จัดทุกอย่างให้เป็นระเบียบอยู่เสมอด้วยคอลเล็กชัน บันทึกและจัดหมวดหมู่เนื้อหาตามค่ากำหนดของคุณ

ผู้แนะนำ 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]}")
เรียกใช้ใน โน้ตบุ๊ก
TensorFlow Recommenders (TFRS) เป็นไลบรารีสำหรับโมเดลระบบผู้แนะนำอาคาร

ช่วยให้มีเวิร์กโฟลว์เต็มรูปแบบในการสร้างระบบผู้แนะนำ: การเตรียมข้อมูล การกำหนดแบบจำลอง การฝึกอบรม การประเมิน และการปรับใช้

สร้างขึ้นบน Keras และมีเป้าหมายเพื่อให้มีช่วงการเรียนรู้ที่นุ่มนวล ในขณะที่ยังคงให้ความยืดหยุ่นแก่คุณในการสร้างแบบจำลองที่ซับซ้อน

TFRS ทำให้สามารถ: TFRS เป็นโอเพ่นซอร์สและพร้อมใช้งาน บน Github

หากต้องการเรียนรู้เพิ่มเติม ดู บทแนะนำเกี่ยวกับวิธีสร้างระบบแนะนำภาพยนตร์ หรือตรวจสอบ เอกสาร API สำหรับการอ้างอิง API