Sử dụng bộ sưu tập để sắp xếp ngăn nắp các trang Lưu và phân loại nội dung dựa trên lựa chọn ưu tiên của bạn.

Đề xuất 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]}")
Chạy trong Notebook
TensorFlow Recommenders (TFRS) là một thư viện để xây dựng các mô hình hệ thống tư vấn.

Nó giúp thực hiện toàn bộ quy trình xây dựng hệ thống khuyến nghị: chuẩn bị dữ liệu, xây dựng mô hình, đào tạo, đánh giá và triển khai.

Nó được xây dựng dựa trên Keras và nhằm mục đích có một đường cong học tập nhẹ nhàng trong khi vẫn cung cấp cho bạn sự linh hoạt để xây dựng các mô hình phức tạp.

TFRS giúp bạn có thể:
  • Xây dựng và đánh giá các mô hình truy xuất khuyến nghị linh hoạt.
  • Tự do kết hợp thông tin mục, người dùng và ngữ cảnh vào các mô hình đề xuất.
  • Đào tạo các mô hình đa nhiệm vụ cùng tối ưu hóa nhiều mục tiêu đề xuất.
TFRS là mã nguồn mở và có sẵn trên Github .

Để tìm hiểu thêm, hãy xem hướng dẫn về cách xây dựng hệ thống giới thiệu phim hoặc kiểm tra tài liệu API để tham khảo API.