টেনসরফ্লো সুপারিশকারী

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]}")
একটি নোটবুকে চালান
TensorFlow Recommenders (TFRS) সুপারিশকারী সিস্টেম মডেল তৈরির জন্য একটি লাইব্রেরি।

এটি একটি সুপারিশকারী সিস্টেম তৈরির সম্পূর্ণ কর্মপ্রবাহে সহায়তা করে: ডেটা প্রস্তুতি, মডেল প্রণয়ন, প্রশিক্ষণ, মূল্যায়ন এবং স্থাপনা।

এটি কেরাসে তৈরি করা হয়েছে এবং এর লক্ষ্য একটি মৃদু শেখার বক্ররেখা থাকা এবং এখনও আপনাকে জটিল মডেলগুলি তৈরি করার নমনীয়তা প্রদান করে৷

TFRS এটি সম্ভব করে তোলে:
  • নমনীয় সুপারিশ পুনরুদ্ধার মডেল তৈরি করুন এবং মূল্যায়ন করুন।
  • প্রস্তাবনা মডেলগুলিতে অবাধে আইটেম, ব্যবহারকারী এবং প্রসঙ্গ তথ্য অন্তর্ভুক্ত করুন।
  • মাল্টি-টাস্ক মডেলগুলিকে প্রশিক্ষণ দিন যা যৌথভাবে একাধিক সুপারিশের উদ্দেশ্যকে অপ্টিমাইজ করে।
TFRS হল ওপেন সোর্স এবং Github- এ উপলব্ধ।

আরও জানতে, কীভাবে একটি চলচ্চিত্র সুপারিশকারী সিস্টেম তৈরি করতে হয় তার টিউটোরিয়ালটি দেখুন, বা API রেফারেন্সের জন্য API ডক্স দেখুন।