエンベディングテーブルで起こりがちなパフォーマンスのボトルネックを解消できます。

TensorFlow TPUEmbedding

TPUEmbedding Layers API を利用すれば、Tensor Processing Unit（TPU）での大規模なエンベディングテーブルのトレーニングと提供が容易になります。

ドキュメントブログ投稿

TensorFlow Recommenders Addons

TensorFlow Recommenders Addons は、コミュニティ提供のプロジェクトで、特にオンライン学習に役立つ動的エンベディングテクノロジーを活用しています。

GitHub

ユーザーのプライバシーを保護する

従来型のレコメンデーションエンジンは、ユーザーインタラクションログの収集と、未加工のユーザーアクションに基づくレコメンデーションモデルのトレーニングに依存しています。責任ある AI 開発プラクティスを組み込むことで、ユーザーデータのプライバシーを確保できます。

TensorFlow Lite のオンデバイスレコメンデーション

TensorFlow Lite は、低レイテンシで高品質なレコメンデーションを実現するとともに、すべてのユーザーデータをモバイルデバイス上に保持できる、オンデバイスのレコメンデーションソリューションです。

ドキュメントブログ投稿

TensorFlow Federated を利用した Federated Reconstruction

TensorFlow Federated は、分散型データでのフェデレーションラーニングやその他の計算のためのフレームワークです。Federated Reconstruction は、フェデレーションラーニング設定に行列分解をもたらすものであり、レコメンデーションのユーザープライバシーをより適切に保護できます。

チュートリアルブログ投稿