Usługi polecające TensorFlow
import tensorflow_datasets as tfds import tensorflow_recommenders as tfrs # Load data on movie ratings. ratings = tfds.load("movielens/100k-ratings", split="train") movies = tfds.load("movielens/100k-movies", split="train") # Build flexible representation models. user_model = tf.keras.Sequential([...]) movie_model = tf.keras.Sequential([...]) # Define your objectives. task = tfrs.tasks.Retrieval(metrics=tfrs.metrics.FactorizedTopK( movies.batch(128).map(movie_model) ) ) # Create a retrieval model. model = MovielensModel(user_model, movie_model, task) model.compile(optimizer=tf.keras.optimizers.Adagrad(0.5)) # Train. model.fit(ratings.batch(4096), epochs=3) # Set up retrieval using trained representations. index = tfrs.layers.ann.BruteForce(model.user_model) index.index_from_dataset( movies.batch(100).map(lambda title: (title, model.movie_model(title))) ) # Get recommendations. _, titles = index(np.array(["42"])) print(f"Recommendations for user 42: {titles[0, :3]}")Uruchom w notatniku
TensorFlow Recommenders (TFRS) to biblioteka do budowania modeli systemów rekomendujących.
Pomaga w pełnym przepływie pracy budowania systemu rekomendującego: przygotowanie danych, formułowanie modelu, szkolenie, ocena i wdrażanie.
Jest zbudowany na Keras i ma na celu łagodną krzywą uczenia się, jednocześnie zapewniając elastyczność w budowaniu złożonych modeli.
TFRS umożliwia:
Aby dowiedzieć się więcej, zapoznaj się z samouczkiem dotyczącym tworzenia systemu rekomendacji filmów lub zapoznaj się z dokumentacją interfejsu API.
Pomaga w pełnym przepływie pracy budowania systemu rekomendującego: przygotowanie danych, formułowanie modelu, szkolenie, ocena i wdrażanie.
Jest zbudowany na Keras i ma na celu łagodną krzywą uczenia się, jednocześnie zapewniając elastyczność w budowaniu złożonych modeli.
TFRS umożliwia:
- Twórz i oceniaj elastyczne modele wyszukiwania rekomendacji.
- Swobodnie włączaj informacje o elementach, użytkownikach i kontekście do modeli rekomendacji.
- Trenuj modele wielozadaniowe, które wspólnie optymalizują wiele celów rekomendacji.
Aby dowiedzieć się więcej, zapoznaj się z samouczkiem dotyczącym tworzenia systemu rekomendacji filmów lub zapoznaj się z dokumentacją interfejsu API.