توصیه کنندگان 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]}")
اجرا در یک نوت بوک
TensorFlow Recommenders (TFRS) کتابخانه ای برای ساخت مدل های سیستم توصیه گر است.

این به گردش کار کامل ساخت یک سیستم توصیه‌گر کمک می‌کند: آماده‌سازی داده، فرمول‌بندی مدل، آموزش، ارزیابی و استقرار.

این بر روی Keras ساخته شده است و هدف آن این است که منحنی یادگیری ملایمی داشته باشد و در عین حال انعطاف‌پذیری برای ساخت مدل‌های پیچیده را به شما بدهد.

TFRS این امکان را فراهم می کند که:
  • ساخت و ارزیابی مدل های بازیابی توصیه های انعطاف پذیر.
  • آزادانه اطلاعات مورد، کاربر و زمینه را در مدل‌های پیشنهادی وارد کنید.
  • مدل‌های چند وظیفه‌ای را آموزش دهید که به طور مشترک اهداف چند توصیه را بهینه می‌کنند.
TFRS منبع باز است و در Github در دسترس است.

برای کسب اطلاعات بیشتر، آموزش نحوه ساخت یک سیستم توصیه‌کننده فیلم را ببینید یا اسناد API را برای مرجع API بررسی کنید.