이 페이지는 Cloud Translation API를 통해 번역되었습니다.
Switch to English

Recommendation

개인화 된 추천은 미디어 콘텐츠 검색, 쇼핑 제품 제안 및 다음 앱 추천과 같은 모바일 장치의 다양한 사용 사례에 널리 사용됩니다. 사용자 개인 정보를 존중하면서 애플리케이션에 개인화 된 권장 사항을 제공하는 데 관심이있는 경우 다음 예제와 툴킷을 살펴 보는 것이 좋습니다.

시작하다

Android 사용자에게 관련 항목을 추천하는 방법을 보여주는 TensorFlow Lite 샘플 애플리케이션을 제공합니다.

Android 예

Android 이외의 플랫폼을 사용 중이거나 TensorFlow Lite API에 이미 익숙한 경우 스타터 추천 모델을 다운로드 할 수 있습니다.

스타터 모델 다운로드

또한 Github에서 자신의 모델을 훈련하기 위해 훈련 스크립트를 제공합니다.

교육 코드

모델 아키텍처 이해

컨텍스트 인코더를 사용하여 순차 사용자 기록을 인코딩하고 라벨 인코더를 사용하여 예측 된 추천 후보를 인코딩하는 이중 인코더 모델 아키텍처를 활용합니다. 컨텍스트 및 레이블 인코딩 간의 유사성은 예측 된 후보가 사용자의 요구를 충족 할 가능성을 나타내는 데 사용됩니다.

이 코드베이스에는 세 가지 다른 순차 사용자 기록 인코딩 기술이 제공됩니다.

  • BOW (bag-of-words encoder) : 컨텍스트 순서를 고려하지 않고 사용자 활동의 임베딩을 평균화합니다.
  • 컨벌루션 신경망 인코더 (CNN) : 여러 레이어의 컨벌루션 신경망을 적용하여 컨텍스트 인코딩을 생성합니다.
  • RNN (Recurrent Neural Network Encoder) : 컨텍스트 시퀀스를 인코딩하기 위해 순환 신경망을 적용합니다.

입력 ID :

  • 매트릭스 (ID : 260)
  • 라이언 일병 구하기 (ID : 2028)
  • (그리고 더)

출력 ID :

  • 스타 워즈 : 에피소드 VI-제다이의 귀환 (ID : 1210)
  • (그리고 더)

성능 벤치 마크

여기에 설명 된 도구를 사용하여 성능 벤치 마크 수치가 생성 됩니다 .

모델명 모델 사이즈 장치 CPU
추천 0.52Mb Pixel 3 0.09ms *
Pixel 4 0.05ms *

* 4 개의 스레드가 사용되었습니다.

훈련 데이터 사용

학습 된 모델 외에도 GitHub에서 오픈 소스 툴킷을 제공하여 자체 데이터로 모델을 학습시킵니다. 이 튜토리얼을 따라 툴킷을 사용하고 자신의 모바일 애플리케이션에 훈련 된 모델을 배포하는 방법을 배울 수 있습니다.

자습서 를 따라 여기에 사용 된 것과 동일한 기술을 적용하여 자신의 데이터 세트를 사용하여 추천 모델을 학습 시키십시오.

데이터를 사용한 모델 사용자 지정을위한 팁

이 데모 응용 프로그램에 통합 된 pretrained 모델과 훈련 MovieLens 데이터 세트, 당신은 Vocab의 크기, 내장 어두워 및 입력 상황에 맞는 길이와 자신의 데이터에 기반 모델 구성을 수정할 수 있습니다. 다음은 몇 가지 팁입니다.

  • 입력 컨텍스트 길이 : 최상의 입력 컨텍스트 길이는 데이터 세트에 따라 다릅니다. 레이블 이벤트가 장기 관심사와 단기 컨텍스트와 얼마나 관련이 있는지에 따라 입력 컨텍스트 길이를 선택하는 것이 좋습니다.

  • 인코더 유형 선택 : 입력 컨텍스트 길이에 따라 인코더 유형을 선택하는 것이 좋습니다. Bag-of-words 인코더는 짧은 입력 컨텍스트 길이 (예 : <10)에 잘 작동하며 CNN 및 RNN 인코더는 긴 입력 컨텍스트 길이에 대해 더 많은 요약 기능을 제공합니다.