Restez organisé à l'aide des collections Enregistrez et classez les contenus selon vos préférences.

Recommandateurs 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]}")
Exécuter dans un ordinateur portable
TensorFlow Recommenders (TFRS) est une bibliothèque permettant de créer des modèles de système de recommandation.

Il facilite le flux de travail complet de la création d'un système de recommandation : préparation des données, formulation du modèle, formation, évaluation et déploiement.

Il est construit sur Keras et vise à avoir une courbe d'apprentissage douce tout en vous donnant la flexibilité de créer des modèles complexes.

TFRS permet de :
  • Créez et évaluez des modèles de récupération de recommandations flexibles.
  • Incorporez librement des informations sur les éléments, les utilisateurs et le contexte dans les modèles de recommandation.
  • Entraînez des modèles multitâches qui optimisent conjointement plusieurs objectifs de recommandation.
TFRS est open source et disponible sur Github .

Pour en savoir plus, consultez le didacticiel sur la création d'un système de recommandation de films ou consultez la documentation de l' API pour obtenir la référence de l'API.