Помогают защитить Большой Барьерный Риф с TensorFlow на Kaggle Присоединяйтесь вызов

Рекомендации 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]}")
Run в ноутбук
TensorFlow Recommenders (TFRS) - это библиотека для построения рекомендательных системных моделей.

Он помогает в полном рабочем процессе построения рекомендательной системы: подготовка данных, формулирование модели, обучение, оценка и развертывание.

Он построен на Keras и нацелен на плавное обучение, но при этом дает вам гибкость для создания сложных моделей.

TFRS позволяет:
  • Создавайте и оценивайте гибкие модели поиска рекомендаций.
  • Свободно Incorporate элемент, пользователь и контекстная информация в модель рекомендации.
  • Поезд модели многоцелевой , которые совместно оптимизируют несколько целей рекомендательных.
ОКФ является открытым исходным кодом и доступна на Github .

Чтобы узнать больше, смотрите учебник о том, как построить систему кино Рекомендатор или проверить API документацию для справки API.